Light Field All-in-focus Image Fusion Based on Edge Enhanced Guided Filtering
-
摘要: 受光场相机微透镜几何标定精度的影响,4D光场在角度方向上的解码误差会造成积分后的重聚焦图像边缘信息损失,从而降低全聚焦图像融合的精度。该文提出一种基于边缘增强引导滤波的光场全聚焦图像融合算法,通过对光场数字重聚焦得到的多幅重聚焦图像进行多尺度分解、特征层决策图引导滤波优化来获得最终全聚焦图像。与传统融合算法相比,该方法对4D光场标定误差带来的边缘信息损失进行了补偿,在重聚焦图像多尺度分解过程中增加了边缘层的提取来实现图像高频信息增强,并建立多尺度图像评价模型实现边缘层引导滤波参数优化,可获得更高质量的光场全聚焦图像。实验结果表明,在不明显降低融合图像与原始图像相似性的前提下,该方法可有效提高全聚焦图像的边缘强度和感知清晰度。Abstract: Affected by the micro-lens geometric calibration accuracy of the light field camera, the decoding error of the 4D light field in the angular direction will cause the edge information loss of the integrated refocused image, which will reduce the accuracy of the all-in-focus image fusion. In this paper, a light field all-in-focus image fusion algorithm based on edge-enhanced guided filtering is proposed. Through multi-scale decomposition of the digital refocused images and guided filtering optimization of the feature layer decision map, the final all-in-focus image is obtained. Compared with the traditional fusion algorithm, the edge information loss caused by the 4D light field calibration error is compensated in the presented method. In the step of multi-scale decomposition of the refocused image, the edge layer extraction is added to accomplish the high-frequency information enhancement. Then the multi-scale evaluation model is established to optimize the edge layer’s guided filtering parameters to obtain a better light field all-in-focus image. The experimental results show that the edge intensity and the perceptual sharpness of the all-in-focus image can be improved without significantly reducing the similarity between the all-in-focus image and the original image.
-
1. 引言
万物联网的需求使得无线传感器、智能卡和RFID标签等受限设备的应用越来越广泛。针对资源受限环境下数据安全和隐私保护问题,兼顾安全和效率的轻量级密码算法的设计和分析成为研究热点。2013年6月,美国国家安全局提出了分别适用于软件和硬件环境的轻量级分组密码算法SIMON和SPECK[1]。这两种算法一经提出,就受到广泛关注。随后,在CHES 2015上,Yang等人[2]提出了一种新的轻量级分组密码Simeck算法。Simeck结合了SIMON和SPECK设计上的优点,在软件及硬件方面都有出色的表现。
针对Simeck算法安全性的分析,最初由设计者给出了Simeck算法差分分析和不可能差分分析的结果[2]。随后,Bagheri[3]对Simeck算法抗线性攻击的能力进行了评估。2016年,文献[4]针对Simeck48和Simeck64,给出了成功概率为1的差分分析的更好结果。随后,Blondeau等人[5]给出了更长轮数带概率的差分分析结果。2018年,Zhang等人[6]给出了Simeck算法零相关线性攻击的结果。对Simeck算法的积分攻击首先由文献[7]提出,Zhang等人[7]构造了Simeck算法的积分区分器,分别给出了21/21/24轮Simeck32/48/64算法的积分攻击。
