Arnold置乱变换图像加密：原理、Matlab实现与效果评估

图形图像处理的课程做到后半段很多人都会撞上一个叫Arnold置乱变换的算法。我第一次做这个实验是在信息安全课的大作业里当时以为图像加密就是要搞出一堆看不懂的像素结果跑完代码发现置乱后的图片确实面目全非但直方图几乎没动这才意识到所谓置乱和平时理解的“加密”并不完全是一回事。这期就用一篇带Matlab代码的实操记录把Arnold置乱变换图像加密实验从头到尾拆清楚它到底在做什么、代码怎么写、效果怎么验证以及那些在实验报告里不容易写明白的坑。文章默认你已经装好Matlab、会基本的imread和imshow其他内容我会按“先原理、后代码、再验证”的顺序讲。1. 一句话划清边界Arnold置乱只动位置不动像素值先说结论Arnold置乱变换Arnold Cat Map属于图像加密里的“位置置乱”它把图像上的像素从原来的坐标搬到另一个坐标但像素本身的灰度值或颜色值一个都不改。很多教程把它直接叫作图像加密严格说这还不够严谨因为置乱只完成了加密的一半工作。1.1 为什么图像加密实验总选它在信息安全或数字图像处理的课程实验里Arnold置乱几乎是必选项目。原因很简单代码量少、效果直观、原理不复杂。一个正方形图像输入进去跑几轮循环原本能看清的轮廓和纹理立刻变成雪花一样的点阵视觉冲击力很强特别适合写进实验报告做演示图。我见过不少同学在这个实验上交出来的报告重点全放在“怎么把代码跑起来”上对算法本身的讨论几乎没有。这其实有点可惜因为Arnold置乱背后的“拉伸-折叠”思想是理解混沌映射在密码学中应用的一把钥匙。猫映射为什么叫猫映射最早Arnold在研究遍历理论时拿一张猫脸图片做演示图像在单位正方形内被反复拉伸、折叠就像猫脸被无形的手揉碎一样。离散化之后这种揉搓就变成了像素坐标的一一对应置换。1.2 置乱与扩散的职责分工图像加密里有两类基本操作一个是置乱Scrambling/Permutation一个是扩散Diffusion。置乱负责把像素搬到别处打乱空间相关性扩散负责修改像素值让单个像素的变化能够扩散到整幅图像。用一个不严谨但好记的类比置乱像是把一叠扑克牌重新洗一遍牌还是那些牌顺序全变了扩散则是把每张牌的数字都改掉牌面完全换了一套。Arnold置乱属于前者。所以理论上无论迭代多少轮原图和置乱图在直方图上应该完全一致因为像素值的种类和数量没有变。这一点很多人一开始没反应过来我当初也踩过这个思维误区总觉得加密后的图像直方图应该“面目全非”。实际上直方图不变恰恰说明了它做的是位置置换。如果实验报告里画出两个完全不同的直方图先检查是不是图像尺寸被裁剪过或者数据类型在转换时被截断。单独使用Arnold置乱的安全性并不高密钥空间受限且像素值分布信息完全保留统计分析能提取出大量原始特征。但作为教学实验它足够展示“人眼不可辨识 ≠ 真正安全”这个核心概念也适合作为更深层加密系统的前置处理步骤。2. 从猫映射公式到可运行的Matlab加密代码这一章是实操重点。我会从数学公式开始把每一步换算成Matlab代码再给出一个完整的可运行脚本。不要跳过前面的推导因为不少网上代码跑出的图看起来不对根因都在坐标转换。2.1 三条公式与一个“模”字猫映射的数学原型经典Arnold变换作用于N×N的灰度图像时像素坐标的更新公式是x (x y) mod N y (x 2y) mod N这里x表示列坐标y表示行坐标且x、y都从0开始计数。写成矩阵形式就是| x | | 1 1 | | x | | y | | 1 2 | * | y | (mod N)矩阵det为1所以变换是可逆的这是能够无损恢复的前提。mod N保证了坐标始终落在图像的范围内因为一张N×N图像坐标取值只能是0到N-1。为什么说Arnold变换是混沌的因为它结合了“拉伸”和“折叠”矩阵乘法会把点之间的距离拉远取模又把超出边界的点折叠回原区域。这两种作用反复进行坐标就会在有限区域内剧烈扰动。放到图像上就是像素位置被打得极散。如果你处理的是一张M×N的矩形图像直接用这个公式会出问题因为x和y分别对应不同的长度范围。这种情况我在第5章专门给出广义Arnold变换解法初学者可以先按方形图做实验。2.2 Matlab索引从1开始公式从0开始最值得注意的细节这个细节是我见过最多的报错来源甚至比算法本身更容易让人卡住。Matlab的矩阵索引从1开始而Arnold公式是数学上的0基坐标。正确做法是先把Matlab的行列索引减1套用公式计算出的新坐标加1再作为真正的矩阵索引。