计算机基础项目实战2

计算机视觉项目开发实战

(微课版)项目二图像加密解密—ROI操作与运算思维导图学习目标概览能够使用OpenCV实现图像的基本操作知识目标学习目标素养目标技能目标培养信息安全意识培养严谨的科学态度培养工程伦理素养能够进行图像运算能够设计并实现图像加密解密方案熟练掌握图像加法运算、减法运算、加权加法运算以及按位逻辑运算掌握读取、显示、保存图像，图像通道处理，指定ROI以及色彩空间的选择等图像基本操作理解掩模在图像操作中的基本原理理解图像加密解密原理目录项目导入知识准备项目拓展项目实施项目巩固2.1图像的基本操作2.2图像运算2.3图像加密解密原理PART01项目导入项目导入图像作为信息的重要载体，其安全性与隐私保护是关乎国家安全、商业利益和个人权益的核心议题。图像区域加密与解密的核心在于对图像关键信息进行精准、可控的保护。掩模如同数字卫士的“盾牌”，精确划定需要守护的“疆域”；按位逻辑运算则如同巧妙的“密钥”，在二进制层面实现信息的安全变换与复原。精准定位保护对象，体现深刻的全局观与辩证思维PART02知识准备知识准备—图像的基本操作2.1.1读取、显示、保存图像读取图像OpenCV提供了cv2.imread()函数来读取图像到内存，该函数支持多种静态图像格式，如JPEG、PNG、TIFF、BMP和WebP等。cv2.imread()函数设计用于读取单帧图像文件，不能直接读取视频文件（如.mp4、.avi）或动态GIF文件。其语法格式如下：其中各参数含义如下。retval：cv2.imread()函数的返回值，是读取到的图像。filename：要读取的图像文件名，支持相对路径和绝对路径。flags：读取图像格式的标记。该标记用于指定如何读取和解码图像，控制着色彩空间转换、深度（位数）和是否读取Alpha通道等。retval=cv2.imread(filename[,flags])知识准备—图像的基本操作2.1.1读取、显示、保存图像读取图像常用标记如表2-1所示。知识准备—图像的基本操作2.1.1读取、显示、保存图像读取图像—案例【例2-1】使用cv2.imread()函数读取一幅图像，并将图像转换为单通道灰度图像。根据题目要求，编写代码如下：知识准备—图像的基本操作2.1.1读取、显示、保存图像读取图像—案例运行上述代码，输出结果如下：【例2-1】使用cv2.imread()函数读取一幅图像，并将图像转换为单通道灰度图像。知识准备—图像的基本操作2.1.1读取、显示、保存图像显示图像cv2.imshow()函数用来显示图像。其语法格式如下：其中各参数含义如下：winname：窗口的名称。mat：要显示的图像。None=cv2.imshow(winname,mat)知识准备—图像的基本操作2.1.1读取、显示、保存图像显示图像—案例【例2-2】使用cv2.imshow()函数在窗口中显示读取的图像。根据题目要求，编写代码如下：知识准备—图像的基本操作2.1.1读取、显示、保存图像显示图像—案例【例2-2】使用cv2.imshow()函数在窗口中显示读取的图像。运行上述代码，结果如图2-1所示。图2-1例2-2代码运行结果知识准备—图像的基本操作2.1.1读取、显示、保存图像保存图像cv2.imwrite()函数用于将图像保存到指定文件，并指定文件扩展名以定义图像格式。其语法格式如下：其中各参数含义如下。filename：需要保存图像的文件名，包含文件扩展名。img：被保存的图像。params：不同编码格式的参数，可选项。retval=cv2.imwrite(filename,img[,params])知识准备—图像的基本操作2.1.1读取、显示、保存图像保存图像—案例【例2-3】将读取的图像保存到当前目录下。根据题目要求，编写代码如下：知识准备—图像的基本操作2.1.2图像通道处理cv2.split()函数用于将多通道图像的各个通道拆分为独立的单通道图像。