积分攻击是一种有效的选择明文攻击。1997年,Daemen等人[8]提出一种新的分析方法攻击SQUARE算法。2001年,Lucks[9]提出Saturation攻击,同年,Biryukov等人[10]提出了Multiset攻击。随后,Knudsen等人[11]在FSE 2002上提出了积分攻击的思想。积分攻击的原理是加密特定形式的选择明文,再对所得密文求和,通过积分值的不随机性将密码算法与随机置换区分开。积分攻击成功的关键是建立有效的积分区分器,近年来,提出了很多新的自动化算法搜索积分区分器,大大加快了积分区分器的搜索效率,提高了积分攻击的成功率。
本文对Simeck48和Simeck64在积分攻击下的安全性进行研究。首先,在文献[7]给出的Simeck48算法13轮积分区分器的基础上,标记区分器内部比特的状态,利用文献[12]提出的由内向外的扩展方法,向前解密2轮得到Simeck48算法15轮的高阶积分区分器,再根据Simeck算法Feistel的结构特点,在顶部加1轮得到16轮的积分区分器。然后利用该区分器,给出了24轮Simeck48算法的积分攻击。密钥恢复过程中利用等价子密钥技术和密钥扩展算法的性质减少了密钥猜测量,攻击过程结合中间相遇思想和部分和技术,降低了整个攻击算法的计算复杂度。攻击24轮Simeck48算法的时间复杂度为295,数据复杂度为246,存储复杂度为282.52。同样地,对于Simeck64算法,构造了20轮高阶积分区分器,部分解密9轮,猜测得到2104个105 bit等价子密钥,在此基础上穷举23 bit等价子密钥,实现密钥的恢复。攻击29轮Simeck64数据复杂度为263,时间复杂度为2127.3,存储复杂度为2109.02。
本文的结构安排如下:第2节简要介绍Simeck算法,给出密钥扩展算法的性质和安全性分析的结果;第3节给出Simeck48算法积分攻击的具体过程和复杂度计算;第4节给出Simeck64算法积分攻击的新结果;第5节总结全文。
2. Simeck算法
文中用到的符号说明如表1所示。
表 1 符号说明符号 说明 Simeck2n(4n) 分组为2n,密钥为4n的Simeck算法 Li 第i轮左半部分输入nbit Li(j) Li第j bit Ri 第i轮右半部分输入nbit Ri(j) Ri第j bit K 主密钥K=(K3,K2,K1,K0) rki 第i轮nbit的轮子密钥 ⊕ 异或运算 &,⊙ 与运算 <<<r, >>>r 循环左移、右移rbit 2.1 Simeck算法的轮函数
Simeck算法是文献[2]提出的轻量级分组密码,设计思想结合了SIMON和SPECK算法的优点。为了满足不同的应用需求,Simeck算法按照分组长度和密钥长度的不同分为3个版本Simeck2n(4n), n=16, 24, 32,每个版本的Simeck参数如表2所示。
表 2 Simeck算法的参数算法 分组长度 密钥长度 字长 轮数 Simeck 32 64 16 32 48 96 24 36 64 128 32 44 Simeck算法采用Feistel结构,其轮函数与SIMON算法类似,只有与运算,异或和循环移位操作,唯一的区别是循环移位常数不同。轮函数的迭代过程如图1所示,可以表示如式(1)
Ri+1=LiLi+1=f(Li)⊕Ri⊕rki} (1) 其中,
f(x)=(x⊙(x<<<5))⊕(x<<<1) 。2.2 Simeck算法的密钥扩展算法
Simeck2n(4n)的密钥扩展算法借鉴SPECK算法,密钥迭代算法使用线性反馈移位寄存器(LFSR)来产生轮子密钥,初始主密钥K包含4个nbit字
(K3, K2,K1,K0) ,作为LFSR的初始状态(t2,t1,t0,rk0) 。为了更新寄存器状态以生成轮子密钥,复用轮函数并使用轮常数ci 作为轮密钥。对于0≤i<T−1 ,状态更新过程如式(2)rki+1=tici=c⊕(zj)iti+3=rki⊕f(ti)⊕ci} (2) 其中,
c=2n−4 ,(zj)i 是序列zj 的第i bit。Simeck32(64)和Simeck48(96)使用同一个m-序列z0 , Simeck64(128)则使用另外一个m-序列z1 。对于Simeck2n(4n),通过研究Simeck密钥扩展算法的规律不难发现,开始4轮的密钥
rk0 ,rk1 ,rk2 ,rk3 分别等于K0 ,K1 ,K2 ,K3 , 且rki+4 只由rki ,rki+1 和ci 决定,与其它轮子密钥无关。基于上述发现,本文给出密钥扩展算法的性质。性质1 对于Simeck2n(4n)算法,当
0≤i≤ T−4 时,rki=rki+4⊕f(rki+1)⊕ci 。证明 当
i≥3 时,联立Simeck密钥扩展算法的式(2),可得rki+1=ti=rki−3⊕f(ti−3) ⊕ci−3 。此外,由式(2)可知,ti−3=rki−2 。因此,rki+1 可以由rki−3 ,rki−2 和ci−3 唯一表示rki+1=rki−3⊕f(rki−2)⊕ci−3 (3) 即对于任意的
0≤i≤T−4 ,都有rki+4=rki ⊕f(rki+1)⊕ci 。等式两边同时异或rki+4⊕rki ,成立rki=rki+4⊕f(rki+1)⊕ci (4) 证毕
更进一步,如果需要求解
rki 的某一特定比特,则有以下性质。性质2 对于Simeck2n(4n)算法,当
0≤i≤ T−4 ,0≤j<n 时,rki(j)=rki+4(j)⊕(rki+1(j) ⊙rki+1((j−5)modn))⊕rki+1((j−1)modn)⊕ci(j) 。根据Simeck密钥扩展算法的性质,可以利用轮数较高的轮子密钥来求解轮数较低的轮子密钥,进而减少攻击过程中密钥的猜测量。