如果你不加处理直接套公式第一次迭代可能还不明显多迭代几轮后图像会错位、甚至出现奇怪的斜向纹理看起来像“坏了”的置乱结果而不是正常的光学噪声。另外要注意mod函数在Matlab里对负数会回正这是好事。Python的%也一样但C语言的%就不一样了负数会得到负余数。所以代码尽量在Matlab内闭环别用别的语言习惯直接改写。2.3 完整加密代码与最小复现脚本先给核心函数。我建议先写成双重循环原因只有一个每个坐标都能和你手推的例子一一对上方便排错。等完全跑通再优化成向量化也不迟。function S arnold_encrypt(I, rounds) % 经典Arnold变换加密置乱适用于N x N灰度图 % 输入 % I - 原图uint8或double均可 % rounds - 置乱轮数正整数 % 输出 % S - double型置乱图像素值范围与原图一致 [H, W] size(I); if H ~ W error(经典Arnold变换要求正方形图像当前为 %d x %d, H, W); end N H; S double(I); for t 1:rounds T zeros(N, N); for i 1:N % 行方向对应公式中的y for j 1:N % 列方向对应公式中的x x j - 1; % 0基列坐标 y i - 1; % 0基行坐标 xn mod(x y, N) 1; % 置乱后的列 yn mod(x 2*y, N) 1; % 置乱后的行 T(yn, xn) S(i, j); end end S T; end end这个函数的逻辑是遍历原图中的每个像素算出它应该搬到哪个新位置然后在新位置填入原图的像素值。T(yn, xn) S(i, j)这行是核心翻译成人话就是“把原图第i行第j列的灰度值放到置乱图的第yn行第xn列”。接着写一个主脚本跑一个完整流程%% Arnold置乱变换图像加密实验主脚本 clear; clc; close all; % 读取图像cameraman是Matlab自带示例图 img imread(cameraman.tif); if size(img, 3) 3 img rgb2gray(img); end % 如果不是方形裁剪到方形 N min(size(img, 1), size(img, 2)); img img(1:N, 1:N); rounds 10; % 加密置乱 enc arnold_encrypt(img, rounds); % 显示结果 figure(Name, Arnold置乱实验); subplot(1, 2, 1); imshow(img); title(原始图像); subplot(1, 2, 2); imshow(uint8(enc)); title(sprintf(置乱 %d 轮, rounds));跑完之后你会看到两张图左边能看清内容右边基本是雪花点。如果置乱后的图是一团黑先检查是不是直接用imshow(enc)了。enc是double类型imshow默认把double当0到1的范围显示所以要用uint8(enc)转回图像类型。这个坑我每带一届学生几乎都要强调一次。向量化的版本我也贴一下作为进阶参考。逻辑完全一样只是用meshgrid避免双重循环function S arnold_encrypt_vec(I, rounds) [H, W] size(I); if H ~ W, error(经典Arnold变换要求正方形图像); end N H; S double(I); for t 1:rounds [X, Y] meshgrid(0:N-1, 0:N-1); % X为列坐标Y为行坐标 Xn mod(X Y, N) 1; Yn mod(X 2*Y, N) 1; idx_src sub2ind([N, N], Y(:) 1, X(:) 1); idx_dst sub2ind([N, N], Yn(:), Xn(:)); T zeros(N, N); T(idx_dst) S(idx_src); S T; end end如果你刚开始接触建议先用双重循环版。向量化虽然快但对sub2ind和索引展开不熟的人一旦出错会非常难查。3. 解密比加密更讲究逆变换与周期测定加密做置乱只是开始实验必须证明能恢复。恢复有两种思路一是直接用逆变换还原二是利用Arnold变换的周期性“绕回去”。两种我在实验里都测过各有适用场景。3.1 逆变换公式推导与解密代码因为加密矩阵可逆逆变换公式可以由矩阵求逆得到。