CN108959478B - 一种云环境下的密文图像检索方法及系统 - Google Patents

一种云环境下的密文图像检索方法及系统 Download PDF

Info

Publication number
CN108959478B
CN108959478B CN201810642032.XA CN201810642032A CN108959478B CN 108959478 B CN108959478 B CN 108959478B CN 201810642032 A CN201810642032 A CN 201810642032A CN 108959478 B CN108959478 B CN 108959478B
Authority
CN
China
Prior art keywords
image
harris
feature
algorithm
points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810642032.XA
Other languages
English (en)
Other versions
CN108959478A (zh
Inventor
秦姣华
李�浩
向旭宇
潘丽丽
谭云
马文涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University of Forestry and Technology
Original Assignee
Central South University of Forestry and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University of Forestry and Technology filed Critical Central South University of Forestry and Technology
Priority to CN201810642032.XA priority Critical patent/CN108959478B/zh
Publication of CN108959478A publication Critical patent/CN108959478A/zh
Application granted granted Critical
Publication of CN108959478B publication Critical patent/CN108959478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种云环境下的密文图像检索方法及系统，首先，从自适应阈值和特征点预筛选两方面优化Harris算法，并提取图像特征。其次，采用SURF算法和词袋模型生成每一幅图像的Harris角点特征向量。然后，采用局部敏感哈希(Locality Sensitive Hashing,LSH)算法对特征向量构建可搜索索引，并用传统加密方案对图像以及索引进行加密，最后，在云服务器上进行安全的相似性检索。实验结果证明，通过对Harris角点优选及SURF与词袋模型的特征描述，并对局部敏感哈希算法的参数进行了优化，本发明提出的检索方案与现有加密检索方案对比，不仅缩短了特征提取时间，而且有效提高了加密图像检索效率。

Description

一种云环境下的密文图像检索方法及系统
技术领域
本发明涉及一种云环境下的密文图像检索方法及系统。
背景技术
图文检索定义：
将需要保护的隐私图像加密后上传到云服务器，这里上传的是加密后的图像集，检索的时候是根据用户的需求，用户可能输入一幅图像，然后在云端进行相应的检索，找到符合要求的图像反馈给用户，反馈的图像可以是多幅，按相似度进行排序，可以设定反馈回用户的图像的个数(也就是最相似的图像数量)。
密文图像检索意思是对明文图像也就是普通图像进行加密，特别是对隐私图像，对隐私图像加密后没有授权的用户即使获得这个图像，打开图像也是乱码。
云计算环境下密文图像检索是解决大规模图像存储管理困难与图像安全问题的关键，已得到各国政府、企业、研究人员的广泛关注和高度重视。如何使图像拥有者在云计算环境中加密存储自己的图像，又能让授权用户快速检索到自己需要的图像，是一个极具挑战性的课题。但这方面的研究仍处于起步阶段，有些关键问题还没得到有效解决。
研究意义：
大数据时代的到来使得图像数量呈几何指数增长，图像在医学、教育等邻域发挥越来越重要作用。随着这些领域图像数量的增多，对于图像的高效存储和检索服务的需求得到加强。云计算的兴起，为用户提供按需购买、按用付费的计算和存储服务，成为图像存储和图像搜索服务外包的首要选择。通过将图像的捜索服务外包，数据拥有者不用在本地维护海量的图像数据库。查询用户不用跟图像拥有者进行交互，就可以直接通过云服务商搜索相似图像。云环境下多用户方便快捷的图像检索，带来了图像数据的安全性问题。为提高密文图像检索的有效性和速度，密文图像检索成为新的研究课题。
随着成像传感器和手持电子设备的飞速发展，图像等多媒体数据在医药、杂志、广告、教育、娱乐等行业中扮演越来越重要的角色，且呈现爆炸性增长的趋势。截止2017年2月，人们在Flickr上传了超过130亿张图片；而Facebook的图片总量在2013年9月就已经达到2500亿，并且还在以每天3.5亿，即每秒4000 张图片的速度增长。面对如此海量的图像数据，传统的图像存储和管理方法已经失效，如何根据图像内容自动地对大规模图像数据进行高效安全的存储、管理和检索，成为国计民生各领域的迫切需求。
云计算作为一种崭新的计算和服务模式，采用资源租用、应用托管和服务外包的方式，为用户提供便捷的低成本计算和存储服务。
云计算环境中，用户数据的存储与管理都外包给云服务提供商，用户无法按现有的安全模式来控制数据的访问与使用。用户数据的安全与隐私保护问题是阻碍云计算普及和推广的关键因素，特别是，Google，Apple，Salesforce.com等云服务提供商不断爆出各种安全事故，例如，2009年3月，Google发生大批用户文件外泄的事件，2010年6月，Apple iPad发生用户信息泄密事故，2011年12月， CSDN等网站上600万用户的密码被泄露，2013年苹果iCloud云端照片的泄露事件等等，这些事件证实了人们对云安全的担心。如何在数据拥有者对其不具备直接物理控制的情况下，仍能保证数据的使用过程安全成为研究者们亟待解决的问题。
