✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
提出一种兼具认证能力的安全光学数字图像加密方案，该方案结合双随机相位编码（DRPE）与压缩感知（CS）技术。首先，通过双随机相位编码（DRPE）获取明文图像的相位信息，并对其量化以生成认证信息；同时，利用压缩感知（CS）对明文图像进行压缩，通过 Sigmoid 映射对其测量值进行量化。随后，将认证信息嵌入量化测量值中，经置换与扩散操作得到密文图像。在接收端，先通过逆置换与逆扩散提取认证信息，再经逆双随机相位编码（逆 DRPE）得到认证图像；最后，利用认证图像与重构图像，通过非线性互相关方法可对密文图像实现盲认证。实验结果验证了所提方案的有效性。
二、方案核心流程拆解（发送端→接收端）
1. 发送端（加密 + 认证信息嵌入）
第一步：双随机相位编码（DRPE）处理明文图像，提取其相位信息（相位是光学图像的关键特征，比像素值更难篡改），量化后生成「认证信息」（相当于图像的 “数字指纹”）。
第二步：压缩感知（CS）压缩明文图像，得到低维度的「测量值」（实现数据降维，节省传输 / 存储成本），再用 Sigmoid 映射量化测量值（统一数据范围，适配后续加密操作）。
第三步：将「认证信息」嵌入量化后的 CS 测量值中（实现 “加密 + 认证” 一体化，无需额外传输认证信息），再通过「置换 + 扩散」完成加密，最终输出密文图像。
2. 接收端（解密 + 盲认证）
第一步：对密文图像执行「逆置换 + 逆扩散」，提取嵌入的「认证信息」。
第二步：对认证信息做「逆 DRPE」处理，还原出「认证图像」（即发送端生成的 “数字指纹” 可视化形式）。
第三步：对密文图像中的 CS 测量值做重构（恢复原始图像大致内容），得到「重构图像」；通过「非线性互相关方法」计算 “认证图像” 与 “重构图像” 的相关性 —— 若相关性高，说明图像未被篡改（认证通过）；若相关性低，说明图像被篡改（认证失败）。
四、方案创新点与优势
多功能一体化：同时实现「图像加密」（置换 + 扩散）、「数据压缩」（CS）、「篡改认证」（DRPE + 非线性互相关），解决传统方案 “加密与认证分离” 的问题，简化传输流程。
盲认证特性：接收端无需依赖原始明文图像，仅通过密文自带的认证信息即可完成验证，适配无原始图像存档的场景（如保密通信、遥感图像传输）。
高安全性：结合 DRPE 的光学加密特性（抗线性攻击）与 CS 的压缩随机性（抗统计攻击），且认证信息嵌入量化测量值中，篡改密文会直接破坏认证信息，提升抗篡改能力。
实用性强：CS 压缩减少数据量，适配低带宽传输；Sigmoid 量化与置换扩散操作计算复杂度低，便于硬件实现（如光学加密设备、实时图像传输系统）。
⛳️ 运行结果
📣 部分代码
posibility = 0;% Ratio of tamper
g = 0; % Ratio of noisy param
rate_crop = 0; % Ratio of cropping
p = 7 / 8; % Ratio of sampling
method = 'omp';% If method is set to `cvx`, then please wati for a long time.
for i = 1 : 15
disp('---------------------------------');
p = i / 16;
exp_main();
ans_name = ['ans/', method, '_sampling-', num2str(p), '_noise-', num2str(g),...
'_tamper-', num2str(posibility), '_crop-', num2str(rate_crop), '.mat'];
save(ans_name);
disp(['Save answer to ', ans_name]);
end
🔗 参考文献
[1] B K Z A , C J F , B H F A ,et al.Secure image encryption scheme using double random-phase encoding and compressed sensing[J].Optics & Laser Technology, 121:105769-105769[2026-01-23].DOI:10.1016/j.optlastec.2019.105769.
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
