本文简介：在网络信息社会，数字图像是人们获取信息的一个重要来源，成为人们进行信息交流的重要媒介。然而，在一些运用场合，数字图像的拥有者和使用者都不希望在图像存储、图像传输、图像使用等过程中被非法浏览或者处理；例如在文物保护领域，珍贵的文物图像、壁画图像在存储、传输、使用等环节都需要进行加密处理。随着计算机技术和网络技术的不断发展，传统的数字图像加密技术总体而言变得保密性不高，在实际应用中需要加以改进，近几年
在网络信息社会，数字图像是人们获取信息的一个重要来源，成为人们进行信息交流的重要媒介。然而，在一些运用场合，数字图像的拥有者和使用者都不希望在图像存储、图像传输、图像使用等过程中被非法浏览或者处理；例如在文物保护领域，珍贵的文物图像、壁画图像在存储、传输、使用等环节都需要进行加密处理。随着计算机技术和网络技术的不断发展，传统的数字图像加密技术总体而言变得保密性不高，在实际应用中需要加以改进，近几年来，基于混沌系统理论的加密算法是一个重要的研究方向。
作为机器视觉领域的一个重要研究方向，双目立体视觉一直是热点和难点；其基本原理是从两个不同视角观察同一场景中的物体，以获取在不同视角下的二维图像，通过成像几何原理和视差原理来重建场景中物体的三维轮廓、位置等信息具体原理如图1所示。
图1中下标2表示左相机，r表示右相机。世界坐标系中一点A(X，y，Z)在左右相机的成像面Cl和Cr上的像点坐标分别为al（ul，vl）和ar（ur，vr）。这两个像点是同一个对象点A在左右相机成
像面上的像，它们被称为“同名点”；需要注意的是从两幅图像中找到同名点是双目立体视觉一个极其重要的问题。为了恢复对象点A在世界坐标系中的坐标，分别作像点与各自相机的光心Ol和or的连线，即投影线alOL和arol；根据三角测量原理可知投影线的交点即为对象点A(X，y，Z)。
本文的加密算法为了达到对数字图像加密／解密的目的，通过利用双目立体视觉重建原理，对图像像素颜色分量利用投影矩阵（密钥矩阵）正投影进行加密，通过反投影进行廨密。算法属于秘密分割类型，即图像信息被分割成两个密图来携带。
一、加密算法基本原理及实现
加密算法首先将像素的颜色值分量R、G、B映射到三维空间中，R、G、B分量类似于三维空间中的X、y、Z分量；再通过两个不同的密钥矩阵将映射到三维空间中的颜色值正投影到二维空间；利用密钥矩阵对R、G、B分量进行投影生成密矩阵，投影后部分颜色值信息丢失，但是这部分丢失的信息隐藏在另外一个密钥矩阵对颜色值投影产生的密矩阵中；在解码阶段，利用反投影原理及两个密矩阵信息互相补偿的原理恢复数字图像。
1、加密流程
(1)构建合适的密钥矩阵
摄像机投影矩阵是用来完成三维世界到二维图像之间的一种映射，在算法中密钥矩阵实现三维颜色空间向二维空间的投影，也是本文加密算法的密钥。像素颜色向量C用4维齐次矢量(R，G，B，1)T表示；密矩阵的元素值G表示为3维齐次矢量的形式(r，g，l)T；p表示3x4密钥矩阵。则加密过程可以表示为：
其中P包含了从颜色值空间到密矩阵元素值和姿态变换以及标定矩阵，即密钥矩阵可以分解为标定矩阵、旋转矩阵、平移矩阵。
算法中采用的两个密钥矩阵应满足：
1）小孔透视投影线性成像模型；
2）窄基线；
3）不同的标定矩阵、旋转矩阵、平移矩阵。
(2)获取密矩阵
分别将密钥矩阵P1、P2代人公式(1)，对映射到三维空间的每j个颜色分量进行正投影，获得的两个兰维的密矩阵Ml、M2，如图2，图3所示。密矩阵的大小与源图像大小一致，其中元素的取值类型是双精度型。利用两个加密矩阵可以产生两幅密图，两幅密图可以分开传输，携带的信息互为补偿。
2、解码流程
(1)获取颜色空间的对象点