这种拆分允许开发者对单个通道进行独立处理，以满足特定算法需求或深入分析色彩分布。典型应用包括如下方面。特定通道的色彩增强或调整（如单独增强红色通道的色彩）。在特定通道上进行阈值分割或特征提取（如通过分析蓝色通道的特征检测水体）。进行色彩空间转换（如将BGR图像转换为HSV图像后，单独处理色相、饱和度和亮度通道）。知识准备—图像的基本操作2.1.2图像通道处理通道合并是拆分的逆过程。cv2.merge()函数用于将多个单通道图像重新组合成一个多通道图像。最常见的应用是将3个单通道灰度图像（分别代表B、G、R分量）重建为彩色图像。此外，它还用于以下方面。伪彩色处理：将非可见光数据或其他单通道信息映射到RGB通道进行可视化。透明度叠加：合并RGB通道与Alpha（透明度）通道。多光谱合成：融合来自不同波段（通道）的信息。通道混合与风格化：创造性地组合不同来源或处理后的通道以实现特定视觉效果。知识准备—图像的基本操作2.1.2图像通道处理—案例【例2-4】使用cv2.split()函数拆分图像通道，然后使用cv2.merge()函数重新组合图像通道。根据题目要求，编写代码如下：知识准备—图像的基本操作2.1.2图像通道处理—案例【例2-4】使用cv2.split()函数拆分图像通道，然后使用cv2.merge()函数重新组合图像通道。运行上述代码，结果如图2-2所示。图2-2例2-4代码运行结果知识准备—图像的基本操作2.1.3指定ROI感兴趣区域（RegionOfInterest，ROI）是在被处理图像中以矩形、圆形、椭圆、不规则多边形等形式勾画出的需要处理的区域。ROI可以通过各种算子（Operator）和函数指定，并进行下一步处理，广泛应用于目标检测、图像分割以及物体跟踪等任务。在OpenCV中指定ROI主要有两种方式：代码静态指定（固定坐标）和交互式动态指定（鼠标选择）。知识准备—图像的基本操作roi_rect=image[y:y+h,x:x+w]代码静态指定ROI的表达式如下：【例2-5】使用代码静态指定的方式指定图像的ROI。根据题目要求，编写代码如下：2.1.3指定ROI—案例知识准备—图像的基本操作【例2-5】使用代码静态指定的方式指定图像的ROI。运行上述代码，结果如图2-3所示。图2-3例2-5代码运行结果2.1.3指定ROI—案例知识准备—图像的基本操作roi_info=cv2.selectROI("SelectROIandpressEnter",image)交互式指定ROI的表达式如下：

【例2-6】使用交互式动态指定的方式指定图像的ROI。

根据题目要求，编写代码如下：2.1.3指定ROI—案例知识准备—图像的基本操作【例2-6】使用交互式动态指定的方式指定图像的ROI。运行上述代码，结果如图2-4所示。图2-4例2-6代码运行结果2.1.3指定ROI—案例知识准备—图像的基本操作【例2-7】将指定的ROI图像覆盖到源图像的某区域。根据题目要求，编写代码如下：2.1.3指定ROI—案例知识准备—图像的基本操作【例2-7】将指定的ROI图像覆盖到源图像的某区域。运行上述代码，结果如图2-5所示。图2-5例2-7代码运行结果2.1.3指定ROI—案例知识准备—图像的基本操作2.1.4色彩空间的选择RGB色彩空间RGB色彩空间通过红（Red）、绿（Green）、蓝（Blue）3种基本颜色的线性组合来模拟人眼感知的丰富色彩。红、绿、蓝三色光以不同强度叠加即可产生其他颜色。每个像素的RGB值通常由3个8位无符号整数（范围0~255）表示，共同构成24位（3通道×8位/通道）真彩色图像，因此RGB色彩空间可以表示2563=16777216种颜色。RGB色彩空间的一个显著特点是其3个通道高度相关。亮度变化会同时影响所有通道的值，例如，光照增强时，RGB值普遍上升。这种相关性使得RGB图像对光线变化较为敏感，可能导致算法（如目标检测）出现误检等问题。