det1的2×2矩阵逆矩阵是| 2 -1 | | -1 1 |所以恢复公式为x (2x - y) mod N y (-x y) mod N其中x、y是置乱图像的坐标。对应Matlab代码function R arnold_decrypt(S, rounds) % 经典Arnold变换逆变换恢复 % 输入 % S - 置乱后的图像N x N % rounds - 恢复轮数需与加密轮数一致 % 输出 % R - double型恢复图 [H, W] size(S); if H ~ W error(经典Arnold变换要求正方形图像); end N H; R double(S); for t 1:rounds U zeros(N, N); for i 1:N for j 1:N xn j - 1; yn i - 1; x mod(2*xn - yn, N) 1; y mod(-xn yn, N) 1; U(y, x) R(i, j); end end R U; end end注意mod里的负数。Matlab的mod函数对负数会返回正的余数范围这一点正好符合取模恢复的要求。如果你用rem或者别的语言改写结果会偏。这是解密代码最容易出错的部分。3.2 周期法利用置乱的周期性直接“转回来”另一个有趣的性质是周期性。Arnold变换是对有限个像素坐标的置换反复迭代一定次数后图像一定会回到原始状态。这个次数被称为周期。周期与图像尺寸N强相关不要试图背一个固定的数最好的办法是用代码实测。function p arnold_period(I) % 测定一幅N x N灰度图在经典Arnold变换下的置乱周期 I double(I); [H, W] size(I); if H ~ W, error(正方形图才能测周期); end S I; maxIter 10000; for k 1:maxIter S arnold_encrypt(S, 1); if isequal(S, I) p k; return; end end error(未在 %d 轮内找到周期可能图像尺寸过大, maxIter); end测出来后如果你加密了k轮那么再加密(period - k)轮或者继续加密period轮都能恢复原图。这个特性很有意思讲课和写实验报告时经常拿出来当亮点同样的加密函数既能加密也能解密完全不需要额外的逆变换代码。但我不建议在实际实验里只依赖周期法。原因有两个第一周期需要先测定遇到很大的图像可能迭代非常久第二它容易让初学者混淆“加密轮数”和“周期”的概念。逆变换法更加通用和直接。3.3 验证无损恢复把加密、解密串起来做一次完整验证。我在主脚本里加了两行dec arnold_decrypt(enc, rounds); dec uint8(round(dec)); figure(Name, Arnold置乱实验完整); subplot(1, 3, 1); imshow(img); title(原始图像); subplot(1, 3, 2); imshow(uint8(enc)); title(sprintf(置乱 %d 轮, rounds)); subplot(1, 3, 3); imshow(dec); title(解密恢复); fprintf(无损恢复 %d\n, isequal(dec, img));如果输出是1说明恢复成功。因为置乱只改变位置、不改变灰度值所以理论上一定是无损的。如果你发现不是无损先从数据类型和取整找原因。最常见的坑是加密后直接uint8(enc)把像素值截断成0到255整数然后又用这个uint8数据去解密。虽然灰度值本身就在0到255之间double转uint8不会损失数值但如果有浮点误差或边界溢出问题就来了。稳妥做法是全程在double下计算最后显示和保存时才转uint8。这里也顺便提一句无损置乱意味着PSNR是无穷大。如果你在实验报告里写“加密后的图像PSNR很低”那就说明你可能把有损压缩或扩散操作混进来了需要检查实验方案。4. 实验效果不能凭眼看三个量化指标才靠谱“看起来乱”不是科学结论。课程实验要写进报告最好有客观数字。我一般用三个指标直方图、相邻像素相关性、信息熵。这三者结合能基本说明置乱的特性。4.1 直方图置乱不改像素值所以直方图不该变直方图统计的是每个灰度级出现的次数。由于Arnold置乱只是像素位置的整体置换灰度值集合没有变化所以直方图理论上应该完全一致。