加密算法根据线性三角测量原理来获取对象点的位置，两幅密矩阵中坐标位置相同的元素是同名点；采用基于空间两异面同名光线的公垂线中点的方法进行颜色空间任意点的三维重建，其最优解满足最小均方误差的最小二乘解。
如图4所示，图中下标Z表示左相机，r表示右相机。某个像素颜色值C（R，G，B）在左右相机的密矩阵Cl和Cr上的“像点”的值分别为Cl（rl，gl）和cr(rr，gr)。这两个“像点”是同一个像素颜色值C的像。分别作它们与各自相机的光心ol和or的连线，即投影线CLOL和cror，，投影线的交点为颜色空间中的对象点C(R，G，B)。
但是，由于相机成像模型非理想的小孔成像、CCD成像噪音、标定参数误差等因素的影响，实际这两条投影线在颜色空间中未必相交于一点，而且这两条投影线不可能平行。因此，对于根据cl(rl，gl)和cr(rr，gr)重建C的问题可以转化为根据两条异面投影线CLOL和cror，寻找C的问题。为了保证C在密矩阵Cl和Cr上的投影点坐标尽可能地接近cl(rl，gl)和cr(rr，gr)，可以使点C到投影线cl(rl，gl)和cr(rr，gr)的距离平方和最小a在算法中G的值取投影线公垂线段的中点。根据以上原理得到具体解码流程如下：
图5中：
m11，m21，m13分别表示密矩阵Ml(i=1，2)每行的前三列元素组成的行向量；W=（R，G，B）T表示原图像素颜色的分量值。
二、仿真实验结果及抗攻击性能分析
为了检验本文加密算法的性能，对其进行加密和解密实验，并对实验结果进行了分析。
1、实验结果
选取220×165的经典彩色图像Lena.jpg进行仿真实验。实验结果如图6-10所示，其中图6是原图，图7是从密矩阵1产生的密图1，图8是从密矩阵2产生的密图2，图9是解密图，图1O是改变其中任意一个3x4的密钥矩阵的任意两个元素得到的矩阵作为密钥矩阵进行解密得到的解密图。
从图9可知采用正确的密钥矩阵解密出图像较原图整体稍偏白，这是由于算法是基于二维图像恢复三维空间中物体三维几何信息的原理，而这个过程是一个不适定性问题，也即一个病态问题；所以算法属于有损加密。但是数字图像信息并不像文本信息那么敏感，可以允许一定的失真度。
例如比较图6和图9，基本上人眼察觉不出两幅图像的差别。从图7和图8可知，根据密图无法推测出原图的结构信息和像素颜色信息。
2、抗攻击性能分析
首先分析算法的密钥空间复杂度，算法密钥是透视投影矩阵，大小固定，可以分解为标定相机矩阵、旋转矩阵、平移矩阵等三个矩阵，矩阵元素在整个实数空间范围取值，所以密钥空间可以为无限大。
其次分析算法的密钥敏感性，图10是改变其中任一个密钥矩阵的任意两个元素得到的矩阵作为密钥矩阵进行解密得到的解密图，可知算法密钥的敏感性强，有较强的抵御恶意攻击的能力。
小知识之立体视觉
当闭上一只眼睛拿东西时，物件的距离和空间感会变得不一样又或是当你轮流遮盖一只眼睛看某一件近距离的东西时，有没有留意到左右眼睛所看出来的物件位置是不同的这种情况是因为人体的两只眼睛位置不同，令每只眼睛看出来的影像有所差异。当左右眼睛所看到的影像传到脑部时，脑部会将两个影像合而为一，形成对物件的立体及空间感，即是「立体视觉」。
基于动态信任的内生安全架构
动态信任是一种新型的信息安全架构，近年来随着物联网、云计算和移动化等技术的发展而逐渐受到关注。传统的信息安全架构往往是建立在固定的信任模型之上，而动态信任则更加灵活和自适应，可以根据实际情况动态调整信任度，从而提高整个系统的安全性。本文将从以下几个方面来探讨基于动态信任的内生安全架构，包括动态信任的概念、功能特点、应用场景、实现方法等。
一、动态信任的概念