同样，阴影或过曝区域也会显著改变RGB值。因此，在需要鲁棒性处理的场景中，常需结合其他色彩空间（如HSV色彩空间）进行分析。知识准备—图像的基本操作GRAY色彩空间GRAY色彩空间也称灰度空间，是一种单通道图像表示模型，每个像素的取值对应从纯黑到纯白的灰度级别。该空间通常采用8位无符号整数（0～255）表示256级灰度：0代表纯黑，255代表纯白，中间值表征不同亮度的灰色（值越大越接近白色）。权重系数基于人眼视觉特性设置：对绿光最敏感（权重最高），红光次之，蓝光最低。其核心设计模拟了人眼对光强的非线性感知特性。标准转换公式通过加权融合RGB通道实现：Gray=0.299×R+0.587×G+0.114×BGRAY色彩空间的优势在于剥离颜色信息，专注亮度维度，降低环境色光干扰；单通道数据量仅为RGB的1/3，显著提升处理速度；对光照变化适应性更强（如阴影/过曝场景）。2.1.4色彩空间的选择知识准备—图像的基本操作YCrCb色彩空间YCrCb是一种将亮度（Luminance）与色度（Chrominance）分离的色彩空间，由3个分量构成：Y通道：亮度分量，即灰度分量，表示像素的明亮程度，和图像的光强有关。Cr通道：红色色度（

RedChrominance）分量，表示红色与基准色的色差，用来调节红色分量。Cb通道：蓝色色度（

BlueChrominance）分量，表示蓝色与基准色的色差，用来调节蓝色分量。2.1.4色彩空间的选择知识准备—图像的基本操作YCrCb色彩空间在YCrCb颜色空间中，图像的色彩信息（Cr和Cb）和亮度信息（Y）是分离的，因此Y通道与色彩无关，可以单独用于亮度调整或直方图均衡，而不会影响颜色。通过转换公式实现亮度与色彩的物理解耦，其转换公式基于RGB的加权计算： Y=0.299R+0.587G+0.114B Cr=(R−Y)×0.713+128 Cb=(B−Y)×0.564+128其中，Y通道独立承载光照信息，支持无损亮度增强（如直方图均衡），而Cr/Cb通道专司色彩调控。2.1.4色彩空间的选择知识准备—图像的基本操作HSV色彩空间HSV色彩空间是一种基于人类视觉感知的色彩模型，它将颜色解耦为3个独立分量：H（Hue，色相，0°~360°）：表示颜色的基本类型（例如，0°时为红色、120°时为绿色、240°时为蓝色）。S（Saturation，饱和度，0%~100%）：表示颜色的纯度（0%时为灰度，100%为纯色）。V（Value，亮度，0%~100%）：表示颜色明亮程度（0%为全黑，100%为最亮）。相较于RGB色彩空间，HSV色彩空间的表示方式更贴合人类对颜色的直观感知，特别适用于颜色分析与处理任务。2.1.4色彩空间的选择知识准备—图像的基本操作色彩空间转换OpenCV提供cv2.cvtColor()函数用于实现不同色彩空间之间的转换。其语法格式如下：其中各参数含义如下。dst：转换后输出的图像，与原始输入图像的数据类型和深度相同。src：输入的原始图像。code：色彩空间转换码。dstCn：目标图像中的通道数量。dst=cv2.cvtColor(src,code[,dst[,dstCn]])2.1.4色彩空间的选择知识准备—图像的基本操作色彩空间转换常用的色彩空间转换码如表2-2所示。2.1.4色彩空间的选择知识准备—图像的基本操作根据题目要求，编写代码如下：色彩空间转换—案例

【例2-8】将BGR图像转换为RGB图像，再将RGB图像转换为GRAY图像。2.1.4色彩空间的选择知识准备—图像的基本操作运行上述代码，结果如图2-6所示。图2-6例2-8代码运行结果色彩空间转换—案例