2.3 Simeck算法的安全性分析
Simeck48和Simeck64算法的安全性分析主要集中在差分和线性攻击,不可能差分和零相关攻击,积分攻击等。表3,表4分别列出了对Simeck48, Simeck64主要攻击结果。
表 3 Simeck48的主要攻击结果算法 攻击方法 攻击轮数 数据复杂度 存储复杂度 时间复杂度 成功概率 参考文献 Simeck48(96) 差分攻击 20 O(246) – 275 1 文献[2] Simeck48(96) 差分攻击 26 O(247) – 262 1 文献[4] Simeck48(96) 差分攻击 28 O(246) – 268.3 0.468 文献[5] Simeck48(96) 线性攻击 19 O(245) – 294 1 文献[3] Simeck48(96) 不可能差分 24 O(248) O(274) 294.7 1 文献[2] Simeck48(96) 零相关攻击 24 O(248) O(265.06) 291.6 1 文献[6] Simeck48(96) 积分攻击 21 O(234) O(266) 295 1 文献[7] Simeck48(96) 积分攻击 24 O(246) O(282.52) 295 1 本文 表 4 Simeck64的主要攻击结果算法 攻击方法 攻击轮数 数据复杂度 存储复杂度 时间复杂度 成功概率 参考文献 Simeck64(128) 差分攻击 26 O(263) – 2121 1 文献[2] Simeck64(128) 差分攻击 33 O(263) O(263) 296 1 文献[4] Simeck64(128) 差分攻击 35 O(263) – 2116.3 0.555 文献[5] Simeck64(128) 线性攻击 27 O(261) – 2120.5 0.477 文献[3] Simeck64(128) 不可能差分 25 O(264) O(279) 2126.6 1 文献[2] Simeck64(128) 零相关攻击 28 O(264) O(297.67) 2123.06 1 文献[6] Simeck64(128) 积分攻击 24 O(235) O(290.46) 2127 1 文献[7] Simeck64(128) 积分攻击 29 O(263) O(2109.02) 2127.3 1 本文 3. 24轮Simeck48算法的积分攻击
3.1 Simeck48算法的积分区分器
对于Simeck48算法,文献[7]构造了13轮的积分区分器。具体形式为
(ACCC,ACCC,AACC,AAAC,A,A,ACCA,ACCA,AACA,A,A,A)→(U,U,U,U,U,U,∗B∗∗,U,U,U,U,U) 其中,
A 表示4个活动比特,A 表示1个活动比特,C 表示1 bit的固定值,U表示4 bit的任意值,∗ 表示1 bit的任意值,B表示1个平衡比特。区分器的输入有34个活动比特,区分器输出状态中右半部分第22个比特CR(22) 是平衡的。在该积分区分器的基础上,用“1”标记比特活跃,用“0”标记常数比特,得到向量(1000, 1000, 1100, 1110, 1111, 1111, 1001, 1001, 1101, 1111, 1111, 1111)刻画算法的积分状态,利用文献[12]提出高阶积分的扩展方法,向前解密2轮得到15轮的高阶积分区分器,区分器的输入形式为:
(ACAA,ACAA,A,A,A,A,A,A,A,A,A,A) ,有46个活动比特,区分器输出状态中右半部分第22个比特CR(22) 仍是平衡的。进一步,基于Feistel结构,令
(L1,R1)= (ACAA,ACAA,A,A,A,A,A,A,A,A,A,A) ,可以向前扩展1轮得到16的高阶积分区分器。区分器的输入(L0,R0)=(R1,f(R1)⊕L1) ,区分器输出状态中右半部分第22个比特CR(22) 是平衡比特。利用该区分器向后加8轮,可以攻击24轮的Simeck48算法。攻击过程中利用等价子密钥技术和密钥扩展算法的性质减少密钥猜测量,结合中间相遇思想和部分和技术,降低攻击的复杂度。3.2 降低复杂度的技术
(1) 等价子密钥技术
等价子密钥技术是由Isobe等人[13]在ASIACRYPT 2013首次提出,结合Simeck算法轮函数的具体运算,把第
i 轮的子密钥rki 移动到第i−1 轮,其中i=17,18,···,24 ,可以得到等效子密钥K′i 。如图2所示,以rk23 为例。图2(a)为Simeck算法本来的结构,为了等效移动
rk23 而不改变算法结构,rk23 需要异或到相应位置,如图2(b)所示。此外,rk23 可以进一步转移,与rk22 异或,如图2(c)所示。因此,rk23 等价于K′23 ,同样地,可以通过类似的处理进行移动,即rk22⊕(rk23<<<1) 等价于K′22 。以此类推,K′i 仅与rki 有关,并且这种关系是线性的。在攻击过程中,注意到K′16 在区分器内部,所以恢复密钥时不需要猜测。(2) 中间相遇策略
根据积分攻击的原理,对猜测的子密钥,如果
⊕R16(22)=0 ,那么猜测值是候选密钥。因此,进行部分解密的目标是找到使得⊕R16(22)=0 子密钥比特。根据Feistel结构特性式(5)成立⊕R16(22)=⊕((L16(22)⊙L16(17))⊕L16(21)⊕L17(22)) (5) 进一步