为了保证用户图像数据的机密性，使企事业单位和个人将大规模隐私图像数据应用于云计算平台，放心地将自己的敏感图像数据交付给云服务提供商来管理，通常将敏感图像加密后再外包到云平台存储。但是，图像数据被加密后，数据之间的关联、冗余等原有特性消失了，现有明文图像的特征提取、加密方案、索引建立等大多都不支持对密文图像的运算。因此，研究云计算环境下的密文图像检索技术，即研究如何使图像拥有者能加密存储自己的隐私图像，又能让授权的图像使用者从海量图像中迅速找到自己需要的图像，是一个极具挑战性的课题。
现有的密文数据检索的研究成果大多是关于文本检索，这些研究成果根据不同的安全模型，提出具有各种功能的检索方案，如可搜索加密、相似性搜索、多关键词排序搜索、动态搜索和索引构建等方案。相对而言，针对加密图像检索的研究方案较少。项等提出一种基于同态加密系统的图像可逆信息隐藏算法，该算法在保持数据量不变的前提下不仅完成同态加密域中额外信息的嵌入，而且降低了算法的复杂度、提高了信息的嵌入和提取效率。Yuan等提出一个全新的基于 SIFT和BOF无载体图像隐藏方案，该方案解决了不修改原始载体的秘密信息的隐藏的问题。Mishra等提出一种新的基于混沌映射的数字图像加密算法，该算法不但可以保证密钥的安全，而且能抵抗各种蛮力或统计攻击。Parvaz等人提出基于新的混沌系统的图像加密算法，该算法能够有效地抵抗差分，统计、噪声、数据等攻击，保证数据安全。
以上几种密文图像方案取得较好的加密效果，对密文图像检索提供安全技术支持，但是加密图像检索不仅要保证数据的安全性，而且要考虑密文图像如何相似性检索。
Huang等人提出一种基于Henon映射的遥感图像可搜索加密方案。该方案将图像转换成特征向量，然后采用文本加密邻域中的相似度匹配算法来检索目标图像。该方案虽然有效地提高了检索加密遥感图像的安全性，但是不能进行高效的检索。Liu等提出一种基于云图像数据库的图像相似性增强隐私增强方案，虽然该方案提高了加密图像检索的安全性，但是该方案检索效率很低。Zhou等提出全局上下文验证方案来过滤错误匹配对来进行拷贝检测，在该方案中作者提出一种基于随机验证的快速图像相似度度量方法。虽然该算法有较高的检索精度，但是缺少对图像特征的处理，花费较多的检索时间。Hazra等人设计一个安全的加密检索系统。该系统采用HSV直方图作为图像特征，结合KNN与SVM算法查询相似图像，并取得较高的检索精度。
以上几种加密图像检索方案可以保证图像的安全，也可以进行相似检索。但是这些方案都没有对图像构建索引，检索效率较低。因此，选择合理的索引构建算法是提高检索效率的关键。
Abduljabbar等提出在物联网云下的加密检索方案，该方案采用SURF提取图像特征，采用LSH算法构建索引，并可以进行安全相似检索。该方案保证了智能端到云服务器端的数据安全，但是该方案没有对局部敏感算法优化。Xia等[1] 提出一个云环境下基于局部特征的加密图像检索方案，该方案采用SIFT提取图像特征，采用地球运动距离(EMD)评估图像的相似性，并采用局部敏感哈希算法构建哈希表。虽然该算法的检索效率有了提高，但是该文章并没有对局部敏感哈希算法的参数优化。而且SIFT算法提取图像特征花费时间多。Xia等[2]提出一个云环境下基于隐私保护的图像检索方案，该方案通过引入局部敏感哈希算法和k近邻算法，有效提高搜索效率和保证数据的安全性。但是该方案没有对哈希函数和哈希表进行优化。
因此，有必要设计一种云环境下的密文图像检索方法及系统。
发明内容
本发明所要解决的技术问题是提供一种云环境下的密文图像检索方法及系统，该云环境下的密文图像检索方法及系统不仅缩短了特征提取时间，而且有效提高了加密图像检索效率。
发明的技术解决方案如下：
一种云环境下的密文图像检索方法，
(一)针对数据拥有者：
对于一个图像集M,实施以下操作：图像集M,是用于从中检索出相似图形返回给查询用户；
(1)用GenHarris(Harris,M)生成特征集为
Figure BDA0001702644250000031
(2)用
Figure BDA0001702644250000032
生成特征向量
Figure BDA0001702644250000033
(3)用
Figure BDA0001702644250000034
生成索引I,用
Figure BDA0001702644250000035
分别生成加密特征向量
Figure BDA0001702644250000036
加密图像集M′、加密索引I′；
(4)将
Figure BDA0001702644250000037
M′、I′发送到云服务器，将加密密钥K发送给查询用户；
GenHarris(Harris,M)表示采用Harris算法对图像M提取图像特征；
Figure BDA0001702644250000038
表示对特征集
Figure BDA0001702644250000039
生成特征向量；
Figure BDA00017026442500000310
表示对特征向量
Figure BDA00017026442500000311
构建索引；
Figure BDA00017026442500000312
表示对特征向量
Figure BDA00017026442500000313
图像集M、索引I进行加密；
(二)针对查询用户：
对于查询图像集Mq执行以下操作：查询图像集Mq中可以是一幅图像，也可以是多幅图像，如果是多幅图像，查询的时候是一张一张的查，用户可以查询多张图像。
(1)用GenHarris(Harris,Mq)生成特征集为
Figure BDA00017026442500000314
GenHarris(Harris,Mq)表示采用Harris算法对图像Mq提取图像特征；
(2)用
Figure BDA00017026442500000315
生成特征向量
Figure BDA00017026442500000316
Figure BDA00017026442500000317
表示对特征集
Figure BDA00017026442500000318
生成特征向量；
(3)用
Figure BDA00017026442500000319
生成陷门TD，然后将陷门TD发送到云服务器；
Figure BDA00017026442500000320
为产生陷门的函数；
如果一个登陆处理系统允许一个特定的用户识别码,通过该识别码可以绕过通常的口令检查,直观的理解就是可以通过一个特殊的用户名和密码登陆进行修改等操作。这种安全危险称为陷门,又称为非授权访问.陷门是在某个系统或某个文件中设置的"机关"，使得在提供特定的输入数据时，允许违反安全策略。例如，一个登录处理子系统允许处理一个特定的用户识别码，以绕过通常的口令检查。
(4)用解密函数
Figure BDA0001702644250000041
解密返回相似图像
Figure BDA0001702644250000042
(三)针对云服务器：
用
Figure BDA0001702644250000043
