随着破译技术的提高，已有的传统加密方法被攻破和证明存在缺陷。由于计算机精度的限制使得一维混沌周期短，采用一维混沌系统进行加密，攻击者获取大量的迭代值后能获得需要的一切信息。 为了解决计算机有限精度下带来的数字化混沌周期短的缺陷，本项目基于实数域提出了几个新一维混沌方程，并对新混沌方程基于Devaney定义进行了混沌性、随机性、相关性等一系列理论复杂性证明。通过Lyapunov指数、近似熵、测度熵、信息熵等数据验证了新混沌方程复杂度高、安全性好。 将设计的新一维混沌方程复合，基于实数中间截取法、取模法和空间映射法，设计了基于复合混沌序列的伪随机序列发生器。证明了设计的密钥伪随机序列通过了 FIPS 140-2和NIST SP 800-22的随机性测试。设计了基于复合混沌的扩散与置乱加密方法，并将该方法在图像加密、无线传感器网络加密和网络蠕虫非线性模型建立上进行了应用研究。 本课题创新点在于构造新的几个一维混沌方程并进行复合混沌设计，并从理论上进行了证明，证明了其混沌性和随机性。同时复合混沌与线性反馈移位寄存器进行级联，设计了新伪随机序列发生器，扩大了数字化混沌的周期。设计了基于2D CAT和3D Baker映射等图像置乱方法，设计了基于扰动的具有密文对密钥和明文敏感性的反馈加密方法。基于Feistel结构设计在函数F中加入了基于混合混沌算法，在函数F中加入了S盒技术，使得函数F的非线性行为更加复杂而难以预测。证明了该方法能够抵抗选择明文攻击，通过了统计分析测试、NIST SP 800-22等随机性测试，而且加密速度快、安全且资源消耗低，具有很高的安全性，适合在图像加密和无线传感器网络中信息加密应用。 通过本课题研究，提出了几种新的安全、高效的图像加密及WSN应用加密算法，通过充分理论与实验验证，证明新密码算法能抵抗常用攻击，加密速度快、安全性高、实用性强。它不但对研究混沌系统分析克服有限精度问题的理论有巨大帮助，同时更是网络与信息安全的客观要求。因此，本课题研究具有实际应用意义和理论科学研究价值。 我们严格按照经费预算，合理利用资源。项目组在本基金资助期间标注受本基金资助文章共发表22篇，其中在SCI论文10篇，EI论文10篇，国内核心论文2篇，其它3篇为指导学生硕士毕业设计论文，1篇为主编该方向有关的教材。

混沌加密已经成为了又一个新的研究领域。新复合混沌序列密码算法在图像加密上研究正是适应密码学新技术研究、适应经济发展与国防安全的时代需求而提出的。为了解决一维数字化混沌序列密码精度低、周期短及混沌特性退化问题,该研究使用Devaney混沌理论，我们设计两个新的一维混沌方程并给出严格的理论证明。利用两个一维混沌方程构造一个新的安全性更高的动态的复合混沌方程并给予证明，并且利用这个新的混沌方程设计基于混合系统的混沌伪随机序列发生器及通过动态切换混沌方程设计对位图像素值进行扩散与置乱的快速新图像加密方法。对设计的算法进行理论与实验验证及与其它加密算法进行详细对比分析，证明复合混沌加密算法能通过统计分析、序列随机性分析、熵分析、雪崩效应分析以及密钥与密文对明文敏感性分析，证明新的复合混沌序列密码能抵抗各种攻击，达到加密速度快、安全性高要求，能解决一维数字化混沌密码精度低不能抵抗选择明文攻击问题。

产品内嵌的主控芯片使用了以下加密算法：

GM/T0001-2012《祖冲之序列密码算法》

GM/T0002-2012《SM4分组密码算法》

GM/T 0003-2012《SM2椭圆曲线公钥密码算法》

GM/T0004-2012《SM3密码杂凑算法》

主要研究大规模图像数据的自动标注算法，具体研究内容有：研究具有更好表示和区分能力的图像特征提取算法，其重点是研究特征选取和特征变换；研究用于高层语义特征提取的机器学习方法，其重点是研究半监督学习和大规模数据学习问题；研究图像标记的语义相关性挖掘问题，以进一步提高自动标记的性能，基本思路是利用先验信息、WordNet等知识库和标记在图像同现等统计信息。基于上述算法研究成果，我们将针对日常生活中常见的实体语义对象，从互联网上下载相应的图像，通过学习训练建立起较大规模的视觉语义特征模型库，用于实现图像的自动语义标注；我们还计划研究开发大规模图像数据的自动标注原型演示系统，用于网上大规模图像的搜索和过滤。

基于范数

这类方法通过定义

基于稀疏表示

这类方法的核心思想是建立卡通信号字典和纹理信号字典，通过稀疏编码(sparse coding)过程把图像分解到这两个字典上。

基于算子信号

然而，以上分解算法的求解过程复杂且不易对图像作更精细的层级分解。近年Peng和Hwang提出一种基于算子的信号分解算法，该方法可以将1维信号中的局部窄带的成分分解到算子的零空间，这种局部窄带信号成分完全由该算子所刻画。

分解模型为：

式中，

基于算子的信号分解方法可以有效地把1维信号分解到两类奇异线性算子的零空间，这种分解方法可以有效地应用到2维图像信号的卡通纹理分解，使分解得到纹理成分得到具体算子的刻画，这是从算子的思想角度对图像中所包含成分的一种新认识，为更好地认识图像(主要对纹理成分的认识)提供了一条新思路。为了把图像转变为1维信号，采用对图像分块处理的方法，将图像块系列化为1维信号，并结合卡通纹理图像的一般特点，用局部全变差变化率作为自适应参数选择的依据，对图像块进行分解，最后综合各图像块的分解结果得到整个图像的分解结果，为了一定程度克服块效应，采取了块间重叠的措施。同时，把自适应参数当成尺度因子，层级调整尺度因子，反复对剩余信号分解，最后实现了图像的层级分解，对具体图像分解验证了算法的有效性 。

多尺度图像

多尺度多分辨是人类视觉高效、准确工作的重要特征之一。自然产生的图像大多包含大量不同尺度的信息，这些信息在一幅图像中同时出现。而对图像的应用研究往往仅限于某一尺度或某些尺度上的现象，或者只需要某些尺度的信息：其它尺度的信息往往会对处理结果有不良影响，或者增大了处理的难度和复杂性。所以把图像信息按尺度进行分离十分必要。多尺度图像分解可以消除其他无用尺度信息对处理结果的影响，也简化了处理的难度和复杂性：也是图像目标识别和边缘检测等处理过程的预处理方法之一。

经验模分解方法是一种适用于非静态和非线性数据的分解方法，该方法是直接的、后验的和自适应的，该种分解具有完备性和准正交性 。