⊕R16(22)=⊕((L16(22)⊙L16(17))⊕L17(22)⊕R17(21)) (6) 因此,
⊕R16(22)=0 等价于⊕((L16(22)⊙L16(17))⊕L17(22)=⊕R17(21) (7) 这个过程如图3所示。
采用中间相遇策略,独立计算
⊕((L′16(22) ⊙L′16(17))⊕L′17(22)) ,将所有猜测的密钥和结果一起存储在表Tb1 中;独立计算⊕R′17(21) ,并将猜测的密钥和结果存储在另一个表Tb2 ,其中,L′i 和R′i 表示使用了等价子密钥技术后的中间状态。最后,通过检查这两个表之间的匹配得到正确的候选密钥,从而降低复杂度。在计算过程中,使用部分和技术来降低时间复杂度。(3) 部分和技术
部分和技术是Ferguson等人[14]在FSE 2000提出的,用以改进对Rijndael算法的攻击结果,随后,部分和技术广泛应用于分组密码的积分攻击[15,16]。下面具体给出利用部分和技术恢复Simeck48密钥的过程。
3.3 Simeck48算法的密钥恢复过程
攻击最终的目标是恢复Simeck48的96-bit密钥,需要独立计算
⊕((L′16(22)⊙L′16(17))⊕L′17(22)) 和⊕R′17(21) ,分别存储在表Tb1 和表Tb2 中。(1) 计算表
Tb1 的过程计算
⊕((L′16(22)⊙L′16(17))⊕L′17(22)) ,总共需要猜测79 bit 密钥,具体过程如图4所示。(a) 对于224个猜测密钥
K′23 和246个密文,设置241个1 bit计数器Re1 ,计算得到L′22(1,2,5∼7,9∼ 22)||R′22(0∼2,4∼22) 的值,给相应的计数器的值增加1,保留计数器的值为奇数的那些值。这一步的时间复杂度为246×224×1/24+246×224×22/ (24×24)≈266.42 。(b) 对于222个猜测密钥
K′22(0∼2,4∼22) 和保留下来的Re1 的位置,设置233个1 bit计数器Re2 ,计算得到L′21(2,6,7,10∼12,14∼17,19∼22)||R′21 (1,2,5∼7,9∼22) 的值,保留计数器的值为奇数的那些值。这一步的时间复杂度为246×241×19/(24× 24)≈282.08 。(c) 对于210个猜测密钥
K′21(1,2,6,7,11,12,16, 17,21,22) 和保留下来的Re2 的位置,设置230个1 bit计数器Re3 ,计算L′20(5,7,9∼22)||R′20(2,6, 7,11,12,16,17,21,22)||L′21(10,14,15,19,20) 的值,保留计数器的值为奇数的那些值。这一步的时间复杂度为256×233×9/(24×24)≈283.00 。(d) 对于27个猜测密钥
K′21(5,9,10,14,15,19, 20) 和保留下来的Re3 的位置,设置223个1 bit计数器Re4 ,计算得到L′20(7,11,12,15∼17,20∼22)|| R′20(2,6,7,10∼12,14∼17,19∼22) 的值,保留计数器的值为奇数的那些值。这一步的时间复杂度为263×230×5/(24×24)≈286.15 。(e) 对于27个猜测密钥
K′20(6,10,11,15,16,20, 21) 和保留下来的Re4 的位置,设置218个1 bit计数器Re5 ,计算得到L′19(2,6,7,11,12,16,17,21,22)|| R′19(11,15,16,20,21)||R′20(7,12,17,22) 的值,保留计数器的值为奇数的那些值。这一步的时间复杂度为270×223×5/(24×24)≈286.15 。(f) 对于25个猜测密钥
K′20(2,7,12,17,22) 和保留下来的Re5 的位置,设置214个1 bit计数器Re6 ,计算得到L′19(12,16,17,21,22)||R′19(7,11,12,15∼ 17,20∼22) 的值,保留计数器的值为奇数的那些值。这一步的时间复杂度为275×218×4/(24 ×24)≈285.83 。(g) 对于27个密钥
K′19(7,11,12,16,17,21,22) 和保留下来的Re6 的位置,由密钥扩展算法的性质1和性质2可知,因为K′19=rk19⊕(rk20<<<1) ,rk19=rk23⊕f(rk20)⊕c19 ,又根据等价子密钥与原始子密钥的线性关系,rk23 和rk20 可以由已经猜测的密钥比特直接算出,所以K′19(7,11,12,16,17, 21,22) 不需要猜测。而且计算过程与中间状态无关,所以相较于解密过程,计算复杂度忽略不计。设置27个1 bit计数器Re7 ,计算得到L′18(17,22)|| R′18(12,16,17,21,22) 的值,给相应的计数器的值增加1,保留计数器的值为奇数的那些值。这一步的时间复杂度为275×214×5/(24×24)≈282.15 。(h) 对于23个密钥
K′18(12,17,22) 和保留下来的Re7 的位置,与第(g)步类似,根据密钥扩展算法的性质和等价子密钥与原始子密钥的关系,可知计算K′18(12,17,22) 的复杂度忽略不计。设置23个1 bit计数器Re8 ,计算得到L′17(22)||R′17(17,22) 的值,保留计数器的值为奇数的那些值。这一步的时间复杂度为275×27×2/(24×24)≈273.83 。(i) 对于密钥