算法进行检索并返回相似结果集
Figure BDA0001702644250000044
GenHarris(.)是指基于自适应阈值与Forstner方法进行Harris角点优选；
[这个步骤应该是当查询用户输入待查询的图像时，需要对待查询图像应用这个步骤的处理，图像拥有者在上传到云端之前需要将图像集进行这个过程的处理，即将特征提取完后，再加密上传到云端，也就是上传到云端的除了加密图像还有加密特征。
确定候选节点后，再根据最大角点响应函数对候选点进行筛选，确定提取的预筛选特征点总数c1，最后结合Frostner算法确定最佳候选点总数c2，实现 Harris角点优选。
Genfeature(.)是指结合SURF算法描述Harris特征点，并结合词袋模型生成图像的特征向量。
Buildindex(.)是指构建哈希索引；采用基于ρ稳定的LSH函数族构建哈希表，作为哈希索引。
Harris角点优选包括以下步骤：
步骤1：采用8邻域相似像素分析法确定候选集C；
对于图像中的任一目标像素点(x,y)，计算该目标像素点与8邻域范围内像素点灰度差的绝对值Δ，通过与设定的阈值
Figure BDA0001702644250000045
相比较来确定是否相似，统计目标像素点与周围8个点的相似个数N(x,y),如下式所示：
Figure BDA0001702644250000046
式中：识别函数
Figure BDA0001702644250000047
当2≤N(x,y)≤6时，将该目标像素点(x,y)视为候选点，用C表示候选点集合；
步骤2：计算每个候选点的响应函数CRF(CRF的计算参见后文公式7)，定义阈值
Figure BDA0001702644250000048
为最大CRF值的
Figure BDA0001702644250000049
倍，即
Figure BDA00017026442500000410
根据最大角点响应函数
Figure BDA00017026442500000411
对候选点进行筛选(CRF值大于
Figure BDA00017026442500000412
的入选)，确定提取的预筛选特征点总数c1，预筛选特征集C1；本发明取
Figure BDA00017026442500000413
为 0.01。
步骤3：结合Frostner算法确定最佳候选点集G
Figure BDA00017026442500000414
以及最佳候选点总数c2；
首先，以预筛选特征集C1任意一点(xi,yi)为中心建立3*3窗口，对该窗口内的每个点计算协方差矩阵cov：
Figure BDA0001702644250000051
其中，
Figure BDA0001702644250000052
是Robert梯度算子；
Figure BDA0001702644250000053
Figure BDA0001702644250000054
是灰度函数，
Figure BDA0001702644250000055
表示点(x,y)的灰度值；
接着，计算特征点的权值ω和圆度τ；
Figure BDA0001702644250000056
Figure BDA0001702644250000057
其中det(cov)是协方差矩阵cov的行列式，trace(cov)是协方差矩阵cov的迹；然后，将ω、τ分别与给定阈值
Figure BDA0001702644250000058
比较，将满足
Figure BDA0001702644250000059
且
Figure BDA00017026442500000510
的备选点加入特征集C2；最后在一定窗口(如以备选点为中心的5*5窗口内)内，依据权值ω将满足条件ω(x,y)＝max{ω(x,y)}的点加入最佳候选点集G，最佳候选点集G 中的候选点的个数即为c2。max{ω(x,y)最大值是指在一定窗口内特征点的取值, 取ω的最大值，
生成图像的特征向量的步骤如下：
步骤s1：用
Figure BDA00017026442500000511
聚类算法对局部特征
Figure BDA00017026442500000512
进行聚类，形成一个视觉单词；
Figure BDA00017026442500000513
是
Figure BDA00017026442500000514
在聚类中的表示；
步骤S1a，随机选择
Figure BDA00017026442500000528
个点作为聚类中心
Figure BDA00017026442500000515
然后，用下式计算特征集G中的每个数据点到这
Figure BDA00017026442500000516
个聚类中心的距离
Figure BDA00017026442500000517
并将数据点按距离分配到最近的聚类中心，形成
Figure BDA00017026442500000518
个簇
Figure BDA00017026442500000519
Figure BDA00017026442500000520
其中，(xi,yi)是C2中的点，(xj,yj)是
Figure BDA00017026442500000521
个点作为聚类中心中的点；
步骤S1b，用下式计算簇的平均值
Figure BDA00017026442500000522
指定这些值为新的聚类中心，即视觉单词
Figure BDA00017026442500000523
Figure BDA00017026442500000527
其中，
Figure BDA00017026442500000524
表示第j个视觉单词
Figure BDA00017026442500000525
的平均值，即
Figure BDA00017026442500000526
的总和是指簇中的数据点的特征值相加。与簇
Figure BDA0001702644250000061
的个数的比值，
Figure BDA0001702644250000062
是
Figure BDA0001702644250000063
的个数；
步骤S1c：重复以上步骤S1a和S1b，直到聚类中心的值满足最小化均方误差MSE 函数收敛，即本次与上次的差值小于预设值；此时视觉单词表示为
Figure BDA0001702644250000064
Figure BDA0001702644250000065
每个
Figure BDA0001702644250000066
是一个
Figure BDA0001702644250000067
特征向量；
Figure BDA0001702644250000068
步骤S2：得到视觉单词之后，将局部特征
Figure BDA0001702644250000069