【例2-8】将BGR图像转换为RGB图像，再将RGB图像转换为GRAY图像。2.1.4色彩空间的选择知识准备—图像的基本操作2.1.5掩模掩模（Mask）是计算机视觉中一个核心概念，指使用特定的图像、图形或模板作用于待处理图像（整体或局部），以精确控制图像处理的区域或流程。这个用于定义作用区域或流程的特定图像、图形或模板称为掩模。指定ROI区域屏蔽结构特征匹配与提取生成特殊形状区域在光学图像处理领域，掩模可以是胶片、滤光片等物理介质。而在数字图像处理中，掩模则表现为一个二维矩阵数组（通常为二值图像，有时也使用多值图像）。其核心作用体现在以下方面。知识准备—图像的基本操作2.1.5掩模将源图像与掩模进行逐像素运算。对于源图像中的任意一个像素：若掩模中对应位置的像素值为255（代表白色，即“保留区”），则结果图像中该位置的像素保持原始值；若掩模中对应位置的像素值为0（代表黑色，即“屏蔽区”），则结果图像中该位置的像素值被设置为0（或其他指定的背景值，如黑色）。通过此运算，即可精确提取源图像中与掩模定义的“保留区”相对应的部分，同时有效屏蔽“屏蔽区”。掩模的核心操作是逐像素的逻辑运算（最常用的是乘法运算或等效的按位与运算）。具体过程如下。知识准备—图像的基本操作2.1.5掩模白色区域（值为255）标记为需要保留的ROI。黑色区域（值为0）标记为需要去除或屏蔽的区域。假设有一幅源图像和一幅二值图像。二值图像中：将两幅图像进行逐像素乘法运算后：源图像中对应掩模白色区域的像素将完全保留其原始信息（RGB值不变）。源图像中对应掩模黑色区域的像素将被置为黑色（RGB值为0、0、0）。这种掩模操作在计算机视觉中应用极其广泛，包括但不限于图像分割、目标提取、图像滤波、局部增强、背景替换和图像合成等。知识准备—图像的基本操作2.1.5掩模—案例【例2-9】将源图像和掩模相乘，得到掩模所指定的图像区域。根据题目要求，编写代码如下：知识准备—图像的基本操作2.1.5掩模—案例运行上述代码，结果如图2-7所示。图2-7例2-9代码运行结果【例2-9】将源图像和掩模相乘，得到掩模所指定的图像区域。知识准备—图像运算2.2.1加法运算在图像处理中，加法运算常用于图像融合、多帧降噪和亮度增强等场景。Python提供了两种实现方式：直接使用NumPy的“+”运算符和OpenCV中的cv2.add()函数，二者在底层处理机制上存在本质差异。当使用NumPy的“+”运算符对两幅图像进行加法操作时，实际上是调用NumPy数组进行逐元素相加操作。若图像为uint8类型（像素值范围为0～255），相加结果超过255时会发生模运算溢出问题。溢出会导致像素值异常降低，产生伪影或亮度失真。知识准备—图像运算2.2.1加法运算

OpenCV的cv2.add()函数通过饱和处理机制避免溢出问题。若相加结果超过255，则强制将其设为255；若低于0，则将其设为0。该函数适用于图像融合、亮度叠加等需保持物理意义的场景。cv2.add()函数的语法格式如下：其中各参数含义如下。src1：图像矩阵1。src2：图像矩阵2。dst：输出图像矩阵，其大小和通道数与输入图像矩阵相同。mask：操作掩模，用于指定输出图像矩阵中要更改的元素，可选项。dtype：输出图像矩阵深度，可选项。dst=cv2.add(src1,src2[,dst[,mask[,dtype]]])知识准备—图像运算2.2.1加法运算—案例【例2-10】分别使用“+”运算符和cv2.add()函数执行图像加法运算。根据题目要求，编写代码如下：知识准备—图像运算运行上述代码，结果如图2-8所示。图2-8例2-10代码运行结果2.2.1加法运算—案例【例2-10】分别使用“+”运算符和cv2.add()函数执行图像加法运算。知识准备—图像运算2.2.2减法运算减法运算是计算机视觉中提取差异信息的基础操作，广泛应用于运动目标检测、背景去除和图像增强等场景。Python提供了两种实现方式：NumPy的“-”运算符和OpenCV的cv2.subtract()函数，二者在运算机制与结果处理上存在本质区别。使用NumPy的“-”运算符对两幅图像进行减法操作时，实际上是调用NumPy数组进行逐元素相减操作。