一种结合正交分解及BoVW的图像安全检索方法

当前云平台下加密域图像检索存在特定加密算法而不能满足不同应用需求,并且需依靠底层图像特征进行检索,从而导致精度较低,为此提出了一种结合正交分解和视觉词袋模型(BoVW)的图像安全检索方法.引入正交分解框架,将图像数据域分为加密域和检索域,使得加密操作和特征提取操作相互独立,避免加密和特征提取操作相互影响.在加密域用户可以根据需要选择合适的加密方法;在检索域引入视觉词袋模型框架,将图像表示为视觉单词直方图,降低底层特征与高层语义之间存在的语义鸿沟,提高检索精度.实验结果显示,与当前加密域图像检索技术相比,该方法具有更高的安全性和检索精准度,能在云环境下更好地保护图像数据的隐私,且实用性较好.

一种云环境下JPEG图像的安全检索方法

为了保护数据隐私,私密图像在上传到云服务器之前需要进行加密,然而,加密会导致传统的图像特征无法提取,进而给图像检索带来困难。针对密文图像的检索问题,提出了一种云环境下JPEG图像的安全检索方法:数据拥有者部分解码JPEG码流得到图像的DCT(discrete cosine transform)系数,对系数进行置乱加密然后生成密文图像并上传到云服务器;云服务器在图像密文上提取DC系数差分特征以及LBP(local binary patterns)特征,通过比较图像的特征向量之间的距离来确定图像的相似度,最后返回相似图像。该方法不仅减少了计算复杂度,而且使得数据拥有者与云服务器之间的交互次数尽可能地减少,同时,与其他几种目前有代表性的方法相比,具有更好的安全性和检索准确度,能实现对JPEG图像安全高效的检索。最后基于该方法做了简单的仿真系统,进一步验证了该方法的有效性。

一种云环境下图像的安全检索方法

为了保护数据机密性,具有敏感信息的图像在上传到云服务器之前需要进行加密,然而,这样做会给图像检索带来问题。提出一种云环境下图像的安全检索方法,对图像颜色空间的R和G通道的DCT(Discrete Cosine Transform)系数分别进行块内置乱和块间置乱,对B通道进行块内置乱加密;然后提取颜色矩、信息熵以及块间LBP(Local Binary Patterns)作为图像的特征向量,通过比较图像的特征向量之间的曼哈顿距离来确定图像的相似度。该方法保证了图像的机密性和检索精确度,能实现对图像的安全检索。