按下式对应到视觉单词中；
Figure BDA00017026442500000617
其中
Figure BDA00017026442500000610
表示
Figure BDA00017026442500000611
对应到视觉单词
Figure BDA00017026442500000612
的权重；
统计整幅图像的视觉单词出现频率，视觉单词出现频率即统计每个视觉单词在局部特征出现的个数，生成图像特征向量fi，所有图像的特征向量表示为
Figure BDA00017026442500000613
采用基于ρ稳定的LSH函数族构建哈希表作为哈希索引的步骤如下：
数据拥有者选取L个LSH函数{h1,h2,…,hL}，并对所有的特征向量
Figure BDA00017026442500000614
应用函数
Figure BDA00017026442500000615
Figure BDA00017026442500000616
表示哈希函数族；为了提高准确率，重复这个过程λ遍，从而生成λ个哈希表；用{Di,j}，i∈[1,λ]，j∈[1,Ni]表示由局部敏感哈希函数生成的桶值集，Ni表示第i个哈希表中的总桶数；ID(mt)表示图像mt将自身的ID关联至相应的桶值Di,j，形成加密哈希表。
一种云环境下的密文图像检索系统，包括数据上传终端、云服务器和查询终端；
(1)数据上传终端用于对图像拥有者将图像进行处理，将处理后的图像的加密特征上传到云服务器；
(2)云服务器用于存储数据上传终端上传的图像以及图像的加密特征；云服务器还用于执行检索操作，将检索结果返回到查询终端；
(3)查询终端用于查询用户输入待查询的图像，以及用于显示云服务器返回的查询结果；
采用前述的云环境下的密文图像检索方法实施图像检索。
本发明提出基于Harris角点优选与局部敏感哈希的加密图像检索，通过8邻域相似像素分析法与Forstner两方面对Harris角点进行筛选与优化，首先采用改进 Harris算法提取图像特征，接着采用SURF与词袋模型对图像特征聚类，生成每一幅图像的特征向量，然后采用局部敏感哈希算法构建索引，最后，采用文献[2] (文献2:Z.Xia,N.Xiong,V.Vasilakos,et al.EPCBIR:An efficient and privacy-preserving content-basedimage retrieval scheme in cloud computing[J]. Information Sciences,2017,387:195-204.)的加密方案加密数据，并采用欧式距离进行特征向量的相似度。
有益效果：
本发明提出的云环境下的密文图像检索方法及系统，是一种基于Harris角点优选与局部敏感哈希优化的加密图像检索方案。首先，从自适应阈值和特征点预筛选两方面优化Harris算法，并提取图像特征。其次，采用SURF(Speeded-Up Robust Features)算法和词袋模型生成每一幅图像的Harris角点特征向量。然后，采用局部敏感哈希(LocalitySensitive Hashing,LSH)算法对特征向量构建可搜索索引，并用传统加密方案对图像以及索引进行加密，最后，在云服务器上进行安全的相似性检索。实验结果证明，通过对Harris角点优选及SURF与词袋模型的特征描述，并对局部敏感哈希算法的参数进行了优化，本发明提出的检索方案与现有加密检索方案对比，不仅缩短了特征提取时间，而且有效提高了加密图像检索效率。
附图说明
图1为加密检索模型示意图；
图2为生成特征向量的流程图；
图3为本发明方法与现有方法的检索精度对比图(之一)；
图4为本发明方法与现有方法的检索精度对比图(之二)；
图5为本发明方法与现有方法的搜索时间对比图；
图6为本发明方法与现有方法的特征提取时间对比图；
图7为本发明方法与现有方法的聚类时间对比图；
图8为本发明方法与现有方法的索引构建时间对比图；
图9为本发明方法与现有方法的陷门时间对比图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明：
实施例1：如图1，系统模型简介
本发明采用文献[2]中类似的模型，如图1所示，具有三个模块：数据拥有者、授权用户和云服务商。
云服务商提供基于内容的加密图像检索。授权用户生成并提交搜索请求给云服务商，由云服务商进行相似度比对，并将排序后的搜索结果返回授权用户。
查询用户拥有数据拥有者的授权，对查询图像
Figure BDA0001702644250000071
表示图像库中某一幅图像，提取特征集
Figure BDA0001702644250000072
并生成查询向量
Figure BDA0001702644250000073
nq表示查询图像库Mq的图像数。特征集中任意一个G′i可以表示一幅图像，每一个G′i是[特征点数*64]维的特征向量，每一个查询向量表示一幅图像，是一个1*128维的向量，然后构建陷门TD,最后解密查询结果
Figure BDA0001702644250000074
数据拥有者要将图像集M＝{m1,m2,…,mn}(M表示外包的图像库，Mq表示查询图像库，通过提取查询图像库的特征，在外包的图像库检索相似图像)上传到云服务器，并保持搜索的能力，n表示图像库M中图像m的数量。数据拥有者首先从图像集M中提取图像特征集合
Figure BDA0001702644250000075
接着生成特征向量
Figure BDA0001702644250000076
并构建可搜索索引I。然后将
Figure BDA0001702644250000077
M和I加密发送到云端，为方便授权用户进行数据访问，最后数据拥有者需要将数据解密和搜索的一系列密钥信息发送给授权用户。相关知识介绍
本发明采用改进的Harris算法提取图像特征，并用优化的局部敏感哈希算法对图像特征构建索引。在本节介绍Harris算法和局部敏感哈希算法。
1Harris算法
Harris角点检测算法[3]是在Moravec算法基础上发展起来的,是由Harris C和Stephens M J提出的。Harris通过运用微分运算和自相关矩阵改进了Moravec角点检测算法。对于一幅图像m，以某像素点(x,y)为中心的小窗口在x方向上移动 u,y方向上移动v，Harris给出的灰度强度变化如公式(1)所示:
Figure BDA00017026442500000820
其中，g(x,y)表示在(x,y)点的灰度值，g表示灰度函数，
Figure BDA00017026442500000821
为高斯滤波器,如公式(2)所示。按照二阶泰勒级数展开灰度变化如公式(3)：
Figure BDA0001702644250000081
δ是参数，一般取1-2.