K′17(17,22) 以及保留下来的Re8 的位置,猜测4-bitK′20(14,19) 和K′21(13,18) ,计算出K′17(17,22) 这2-bit 的密钥值,计算复杂度约为3轮Simeck48加密运算。计算得到((L′16 (22)⊕K′17(22))⊙(L′16(17)⊕K′17(17)))⊕L′17(22) 的值,和猜测的密钥比特一起存储在表Tb1 。这一步的时间复杂度为279×23×1/(24×24)+279×3× 2/(24×24)≈273.64 。(2) 计算表
Tb2 的过程计算
⊕R′17(21) ,总共需要猜测65 bit密钥,具体过程下所示。(a) 对于222个猜测密钥
K′23(0,1,3∼21,23) 和246个密文,设置233个1 bit计数器Re1 ,计算得到L′22(1,5,6,9∼11,13∼21)||R′22(0,1,4∼6,8∼21) 的值,给相应的计数器加1,保留计数器的值为奇数的值。这一步时间复杂度为246×222×22/(24× 24)+246×222×19/(24×24)≈263.29 。(b) 对于219个猜测密钥
K′22(0,1,4∼6,8∼ 21) 和保留下来的Re1 的位置,设置225个1 bit计数器Re2 ,计算得到L′21(6,10,11,14∼16,18∼21)|| R′21(1,5,6,9∼11,13∼21) 的值,给相应计数器的值增加1,保留计数器的值为奇数的值。这一步时间复杂度为241×233×15/(24×24)≈268.74 。(c) 对于215个
K′21(1,5,6,9∼11,13∼21) 和保留下来的Re2 位置,设置216个1 bit计数器Re3 ,计算L′20(11,15,16,19∼21)||R′20(6,10,11,14∼16,18∼ 21) 的值,保留计数器的值为奇数的值。时间复杂度为256×225×10/(24×24)≈275.15 。(d) 对于29个猜测密钥
K′20(6,10,11,14∼16, 19∼21) 和保留下来的Re3 的位置,设置29个1 bit计数器Re4 ,计算得到L′19(10,16,21)||R′19(11,15,16, 19∼21) 的值,给相应的计数器的值增加1,保留计数器的值为奇数的那些值。这一步的时间复杂度为265×216×6/(24×24)≈274.42 。(e) 对于25个密钥
K′19(11,15,16,20,21) 和保留下来的Re4 的位置,因为K′19=rk19⊕(rk20<<<1) ,由性质1可知rk19=rk23⊕f(rk20)⊕c19 ,又根据等价子密钥与原始子密钥的关系,rk23 和rk20 可以由已经猜测的密钥比特直接算出,所以K′19(11,15,16,20, 21)不需要猜测。计算过程与中间状态无关,所以相较于解密过程,计算复杂度可以忽略不计。设置24个1 bit计数器Re5 ,计算得到L′18(21)||R′18(10, 16,21)的值,给相应的计数器的值增加1,保留计数器的值为奇数的那些值。这一步的时间复杂度为265×29×3/(24×24)≈266.42 。(f) 对于密钥
K′18(16,21) 和保留下来的Re5 的位置,密钥K′18(16,21) 可以由已经猜测的密钥比特唯一解出,计算复杂度约为加密2轮Simeck48运算。计算得到⊕R′17(21) 的值,和猜测的密钥一起存储在表Tb2 中。时间复杂度为265×24×1/(24×24)+ 265×(2×2)/(24×24)≈260.15 。因为只考虑1个平衡比特,所以总的密钥候选空间从
265+14+0=279 减少到278。再加上剩余的K′20(0,1,3,4,5,7,8,13,18,23) ,K′21(0,3,4,8,23) 和K′22(1,23) 这17 bit的密钥,仍然有295个候选密钥。针对这295个候选密钥检测明密文是否匹配,进一步根据等价子密钥和轮子密钥的关系和密钥扩展算法,可以由轮子密钥解出正确的主密钥。24轮Simeck48算法的积分攻击的过程可以概括如下:
步骤 1 构造一个包含246个明文的集合,该集合中的明文满足以下性质:加密1轮后的输出形式为
(ACAA,ACAA,A,A,A,A,A,A,A,A,A,A) 。进一步,加密明文获得相应密文;步骤 2 猜测子密钥
K′i(17≤i≤23) 的部分比特,并且部分解密246个密文8轮来计算⊕((L′16(22) ⊙L′16(17))⊕L′17(22)) ,计算结果和79 bit猜测密钥一起存储在表Tb1 中;步骤 3 猜测
K′i(18≤i≤23) 的部分比特,并且部分解密246个密文7轮来计算⊕R′17(21) ,计算结果和65 bit猜测密钥一起存储在表Tb2 中;步骤 4 对每个候选的子密钥,猜测
K′i(20≤ i≤23) 剩余的17 bit密钥,根据性质1计算得到主密钥,利用两组明密文对检查密钥的正确性,筛选得到正确的主密钥。3.4 复杂度计算
24轮Simeck48积分攻击的数据复杂度为246个选择明文。
构造
Tb1 和Tb2 的时间复杂度分别为287.75 和275.83 ,所以攻击过程中步骤2和步骤3总的时间复杂度为287.75+275.83≈287.75 次24轮Simeck48加密,而步骤4的时间复杂度为295次24轮Simeck48加密。所以,总的攻击时间复杂度约为295次24轮Simeck48加密。存储的内容包括
Tb1 和Tb2 。对于Tb1 ,存储复杂度为282.52 Byte。对于Tb2 ,存储复杂度为268.19 Byte。所以,总的存储复杂度约为282.52 Byte。4. 29轮Simeck64算法的积分攻击
