Deep Learning and Chaos: A combined Approach To Image Encryption and Decryption

本文介绍了一种新的图像加密和解密算法，使用来自新型三维混沌映射、二维记忆电阻器映射、卷积神经网络（CNN）和密钥敏感性分析的超混沌信号，以实现强大的安全性和高效性。加密从使用三维混沌映射对灰度图像进行混淆开始，以在像素值的干扰下产生复杂序列；通过使用CNN学习复杂模式并添加安全层，进一步加强了此原始加密的鲁棒性。密钥敏感性分析显示了加密算法的鲁棒性，即算法对密钥元素的平均敏感性。未经授权的解密的其他因素和系统，即使密钥略有变化，也会改变解密过程，导致无法有效重建解密图像。统计分析包括熵分析、相关分析、直方图分析和其他安全分析，如异常检测，所有这些都证实了所提出的加密方法的高安全性和有效性。测试算法在各种噪声条件下的鲁棒性，以测试对高斯噪声的鲁棒性。差分分析的度量指标，如NPCR（像素变化率）和UACI（统一平均变化强度），也用于确定加密的强度。同时，在几个测试图像上进行了经验验证，结果表明所提出的加密技术具有实际应用性并且对噪声具有鲁棒性。仿真结果和比较分析说明了我们的加密方案具有出色的视觉安全性、解密质量和计算效率，因此，它在大数据应用中进行安全图像传输和存储是高效的。

本文旨在提出一种新的图像加密和解密算法，利用来自新型3D超混沌映射、2D记忆电阻器映射、卷积神经网络（CNN）和关键敏感性分析的超混沌信号，实现强大的安全性和高效性。

本文提出的加密方案的关键思路是使用3D超混沌映射对灰度图像进行混淆，通过CNN学习图像的复杂模式并添加安全层来增强加密的鲁棒性。通过关键敏感性分析，证明了该算法对密钥元素的平均敏感度，即使密钥有微小变化，也会改变解密过程，导致解密后的图像无法还原。

本文采用了统计分析、差分分析等多种方法来评估加密方案的安全性和效果，并在各种噪声条件下进行了测试以测试其鲁棒性。实验结果表明，该加密方案具有良好的视觉安全性、解密质量和计算效率，适用于大数据应用中的安全图像传输和存储。

最近的相关研究包括“基于混沌映射的图像加密算法”和“基于混沌系统的图像加密算法”等。