中间的数，本发明取2； (2)
Figure BDA0001702644250000082
二维矩阵
Figure BDA0001702644250000083
表示如公式(4)
Figure BDA0001702644250000084
Figure BDA0001702644250000085
Figure BDA0001702644250000086
其中，
Figure BDA0001702644250000087
表示x方向的梯度,，
Figure BDA0001702644250000088
表示y方向的梯度,如公式(5)、(6)所示，
Figure BDA00017026442500000819
表示卷积，这里卷积可以理解为g与矩阵的所有值相乘。
Figure BDA0001702644250000089
特征值的大小与特征点的性质相关。当两个特征值λ1、λ2均相对较大时，根据Harris算法定义，Harris算法的核心是利用局部窗口在图像上进行移动判断灰度值发生的变化相对较大指两特征值很多时，此时灰度值也变化明显。此点即为需要提取的角点。角点的响应函数如公式(7)：
Figure BDA00017026442500000810
其中，
Figure BDA00017026442500000811
为矩阵
Figure BDA00017026442500000812
的迹，即
Figure BDA00017026442500000813
Φ是经验参数，本发明取0.06，当CRF取局部极大值且CRF大于设定的阈值时就是角点。
2局部敏感哈希算法
局部敏感哈希(Locality Sensitive Hashing)是一种哈希函数族，该函数族使得原始数据空间中的两个相邻数据点很大概率哈希到相同桶(空间利用率较高的哈希表)中，根据这个特性可以用于近似查询[4]。局部敏感哈希函数表示为：由空间
Figure BDA00017026442500000814
映射到集合U的哈希函数族
Figure BDA00017026442500000815
被认为是(w,cw,p1,p2)局部敏感的，必须满足公式(8)的定义。如果对于任意两点
Figure BDA00017026442500000816
存在
Figure BDA00017026442500000817
其中，d(x,y)表示x,y的距离，常数c>1，概率p1>p2，w是参数。可以通过增加哈希函数，进而扩大p1、p2的差距，达到提高效率的目的。
基于ρ稳定的LSH函数族是局部敏感哈希函数的一种，对于ρ-LSH函数
Figure BDA00017026442500000818
该函数能将l维的向量v映射为一个整数[4]，如公式(9)所示。
Figure BDA0001702644250000091
其中a是一个服从高斯分布的l维向量；b∈[0,w]的实数。
*基于Harris角点优选与局部敏感哈希的加密图像检索方案
为了减少数据拥有者前期的处理时间，并提高图像检索的效率。本发明首先对Harris算法优化，接着采用SURF算法结合词袋模型生成每副图像的特征向量，然后，采用优化的局部敏感哈希算法构建索引，最后，采用传统加密方案加密数据，并进行相似检索。
1基于自适应阈值与Forstner的Harris角点优选
基于内容的加密图像检索方案通常提取图像的局部特征，局部特征包括 SIFT特征、角点特征等。虽然SIFT特征有较好的鲁棒性，但是该算法特征提取时间多。与SIFT算法相比，Harris算法特征提取时间较少，因此为了减少特征提取时间本发明采用Harris算法提取特征。但是，Harris算法存在检测效率低、非极大值引起的伪角点多等问题，为了更好应用于加密图像方案，对Harris算法进行改进。首先，采用8邻域相似像素分析法确定候选集C。然后计算每个候选角点的响应函数CRF，根据最大角点响应函数对候选点进行筛选，确定提取的预筛选特征点总数c1，最后结合Frostner算法[5]确定最佳候选点总数c2。
Step1采用8邻域相似像素分析法确定候选集C。具体流程：对于目标像素点(x,y)，计算与8邻域范围内像素点灰度差的绝对值Δ，通过与设定的阈值
Figure BDA0001702644250000099
相比较来确定是否相似，统计目标像素点与周围8个点的相似个数N(x,y),如下式所示：
Figure BDA0001702644250000092
式中：
Figure BDA0001702644250000093
由公式(1)知，当2≤N(x,y)≤6 时，将该点视为候选点，用C表示候选点集合。
Step2计算每个候选点的响应函数CRF，定义阈值
Figure BDA0001702644250000094
为最大CRF值的
Figure BDA0001702644250000095
倍，如下式所示，根据最大角点响应函数
Figure BDA0001702644250000096
对候选点进行筛选，确定提取的预筛选特征点总数c1，预筛选特征集C1。基于自适应阈值的候选点的预筛选描述见算法1。
Figure BDA0001702644250000098
Figure BDA0001702644250000097
Figure BDA0001702644250000101
Step3结合Frostner算法确定最佳候选点总数c2。具体流程：首先，以预筛选特征集C1任意一点(xi,yi)为中心建立3*3窗口，对该窗口内的每个点计算协方差矩阵cov，如公式(12)。
Figure BDA0001702644250000102
其中，
Figure BDA0001702644250000103
是Robert梯度算子。
Figure BDA0001702644250000104
Figure BDA0001702644250000105
Figure BDA0001702644250000106
是灰度函数，
Figure BDA0001702644250000107
表示该点的灰度值。接着，计算特征点的权值ω和圆度τ，如公式(13)、(14)。
Figure BDA0001702644250000108
Figure BDA0001702644250000109
其中det(cov)是协方差矩阵cov的行列式，trace(cov)是协方差矩阵cov的迹。然后，ω、τ与给定阈值
Figure BDA00017026442500001010
比较，确定备选点特征集C2。最后在一定窗口内，依据权值ω确定最佳候选点个数c2。改进Harris与Forstner结合算法描述见算法 2。