文献[7]中给出Simeck64算法15轮积分区分器,区分器的输入形式为:
(ACCC,CCCC,CCCC, ACCC,AACC,AAAC,A,A,ACCC,CCCA,CCCA, ACCA,AACA,A,A,A) ,区分器输出状态中右半部分第28个比特CR(28) 是平衡的。在该积分区分器基础上,向前做高阶积分扩展,得到19轮的积分区分器(AAAC,A,A,A,A,A,A,A,A,A,A,A,A,A, A,A) ,进一步,基于算法 Feistel结构,可以向前扩展1轮得到20轮的高阶积分区分器。利用该区分器,攻击29轮的Simeck64算法。攻击过程与3.3节类似。在部分解密9轮Simeck64算法恢复密钥的计算过程中,使用部分和技术和密钥扩展算法的性质来降低时间复杂度。猜测得到2104个105 bit等价子密钥,在此基础上穷举23 bit等价子密钥,从而实现全密钥的恢复。29轮Simeck64积分攻击的数据复杂度为263,时间复杂度为2127.3次,存储复杂度为2109.02。
5. 结束语
本文给出了轻量级分组密码算法Simeck积分攻击的新结果。在已有积分区分器的基础上,通过向前做高阶积分扩展,分别得到16轮Simeck48和20轮Simeck64算法的积分区分器。利用等价子密钥技术、中间相遇策略,结合部分和技术和密钥扩展算法的性质,实现了24轮Simeck48和29轮Simeck64的积分攻击。与已有积分攻击的结果相比,本文明显提高了Simeck48和Simeck64算法积分攻击的轮数,分别提高了3轮和5轮。下一步如何利用减少复杂度的技术推广积分攻击算法的应用范围,将是值得研究的工作。
-
表 1 Flower图像不同融合算法性能评价指标比较
Flower IE EI FMI PSI PCA 7.7027 34.8908 0.6903 0.1806 WT 7.7178 39.4788 0.6343 0.1973 Laplace 7.6965 39.3516 0.7317 0.1867 BF 7.6929 39.0181 0.7521 0.1873 GFF 7.7081 38.6164 0.7333 0.1860 G-GRW 7.7047 38.8265 0.7435 0.1851 DSIFT 7.7054 39.4555 0.7494 0.1921 本文 7.7099 40.3353 0.6482 0.2330 表 2 Cup图像不同融合算法性能评价指标比较
Cup IE EI FMI PSI PCA 7.6366 39.7368 0.6145 0.1991 WT 7.6453 47.2613 0.5609 0.2768 Laplace 7.6172 46.1445 0.6891 0.2473 BF 7.6191 45.9757 0.6976 0.2478 GFF 7.6365 45.6423 0.6916 0.2400 G-GRW 7.6366 45.7279 0.6976 0.2467 DSIFT 7.6366 45.8104 0.6984 0.2474 本文 7.6366 47.2942 0.6392 0.2857 表 3 Runner图像不同融合算法性能评价指标比较
Runner IE EI FMI PSI PCA 7.4581 67.7672 0.7363 0.2844 WT 7.4673 76.1906 0.7286 0.3307 Laplace 7.4664 75.9168 0.7774 0.3260 BF 7.4606 74.4269 0.7834 0.3291 GFF 7.4653 74.4718 0.7835 0.3157 G-GRW 7.4654 74.4898 0.8285 0.3191 DSIFT 7.4664 74.9858 0.8293 0.3247 本文 7.4723 77.5482 0.7610 0.3497 -
LIU Yu, CHEN Xun, PENG Hu, et al. Multi-focus image fusion with a deep convolutional neural network[J]. Information Fusion, 2017, 36: 191–207. doi: 10.1016/j.inffus.2016.12.001 WU Gaochang, MASIA B, JARABO A, et al. Light field image processing: An overview[J]. IEEE Journal of Selected Topics in Signal Processing, 2017, 11(7): 926–954. doi: 10.1109/JSTSP.2017.2747126 GOSHTASBY A A and NIKOLOV S. Image fusion: Advances in the state of the art[J]. Information Fusion, 2007, 8(2): 114–118. doi: 10.1016/j.inffus.2006.04.001 刘帆, 裴晓鹏, 张静, 等. 基于优化字典学习的遥感图像融合方法[J]. 