若相减结果小于0，导致数值超出uint8类型像素值范围，会直接保留负值。负值在后续显示或保存时会被强制转换为0（因uint8类型无法表示负数），造成信息丢失。知识准备—图像运算2.2.2减法运算OpenCV的cv2.subtract()函数通过饱和处理避免负值问题。若结果小于0，则将其强制设为0；若超过255，则设为255。确保输出值始终位于[0,255]有效区间。该函数适用于运动目标检测、背景建模、图像对比度调整等场景。cv2.subtract()函数的语法格式如下：其中各参数含义如下。src1：图像矩阵1。src2：图像矩阵2。dst：输出图像矩阵，其大小和通道数与输入图像矩阵相同。mask：操作掩模，用于指定输出图像矩阵中要更改的元素，可选项。dtype：输出图像矩阵深度，可选项。dst=cv2.subtract(src1,src2[,dst[,mask[,dtype]]])知识准备—图像运算2.2.2减法运算—案例【例2-11】分别使用“-”运算符和cv2.subtract()函数执行图像减法运算。根据题目要求，编写代码如下：知识准备—图像运算运行上述代码，结果如图2-9所示。图2-9例2-11代码运行结果2.2.2减法运算—案例【例2-11】分别使用“-”运算符和cv2.subtract()函数执行图像减法运算。知识准备—图像运算2.2.2减法运算图像加法与减法运算是图像处理中的基本操作，在计算机视觉领域具有显著的特性和应用场景。二者的核心区别如表2-3所示。知识准备—图像运算2.2.3加权加法运算加权加法运算是一种基于像素级权重分配的精细化图像融合技术，其核心在于通过为不同的输入图像赋予动态权重系数，实现对融合结果的精准调控。OpenCV提供cv2.addWeighted()函数以执行加权加法运算。其语法格式如下：其中各参数含义如下。src1：图像矩阵1。alpha：图像矩阵1的权重。src2：图像矩阵2。beta：图像矩阵2的权重。gamma：亮度偏移量。dst：输出图像矩阵，其大小和通道数与输入图像矩阵相同。dtype：输出图像矩阵深度，可选项。dst=cv2.addWeighted(src1,alpha,src2,beta,gamma[,dst[,dtype]])知识准备—图像运算2.2.3加权加法运算计算图像的加权和的公式如下：

dst=src1×alpha+src2×beta+gamma在医学影像分析、卫星图像处理等专业领域，加权加法通过精确的权重控制系统（即参数α与β，对应函数中的alpha与beta）和亮度补偿机制（即参数γ，对应函数中的gamma），解决了普通加法导致的细节丢失和亮度失真问题。在深度学习领域，加权加法的思想延伸为特征融合技术，成为CNN中特征金字塔网络（FeaturePyramidNetwork，FPN）等核心架构的基础组成部分。知识准备—图像运算2.2.3加权加法运算—案例【例2-12】使用cv2.addWeighted()函数对两幅图像进行加权加法运算。根据题目要求，编写代码如下：知识准备—图像运算运行上述代码，结果如图2-10所示。图2-10例2-12代码运行结果2.2.3加权加法运算—案例【例2-12】使用cv2.addWeighted()函数对两幅图像进行加权加法运算。知识准备—图像运算按位与：对应位均为1时结果为1，否则为0。按位或：对应位中任意一位为1时结果为1。按位非：对单个像素的二进制位取反。按位异或：对应位不同时结果为1。2.2.4按位逻辑运算按位逻辑运算是基于二进制像素值的位级操作，在图像处理中主要包含4种基本运算：按位与（AND）、按位或（OR）、按位非（NOT）和按位异或（XOR）。以8位灰度图像为例，每个像素值可表示为8位二进制数（如像素值127对应二进制01111111）。4种按位逻辑运算规则如下。知识准备—图像运算OpenCV针对两幅图像之间的按位逻辑运算分别提供了bitwise_and()、bitwise_or()、bitwise_not()、bitwise_xor()函数。