Figure BDA00017026442500001011
Figure BDA0001702644250000111
2结合SURF与词袋模型的特征描述
为了提高Harris特征点的图像表征能力，提高图像检索精度与效率，本发明结合SURF算法[H.Bay,A.Ess,T.Tuytelaars,et al.Speeded-up robust features(SURF) [J].Computer Vision&Image Understanding,2008,110(3):346-359.]来描述Harris 特征点，并结合词袋模型生成图像的特征向量。
基于SURF的Harris特征描述算法如下：
Step1，构建Harris特征点尺度金字塔。
Step2，为Harris特征点选主方向，即G中每个特征点(xi,yi)为中心，以
Figure BDA0001702644250000112
为半径，
Figure BDA0001702644250000113
是该点的尺度(尺度一般是指开展研究所采用的空间大小的量度)，计算在60°扇形区域的特征点在水平和垂直方向的Haar小波响应总和(Haar小波的尺寸边长为
Figure BDA0001702644250000116
)记为∑sumi。然后以一定间隔(一般间隔45°)旋转60°扇形，选取∑sumi最大值时扇形的方向作为该特征主方向。
Step3，将边长
Figure BDA0001702644250000114
的正方形，划分为16个小正方形窗口，正方形的选取是以特征点中心，用公式(15)计算每个窗口中的特征子向量v,这样每个小区域就有4个值，所以在：G特征集中，每个特征点
Figure BDA0001702644250000115
就是16×4＝64维的描述向量。
v＝(∑dx,∑dy,Σ|dx|,Σ|dy|)(15)
其中，∑dx表示Haar小波特征的水平方向分量之和,∑dy表示Harr小波特征垂直方向分量之和,∑|dx|表示Harr小波特征的水平方向分量绝对值之和，∑|dy|表示 Haar垂直方向分量绝对值之和。
用词袋模型生成每副图像的特征向量方法如下：
Step1用
Figure BDA0001702644250000121
聚类算法对局部特征
Figure BDA0001702644250000122
进行聚类，形成一个视觉单词。
Figure BDA0001702644250000123
聚类流程：首先，随机选择
Figure BDA0001702644250000124
个点作为聚类中心
Figure BDA0001702644250000125
然后，用公式(16)计算特征集G中的每个数据点到这
Figure BDA0001702644250000126
个中心的距离
Figure BDA0001702644250000127
并将数据点按距离分配到最近的中心，形成
Figure BDA0001702644250000128
个簇
Figure BDA0001702644250000129
Figure BDA00017026442500001210
其中，(xi,yi)是C2中的点，(xj,yj)是
Figure BDA00017026442500001211
个点作为聚类中心中的点；
接着，用(17)公式计算簇的平均值
Figure BDA00017026442500001212
指定这些值为新的聚类中心，即视觉单词
Figure BDA00017026442500001213
Figure BDA00017026442500001214
其中，
Figure BDA00017026442500001215
表示第j个视觉单词
Figure BDA00017026442500001216
的平均值，即根据公式(17)知，是
Figure BDA00017026442500001217
的总和与簇
Figure BDA00017026442500001218
的个数的比值，
Figure BDA00017026442500001219
是
Figure BDA00017026442500001220
的个数。
最后重复以上步骤2和3，直到聚类中心的值满足最小化均方误差MSE函数式(18)收敛。此时视觉单词表示为
Figure BDA00017026442500001221
Figure BDA00017026442500001222
Step2得到视觉单词之后，将局部特征
Figure BDA00017026442500001223
对应到视觉单词中，如公式(19) 所示。统计整幅图像的视觉单词出现频率，生成图像特征向量fii，所有图像的特征向量可以表示为
Figure BDA00017026442500001224
SURF与词袋模型的特征描述算法见算法3。
Figure BDA00017026442500001225
其中
Figure BDA00017026442500001226
表示
Figure BDA00017026442500001227
对应到视觉单词
Figure BDA00017026442500001228
的权重。
Figure BDA00017026442500001229
Figure BDA0001702644250000131
因为直接采用提取的特征向量进行相似性检索，不能取得高效检索效率。因此要选择合理的算法，达到高效检索的目的。
3哈希索引构建
为了提高检索效率，本发明采用一个预处理索引表对相似图像预筛选。现有的方法大多是采用局部敏感哈希算构建索引。本发明采用基于ρ稳定的LSH函数族构建哈希表，ρ-LSH具有局部敏感哈希算法的特性，因此本发明通过增加LSH 函数族的数量以及哈希表的数量，对该算法进行了优化。具体而言，数据拥有者选取L个LSH函数{h1,h2,…,hL}，并对所有的特征向量
Figure BDA0001702644250000132
应用函数
Figure BDA0001702644250000133
为了提高准确率，重复这个过程λ遍，从而生成λ个哈希表。用{Di,j}，其中，i∈[1,λ]j∈[1,Ni]。表示由局部敏感哈希函数生成的桶值集，Ni表示第i个哈希表中的总桶数。ID(mt)表示图像mt将自身的ID关联至相应的桶值Di,j如表1所示。为提高安全性，本发明运用一个单向函数对哈希表中的关键词进行加密。
表1第i加密哈希表
Tab1Encrypted hash table of i