电子与信息学报, 2018, 40(12): 2804–2811. doi: 10.11999/JEIT180263LIU Fan, PEI Xiaopeng, ZHANG Jing, et al. Remote sensing image fusion based on optimized dictionary learning[J]. Journal of Electronics &Information Technology, 2018, 40(12): 2804–2811. doi: 10.11999/JEIT180263 谢颖贤, 武迎春, 王玉梅, 等. 基于小波域清晰度评价的光场全聚焦图像融合[J]. 北京航空航天大学学报, 2019, 45(9): 1848–1854. doi: 10.13700/j.bh.1001-5965.2018.0739XIE Yingxian, WU Yingchun, WANG Yumei, et al. Light field all-in-focus image fusion based on wavelet domain sharpness evaluation[J]. Journal of Beijing University of Aeronautics and Astronautics, 2019, 45(9): 1848–1854. doi: 10.13700/j.bh.1001-5965.2018.0739 肖斌, 唐翰, 徐韵秋, 等. 基于Hess矩阵的多聚焦图像融合方法[J]. 电子与信息学报, 2018, 40(2): 255–263. doi: 10.11999/JEIT170497XIAO Bin, TANG Han, XU Yunqiu, et al. Multi-focus image fusion based on Hess matrix[J]. Journal of Electronics &Information Technology, 2018, 40(2): 255–263. doi: 10.11999/JEIT170497 ZHANG Yu, BAI Xiangzhi, and WANG Tao. Boundary finding based multi-focus image fusion through multi-scale morphological focus-measure[J]. Information Fusion, 2017, 35: 81–101. doi: 10.1016/j.inffus.2016.09.006 SUN Jianguo, HAN Qilong, KOU Liang, et al. Multi-focus image fusion algorithm based on Laplacian pyramids[J]. Journal of the Optical Society of America A, 2018, 35(3): 480–490. doi: 10.1364/JOSAA.35.000480 WAN Tao, ZHU Chenchen, and QIN Zengchang. Multifocus image fusion based on robust principal component analysis[J]. Pattern Recognition Letters, 2013, 34(9): 1001–1008. doi: 10.1016/j.patrec.2013.03.003 LIU Yu, LIU Shuping, and WANG Zengfu. Multi-focus image fusion with dense SIFT[J]. Information Fusion, 2015, 23: 139–155. doi: 10.1016/j.inffus.2014.05.004 LI Shutao, KANG Xudong, and HU Jianwen. Image fusion with guided filtering[J]. IEEE Transactions on Image Processing, 2013, 22(7): 2864–2875. doi: 10.1109/TIP.2013.2244222 MA Jinlei, ZHOU Zhiqiang, WANG Bo, et al. Multi-focus image fusion based on multi-scale focus measures and generalized random walk[C]. The 36th Chinese Control Conference, Dalian, China, 2017: 5464–5468. doi: 10.23919/ChiCC.2017.8028223. NG R, LEVOY M, BREDIF M, et al. Light field photography with a hand-held plenoptic camera[R]. Stanford Tech Report CTSR 2005-02, 2005. SOTAK JR G E and BOYER K L. The laplacian-of-gaussian kernel: A formal analysis and design procedure for fast, accurate convolution and full-frame output[J]. Computer Vision, Graphics, and Image Processing, 1989, 48(2): 147–189. doi: 10.1016/s0734-189x(89)80036-2 HE Kaiming, SUN Jian, and TANG Xiaoou. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397–1409. doi: 10.1109/TPAMI.2012.213 YOON Y, JEON H G, YOO D, et al. Light-field image super-resolution using convolutional neural network[J]. IEEE Signal Processing Letters, 2017, 24(6): 848–852. doi: 10.1109/LSP.2017.2669333 SCHMIDT M, LE ROUX N, and BACH F. Minimizing finite sums with the stochastic average gradient[J]. Mathematical Programming, 2017, 162(1/2): 83–112. doi: 10.1007/s10107-016-1030-6 LIU Zheng, BLASCH E, XUE Zhiyun, et al. Objective assessment of multiresolution image fusion algorithms for context enhancement in night vision: A comparative study[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(1): 94–109. doi: 10.1109/tpami.2011.109 JUNEJA M and SANDHU P S. Performance evaluation of edge detection techniques for images in spatial domain[J]. International Journal of Computer Theory and Engineering, 2009, 1(5): 614–621. doi: 10.7763/IJCTE.2009.V1.100 HAGHIGHAT M and RAZIAN M A. Fast-FMI: Non-reference image fusion metric[C]. The 8th IEEE International Conference on Application of Information and Communication Technologies, Astana, Kazakhstan, 2014: 1–3. doi: 10.1109/ICAICT.2014.7036000. FEICHTENHOFER C, FASSOLD H, and SCHALLAUER P. A perceptual image sharpness metric based on local edge gradient analysis[J]. IEEE Signal Processing Letters, 2013, 20(4): 379–382. doi: 10.1109/LSP.2013.2248711 期刊类型引用(11)
1. 牟晓霜,黎淼,王玺,梁文凯,王峰,理玉龙,关赞洋,余泊汕,张磊,高翊喆,张佳杰. 基于分块平滑投影二次重构算法的单像素成像系统. 强激光与粒子束. 2022(11): 157-164 . 百度学术
2. 万艳,石锦峰,农旭安. 基于ZED相机的无人机三维重建系统. 中国新通信. 2019(14): 155-157 . 百度学术
3. 苗英杰,崔琛,易仁杰. 基于BFGS拟牛顿法的观测矩阵优化算法. 电子信息对抗技术. 2019(06): 32-37+55 . 百度学术
4. 王烈,罗文,秦伟萌. 分段弱选择自适应正交匹配追踪算法. 计算机工程与设计. 2018(12): 3767-3773 . 百度学术
5. 周四望,刘龙康. 基于小波变换的图像零树压缩感知方法. 湖南大学学报(自然科学版). 2017(02): 129-136 . 百度学术
6. 胡强,林云. 基于观测矩阵优化的自适应压缩感知算法. 计算机应用. 2017(12): 3381-3385 . 百度学术
7. 边胜琴,徐正光,张利欣. 依据列相关性优化高斯测量矩阵. 计算机测量与控制. 2017(11): 141-145 . 百度学术
8. 麻曰亮,裴立业,江桦. 改进的压缩感知测量矩阵优化方法. 信号处理. 2017(02): 192-197 . 百度学术
9. 王占刚,王大鸣,巴斌. 适用于压缩感知估计角度的测量矩阵研究. 信号处理. 2017(07): 970-977 . 百度学术
10. 金广智,石林锁,崔智高,刘浩,牟伟杰. 结合GLCM与三阶张量建模的在线目标跟踪. 电子与信息学报. 2016(07): 1609-1615 . 本站查看
11. 王怀光,张培林,吴定海,范红波. 基于提升小波的机械振动信号自适应压缩感知. 中南大学学报(自然科学版). 2016(03): 771-776 . 百度学术
其他类型引用(20)
-