其语法格式如下：其中各参数含义如下。src1、src2、src：输入图像矩阵。dst：输出图像矩阵，其大小和通道数与输入图像矩阵相同。mask：操作掩模，可选项。dst=cv2.bitwise_and(src1,src2[,dst[,mask]])#与运算dst=cv2.bitwise_or(src1,src2[,dst[,mask]])#或运算dst=cv2.bitwise_not(src[,dst[,mask]])#非运算dst=cv2.bitwise_xor(src1,src2[,dst[,mask]])#异或运算2.2.4按位逻辑运算知识准备—图像运算2.2.4按位逻辑运算—案例【例2-13】使用cv2.bitwise_and()、cv2.bitwise_or()、cv2.bitwise_not()、cv2.bitwise_xor()函数对图像执行按位逻辑运算。根据题目要求，编写代码如下：知识准备—图像运算运行上述代码，结果如图2-11所示。图2-11例2-13代码运行结果2.2.4按位逻辑运算—案例【例2-13】使用cv2.bitwise_and()、cv2.bitwise_or()、cv2.bitwise_not()、cv2.bitwise_xor()函数对图像执行按位逻辑运算。知识准备—加密解密原理图像加密是保护图像机密性的核心手段，它通过特定的数学变换规则（算法）和密钥（参数），将原始图像（明文）转换为无法直接识别内容的密文图像。图像解密是加密的逆过程。当合法接收者获得密文图像后，必须使用与加密匹配的正确密钥和相应的逆变换算法，才能将密文图像准确还原为原始图像。加密解密模型如图2-12所示。图2-12加密解密模型知识准备—加密解密原理DES：DES采用56位密钥长度（64位含8位奇偶校验位），其设计基于16轮Feistel网络结构。3DES：3DES通过“加密—解密—加密”（EDE）三重运算将有效密钥长度提升至112位（三密钥模式达168位）。AES：采用128/192/256位可变密钥长度的切片分组网（SlicingPacketNetwork，SPN），可以根据安全需求选择合适的密钥长度。2.3.1对称加密对称加密（SymmetricEncryption）算法的核心特点是加密与解密使用同一密钥。基本原理：通过特定加密算法，结合密钥对图像数据进行可逆变换，生成无法直接识别内容的密文，从而保护图像数据。解密时需使用相同密钥及对应解密算法，将密文图像还原为原始图像。当前图像加密领域广泛应用的对称加密算法主要包括数据加密标准（DES）、三重数据加密标准（3DES）以及高级加密标准（AES）。知识准备—加密解密原理①密钥生成：选择合适的对称加密算法，并使用密码学安全随机数生成器生成密钥。②图像预处理：根据算法及图像格式转换数据。③图像加密：应用选定算法与密钥加密图像数据。④图像解密：使用相同算法与密钥执行逆操作以还原图像。⑤图像后处理：将图像数据重构为原始格式。2.3.1对称加密图像对称加密的实现流程通常包括以下几个步骤。知识准备—加密解密原理2.3.1对称加密按位异或运算可用于实现图像加密与解密。具体过程：将原始图像（明文）与密钥图像进行按位异或运算，即完成图像加密，生成密文图像；而将密文图像与相同的密钥图像再次进行按位异或运算，即可实现图像解密，还原出原始图像。OpenCV提供的cv2.bitwise_xor()函数可便捷地实现图像的按位异或运算功能知识准备—加密解密原理公钥（PublicKey）：可公开分发，用于加密图像数据或验证图像来源的真实性（如摄像头签名）。私钥（PrivateKey）：由持有者严格保密，用于解密或生成图像的数字签名。2.3.2非对称加密非对称加密（AsymmetricEncryption）是为满足图像安全传输需求提出的核心加密范式，与对称加密形成互补。