Figure BDA0001702644250000134
哈希索引表可以将相似的图像保存到同一个桶中，用户在搜索时可以缩短查询时间，但是这样搜索的结果仍然会有不相似图像，不能满足要求。因此，为了进一步提高检索精度，本发明用欧式距离对已经搜索的相似图像进行相似度量。综上所述，本发明需要设计一个特征提取时间少，并可以进行安全的检索的密文图像检索方案。
4基于Harris角点优选与局部敏感哈希的密文图像检索方案
本发明的加密图像检索方案有三个模块组成：数据拥有者、查询用户、云服务商。三个模块都有各自的任务，一起组成整个加密图像检索系统。
数据拥有者：对于一个图像集M，首先，用GenHarris(Harris,M)生成特征集为
Figure BDA0001702644250000141
接着用
Figure BDA0001702644250000142
生成特征向量
Figure BDA0001702644250000143
然后用
Figure BDA0001702644250000144
生成索引I,用
Figure BDA0001702644250000145
分别生成加密特征向量
Figure BDA0001702644250000146
加密图像集M′、加密索引I′。最后，将
Figure BDA0001702644250000147
I发送到云服务器，将加密密钥K发送给查询用户。 GenHarris(Harris,M)表示采用Harris算法对图像M提取图像特征；
Figure BDA0001702644250000148
表示对特征集
Figure BDA0001702644250000149
生成特征向量；
Figure BDA00017026442500001410
表示对特征向量
Figure BDA00017026442500001411
构建索引；
Figure BDA00017026442500001412
表示对特征向量
Figure BDA00017026442500001413
图像集M、索引I进行加密，加密特征向量和索引的方法采用Xia[2]的方案，用Xia[2]的方案生成的密钥为K。
查询用户：对于查询图像集Mq，首先，用GenHarris(Harris,Mq)生成特征集为
Figure BDA00017026442500001414
接着用
Figure BDA00017026442500001415
生成特征向量
Figure BDA00017026442500001416
然后，用
Figure BDA00017026442500001417
生成陷门TD，然后将陷门TD发送到云服务器。最后，用
Figure BDA00017026442500001418
解密返回相似图像
Figure BDA00017026442500001419
云服务器：用
Figure BDA00017026442500001420
算法进行检索并返回相似结果集
Figure BDA00017026442500001421
具体算法流程算法4。
Figure BDA00017026442500001422
Figure BDA0001702644250000151
实验结果与分析
本发明用Matlab R2014a+vs2008C++在Dell-14R-5421笔记本电脑、操作系统Windows 10系统、CPU为Intel(R)Core(TM)i5-3337U@1.80GHz对算法测试。本发明实验的图像库是Corel test set[7]。图像库中分为10类，每一类100幅大小256×384或384×256的JPG格式的图像。本发明实验在 Harris算法、L、λ三个方面有效优化加密图像检索。实验中使用的参数：w＝4，
Figure BDA0001702644250000152
每个LSH函数使用的函数用L表示。
1检索精度
本发明中的搜索精度可以定义为：Pk＝k＇/k，其中k＇是返回的前k个图像中与查询图像相似的图像。本发明的实验思路：首先，从10类图像随机抽取两幅图像组成查询库，然后测试当k＝10,20,25,30,35,40,45,50时，本发明与Xia等的检索方案的检索精度。
图3-4是当L、λ取不同参数时，根据Top-k的取值，检索效率变化结果图。当L＝2、λ＝20，且Top-k小于25时，本发明的检索效率与Xia的方案的检索效率持平，检索效率随着Top-k的增大而减小。但当Top-k大于25 时本发明的检索效率略优于Xia的方案，如图3。调整L、λ的值，当L＝2、λ＝2，此时两种方案与原来相比，检索效率有所降低，但本发明算法的检索效率仍高于Xia的方案，如图4。通过这个实验结果分析，本发明的检索效率比Xia的方案高效，本发明的搜索时间与Xia的方案较好。
2检索时间
本发明从两个方面衡量检索时间，第一，索引构建时间。第二，陷门生成时间。
索引构建
在采用ρ-stable局部敏感哈希算法构建索引前，首先应提取图像特征，然后采用词袋模型聚类生成特征向量。因此本索引构建的时间可以分为三个部分: 第一特征提取时间，第二聚类时间，第三索引构建时间。
图6,7分别是两个方案的特征提取时间和聚类时间。从图中可以看出，本发明的检索方案不但特征提取时间比Xia的特征提取时间少，而且聚类的时间也取得较好结果。图7是索引构建时间的对比。本发明取与Xia的文献[1]相同的参数进行测试比较，即L＝2、λ＝20，本发明的索引构建时间低于Xia的方案，如图8。从整个索引构建时间分析，本发明比Xia的方案高效。
陷门构建
陷门构建时间如图9所示。分析整个陷门时间变化，与Xia的方案相比，本发明构建陷门的时间较短。
结论
本发明提出一个云环境下基于Harris角点优选与局部敏感哈希优化的加密图像检索方案。
该方案首先优化了Harris算法固定阈值和运算速度慢的问题，并结合Forstner算法提取图像特征，接着，为了更好的在云服务器上检索，采用SURF算法描述每个特征点，并结合词袋模型生成每副图像的特征向量。然后，为了提高检索效率，优化局部敏感哈希算法参数，并用该算法构建索引。最后，在云服务器上对加密的数据进行相似性检索。安全分析和实验表明了本方案的安全性和高效性。
文献1和文献2出处：
[1]Z.Xia,Y.Zhu,X.Sun,et al.Towards Privacy-preserving content-basedimage retrieval in cloud computing[J].IEEE Transactions on Cloud Computing,2018,6(1): 276-286.