动态信任是指基于多方交互和数据分析，根据实时风险评估结果自适应调整信任度的一种信任模型。它与传统的访问控制模型不同，传统模型是基于身份验证和访问授权来限制访问权限的，而动态信任则更加注重实时风险评估和动态调整信任度。动态信任由于其灵活性和自适应性被广泛应用于物联网、云计算和移动化等领域，成为一种新型的内生安全框架。
二、动态信任的功能特点
1、实时风险评估
动态信任的核心是实时风险评估，通过对多方交互数据的分析、模型预测和机器学习等方法，从而实现对用户、设备、应用以及网络等方面的风险评估。同时，动态信任支持多种评估方法，可以根据实际情况选择不同的评估方法来评估系统的安全性。
2、动态调整信任度
动态信任可以根据实时风险评估结果自适应调整信任度，从而提高整个系统的安全性。例如，对于一个新的设备或应用，由于缺少足够的信任度，系统可以限制其访问权限，等到其表现良好后再逐步增加信任度。另外，在不同的应用场景中，可以根据不同的容错需求设置不同的信任阈值，从而更加灵活地调整系统的安全性。
3、安全事件的自适应响应
基于动态信任的内生安全框架可以根据实时风险评估结果自适应响应安全事件，例如实时阻断异常访问或异常信任行为等，从而保护整个系统的安全。另外，动态信任还可以实现安全威胁预警和安全日志审计等功能，为后续的安全事件响应提供支持。
三、动态信任的应用场景
基于动态信任的内生安全框架适用于物联网、云计算和移动化等领域，可以提高系统的安全性和稳定性。具体应用场景如下：
1、物联网领域
对于物联网场景，动态信任可以实现对设备、应用、用户等的实时风险评估和动态信任管理，从而保护整个物联网系统的安全。例如，可以基于设备的行为、属性等数据进行风险评估，判断设备是否存在安全风险，并进行相应的防御措施。
2、云计算领域
对于云计算场景，动态信任可以实现对用户、应用、网络等的实时风险评估和自适应调整信任度，从而提高整个云计算系统的安全性和稳定性。例如，可以根据用户的访问情况和应用的行为数据等进行风险评估，判断用户和应用是否存在安全风险，并相应的限制其访问权限。
3、移动化场景
对于移动应用场景，动态信任可以实现对应用、用户等的实时风险评估和自适应调整信任度，从而保护整个移动应用系统的安全。例如，可以根据应用的行为数据、用户的位置信息等进行风险评估，判断应用和用户是否存在安全风险，并相应的限制其访问权限。
四、动态信任的实现方法
基于动态信任的内生安全框架的实现方法主要包括以下几个方面：
1、机器学习技术
机器学习技术可以实现对多方交互数据的分析和预测，进而实现实时风险评估和动态信任管理。例如，可以使用支持向量机、神经网络、朴素贝叶斯等算法对数据进行分类和预测，从而实现安全风险评估。
2、分布式计算技术
分布式计算技术可以实现对大规模数据的分析和处理，多种评估方法的实现和系统的扩展性等。例如，可以使用MapReduce等分布式计算技术来实现大规模数据的分析和处理，从而提高系统的效率和准确性。
3、安全日志管理技术
安全日志管理技术可以实现对安全事件的记录、分析和响应等功能，从而提高系统的安全性和稳定性。例如，可以使用SIEM技术来实现安全事件的实时监测、分析和响应，从而提供相应的安全保障。
总之，基于动态信任的内生安全框架是一种新型的信息安全架构，其具有灵活性和自适应性等特点，可以根据实际情况动态调整信任度，提高整个系统的安全性。在物联网、云计算和移动化等领域具有广泛的应用前景，同时也面临着各种技术挑战和安全威胁。因此，我们需要进一步探索动态信任技术的研究和应用，并积极探索基于动态信任的内生安全框架的实现方法和应用策略，从而实现网络信息安全的可靠保障。
本文为收集整理，文章部分观点不代表本站观点，如有侵权或其它问题请反馈客服。/cjwt/16398.html