其核心机制依赖于一对数学关联的密钥。知识准备—加密解密原理2.3.2非对称加密当前图像安全领域广泛采用的非对称加密算法主要包括RSA（Rivest-Shamir-Adleman）算法和椭圆曲线密码学（EllipticCurveCryptography，ECC）。其主要区别如表2‑4所示。知识准备—加密解密原理对称加密层（如AES）提供对像素级数据的高效保护，支持GB级图像流的实时加密。非对称加密层（如RSA/ECC）实现对称密钥的安全封装，基于数学难题（大整数质因数分解/椭圆曲线离散对数）确保密钥不可被破解。2.3.3混合加密混合加密（HybridEncryption）通过分层架构有机整合如下两类加密技术。该架构本质是一种密钥封装机制：首先生成随机对称密钥加密原始图像，再用接收方公钥加密该密钥；接收方用私钥解出对称密钥后解密图像。知识准备—加密解密原理①密钥生成与分发：使用密码学安全随机数生成器生成AES密钥。接收方生成RSA密钥对，公钥公开分发。②图像数据预处理：将图像分割为固定大小的块（如64像素×64像素），避免单次加密数据量过大。将彩色图像分离成R、G、B通道，支持并行加密。③对称加密图像数据：选择加密模式加密图像数据。④非对称加密对称密钥：使用RSA-OAEP（OptimalAsymmetricEncryptionPadding）填充方案加密AES密钥，防范明文攻击。⑤数据传输与解密：用RSA私钥解密获得AES密钥；用AES密钥解密图像块；合并图像块并重构原始格式。例如，合并R、G、B通道，形成彩色图像。⑥完整性验证：发送方对图像哈希值进行签名，接收方验证签名确保数据未被篡改。2.3.3混合加密以RSA-AES为例说明混合加密的实现流程。知识准备—加密解密原理2.3.4基于深度学习的加密基于ROI与像素运算的传统图像加密方法的安全边界清晰、逻辑透明，是掌握安全技术原理的基石。然而，在人工智能时代，攻击手段日益复杂，单纯的区域隐藏可能在智能算法面前失效。同时，深度学习带来的强大的视觉理解能力，也为图像加密带来了“智慧赋能”的新思路。深度学习带来的范式转变传统方法的保护对象是“像素值”，而深度学习驱动的加密技术的保护对象可以升维为“视觉语义”或“模型决策”。其核心思想不是让人眼看不见，而是让特定的AI系统“看不懂”或“认不出”。知识准备—加密解密原理基于对抗样本的语义级加密这种方法不直接遮挡或扰乱ROI，而是通过精心计算并添加人眼难以察觉的细微扰动（即“对抗噪声”），使特定AI模型（如人脸识别器）分析该区域时，产生完全错误的识别结果。基于GAN的可逆视觉混淆该技术利用GAN强大的图像生成能力，对敏感区域（如人脸）进行“语义替换”而非简单遮盖。2.3.4基于深度学习的加密将深度学习与传统图像加密方法相结合，代表了从“静态防护”到“动态智能对抗”的演进。国内代表性研究方向与应用PART03项目实施项目实施项目任务基于掩模和异或运算的图像区域加密、解密。任务实现步骤1：图像基本操作读取walkbridge.jpeg源图像，将图像转换为单通道灰度图像，并获取源图像尺寸。具体代码如下：项目实施图2-13加密区域步骤2：创建加密区域掩模创建全黑掩模，初始化与图像尺寸相同的全0矩阵（纯黑色）；定义矩形加密区域，将y坐标范围为100～300，x坐标范围为200～400的矩形区域设为1（白色）；提取加密区域，通过按位与运算保留源图像中掩模标记的矩形区域。具体运算代码如下：本步骤的输出如图2-13所示。项目实施本步骤的输出如图2-14所示。图2-14密钥图像步骤3：密钥生成生成随机密钥，创建一个与图像尺寸相同的随机矩阵，数值范围为0～255；将密钥矩阵显示为图像（呈现随机噪声效果）。具体代码如下：项目实施本步骤的输出如图2-15所示。图2-15加密图像步骤4：加密流程将源图像与密钥进行按位异或运算，得到整幅图像的加密结果；分离加密区域，保留非加密区域；合成最终加密图像。最终图像中只有指定矩形区域