figure(Name, 直方图对比); subplot(1, 2, 1); imhist(uint8(img)); title(原始直方图); subplot(1, 2, 2); imhist(uint8(enc)); title(置乱后直方图);我见过有些同学跑出来直方图确实不一样排查下来基本都是因为原始图像是彩色RGB直接写size(img)得到三维矩阵再调用我这个函数时只处理了第一维、或者用了rgb2gray之后又被uint8截断才导致统计信息变化。如果这里能保持一致说明你的置乱流程是干净的。4.2 相邻像素相关性量化“乱不乱”的核心指标自然图像有个显著特征相邻像素之间的灰度值高度相关。无论是水平方向、垂直方向还是对角线方向相关系数通常都在0.9以上。置乱的目的之一就是打破这种相关性所以置乱后相关系数应当断崖式下降越接近0越好。计算相关系数的方法不复杂。随机抽取若干对相邻像素对每一对计算灰度值的相关系数。我在实验中习惯抽1000对水平、垂直、对角分别算。function r corr_pixels(img, direction) % 计算图像相邻像素相关系数 % direction: h水平, v垂直, d对角 img double(img); [H, W] size(img); N 1000; rng(2025); xs randi([1, W], N, 1); ys randi([1, H], N, 1); pix1 zeros(N, 1); pix2 zeros(N, 1); for idx 1:N x xs(idx); y ys(idx); pix1(idx) img(y, x); switch direction case h x2 mod(x, W) 1; pix2(idx) img(y, x2); case v y2 mod(y, H) 1; pix2(idx) img(y2, x); case d x2 mod(x, W) 1; y2 mod(y, H) 1; pix2(idx) img(y2, x2); end end r corrcoef(pix1, pix2); r r(1, 2); end用的时候直接r_orig_h corr_pixels(img, h); r_enc_h corr_pixels(enc, h); r_orig_v corr_pixels(img, v); r_enc_v corr_pixels(enc, v); r_orig_d corr_pixels(img, d); r_enc_d corr_pixels(enc, d);下面是我在某次实验里跑cameraman图得到的典型趋势不同尺寸和图像会略有出入但规律一致方向原始图置乱10轮水平0.97120.0371垂直0.9583-0.0124对角0.93210.0215置乱轮数增加时相关系数通常会在头几轮迅速下降之后在0附近小幅波动并不会严格等于0。因为随机置换也不可能消除所有偶然相关性关键是量级发生质变。写实验报告时这个表格比三张效果图更有说服力。4.3 信息熵为什么不适合评估置乱效果信息熵反映图像灰度值的随机程度。自然图像的熵一般在7到8之间8位灰度图。很多同学做实验时喜欢在报告里写“置乱后熵从7.2变成了7.9说明加密效果好”。这个说法在Arnold置乱上并不严谨因为置乱不改变灰度值直方图信息熵也不会改变。我实测过多次原始图和置乱图的信息熵几乎完全一样。差别只可能来自随机采样或者uint8截断的舍入误差。如果你想提高信息熵真正有效的手段是扩散操作比如把像素值和一个伪随机序列做异或让灰度分布趋近均匀熵才会上升。所以实验报告里信息熵这一项更适合放在“置乱扩散”的完整加密流程中评价而不是单独评价Arnold置乱。如果你想保留信息熵作为参考指标可以在加密后再做一步XOR扩散然后对比三步状态原始、置乱、置乱扩散。这样能同时展示置乱和扩散的差异报告含金量会高不少。5. 彩色图、矩形图和踩过的坑从大作业到小工具箱基础灰度方形图跑通之后大多数人很快会遇到两个需求我的图片是彩色的怎么办我的图片不是正方形怎么办这两个问题处理起来都不难但需要单独处理。5.1 彩色RGB图像的三通道独立置乱彩色图像可以看成三个灰度通道叠加R、G、B。最简单的方式是对每个通道分别做Arnold置乱然后合并。这样做的好处是每个通道的坐标置换方式一样恢复时也按相同方式恢复。img imread(peppers.png); N min(size(img, 1), size(img, 2)); img img(1:N, 1:N, :); enc zeros(size(img)); rounds 10; for c 1:3 enc(:, :, c) arnold_encrypt(img(:, :, c), rounds); end enc uint8(enc); dec zeros(size(img)); for c 1:3 dec(:, :, c) arnold_decrypt(enc(:, :, c), rounds); end dec uint8(dec);三通道用同一个轮数视觉上依然会很乱。如果想让密钥更复杂可以对三个通道分别用不同的轮数比如R通道10轮、G通道13轮、B通道21轮这样相当于三个密钥叠加。但注意解密时每个通道的轮数必须一一对应否则颜色通道会错乱。5.2 矩形图像用广义Arnold变换经典Arnold变换要求N×N遇到非方形图像要么裁剪到方形要么用广义Arnold变换。裁剪会损失图像信息如果实验素材是身份证扫描件、银行卡截图这类矩形图丢掉边缘不可接受所以更通用的做法是广义Arnold变换。广义Arnold变换的公式为x (x a*y) mod N y (b*x (a*b1)*y) mod M其中原图是M×Nx对应列0到N-1y对应行0到M-1a、b是整数参数。它的逆变换是x (a*b1)*x - a*y mod N y -b*x y mod M这里两个模数不同一个mod N、一个mod M写代码时很容易搞混。我的建议是a和b默认取1先跑通再改参数。完整实现如下function S arnold_general_encrypt(I, rounds, a, b) % 广义Arnold变换加密适用于M x N矩形灰度图 [M, N] size(I); S double(I); for t 1:rounds T zeros(M, N); for i 1:M for j 1:N x j - 1; % 列坐标 0 ~ N-1 y i - 1; % 行坐标 0 ~ M-1 xn mod(x a*y, N) 1; yn mod(b*x (a*b1)*y, M) 1; T(yn, xn) S(i, j); end end S T; end end function R arnold_general_decrypt(S, rounds, a, b) % 广义Arnold变换还原 [M, N] size(S); R double(S); for t 1:rounds U zeros(M, N); for i 1:M for j 1:N xn j - 1; yn i - 1; x mod((a*b1)*xn - a*yn, N) 1; y mod(-b*xn yn, M) 1; U(y, x) R(i, j); end end R U; end end矩形图的周期更难预测所以我建议直接用逆变换恢复不要依赖周期法。密钥可以取轮数rounds加上参数a、b组合起来能构造更大的密钥空间。5.3 我踩过的坑和调试建议第一个坑是坐标忘记减一。这个前面提过但我还是要单独列出来因为几乎所有第一次写的人都会踩。判断方法很简单取一个2×2或3×3的小矩阵手算一轮和代码跑出来的结果对比。小矩阵手算一遍胜过在大图上抓瞎半小时。第二个坑是显示问题。double类型的图像直接imshow会变成黑图因为imshow默认按0到1的范围显示。所有示例我都做了uint8转换如果你自己封装函数记得在显示和保存的时候转类型。第三个坑是误把转置当置乱。有时候代码跑完发现结果看起来像是图像被旋转或者翻转了而没有雪花状噪声多半是meshgrid或者sub2ind的行列索引搞反了。Arnold映射对坐标有方向性行列反了就是另一种置换看起来“有点乱但不够乱”。第四个坑是非方形图没有做处理。很多人直接拿手机拍的照片跑经典公式稍大一点的矩形图立刻报错。看清报错信息然后选择裁剪或者用广义版本别硬着头皮改size。最后一个建议先小图、后大图、先灰度、后彩色、先方形、后矩形。把32×32的小图跑通验证无损再上256×256的cameraman最后再挑战自己的彩色照片。这个顺序能帮你把算法逻辑和索引问题分开排查避免所有问题搅在一起。这套实验我前后做过好几版从最开始照着网上的代码抄到后来把加密函数、解密函数、相关性指标函数全部拆开封装最后甚至接进了一个批量处理图片的小工具箱。现在再让我做这类图像处理大作业我一般会先花十分钟把“小图无损验证”跑通再放心去处理真实素材。Arnold置乱虽然只是一个经典小算法但它背后关于位置置换、周期性和统计不变量的思考方式在后续做混沌加密、数字水印时还会反复用到。希望这篇记录能帮你少走一点弯路。