[2]Z.Xia,N.Xiong,V.Vasilakos,et al.EPCBIR:An efficient and privacy-preserving content-based image retrieval scheme in cloud computing[J].Information Sciences, 2017,387:195-204.
[3]C.Harris,M.Stephens.A combined corner and edge detector[J].ProcAlvey Vision Conf.IEEE, 1988(3).147–151.
[4]M.Datar,N.Immorlica,P.Indyk,V.S.Mirrokni.Locality-sensitivehashing scheme based on p-stable distributions[C]//Twentieth Symposium onComputational Geometry.ACM, 2004:253-262.
[5]
Figure BDA0001702644250000161
E.Gülch.A fast operator for detection and preciselocation of distinct points, corners and circular features[J].IsprsIntercommission Workshop Interlaken,1987:281-305.
[6]H.Bay,A.Ess,T.Tuytelaars,et al.Speeded-up robust features(SURF)[J].Computer Vision& Image Understanding,2008,110(3):346-359.
[7]J.Wang,J.Li,G.Wiederhold.Simplicity:Semantics-sensitive integratedmatching for picture libraries[J].Pattern Analysis&Machine Intelligence IEEETransactions on,2001,23(9):947-963。

Claims (6)

1.一种云环境下的密文图像检索方法，其特征在于：
(一)针对数据拥有者：
对于一个图像集M，实施以下操作：
(1)用GenHarris(Harris，M)生成特征集为
Figure FDA0003061278780000011
(2)用
Figure FDA0003061278780000012
生成特征向量
Figure FDA0003061278780000013
(3)用
Figure FDA0003061278780000014
生成索引I，用
Figure FDA0003061278780000015
分别生成加密特征向量
Figure FDA0003061278780000016
加密图像集M′、加密索引I′；
(4)将
Figure FDA0003061278780000017
M′、I′发送到云服务器，将加密密钥K发送给查询用户；
GenHarris(Harris，M)表示采用Harris算法对图像M提取图像特征；
Figure FDA0003061278780000018
表示对特征集
Figure FDA0003061278780000019
生成特征向量；
Figure FDA00030612787800000110
表示对特征向量
Figure FDA00030612787800000111
构建索引；
Figure FDA00030612787800000112
表示对特征向量
Figure FDA00030612787800000113
图像集M、索引I进行加密；
(二)针对查询用户：
对于查询图像集Mq，执行以下操作：
(1)用GenHarris(Harris，Mq)生成特征集为
Figure FDA00030612787800000114
GenHarris(Harris，Mq)表示采用Harris算法对图像Mq提取图像特征；
(2)用
Figure FDA00030612787800000115
生成特征向量
Figure FDA00030612787800000116
Figure FDA00030612787800000117
表示对特征集
Figure FDA00030612787800000118
生成特征向量；
(3)用
Figure FDA00030612787800000119
生成陷门TD，然后将陷门TD发送到云服务器；
Figure FDA00030612787800000120
为产生陷门的函数；
(4)用解密函数
Figure FDA00030612787800000121
解密返回相似图像
Figure FDA00030612787800000122
(三)针对云服务器：
用
Figure FDA00030612787800000123
算法进行检索并返回相似结果集
Figure FDA00030612787800000124
GenHarris(.)是指基于自适应阈值与Forstner方法进行Harris角点优选；
确定候选节点后，再根据最大角点响应函数对候选点进行筛选，确定提取的预筛选特征点总数c1，最后结合Frostner算法确定最佳候选点总数c2，实现Harris角点优选;
Harris角点优选包括以下步骤：
步骤1：采用8邻域相似像素分析法确定候选集C；
对于图像中的任一目标像素点(x，y)，计算该目标像素点与8邻域范围内像素点灰度差的绝对值Δ，通过与设定的阈值
Figure FDA00030612787800000125
相比较来确定是否相似，统计目标像素点与周围8个点的相似个数N(x，y)，如下式所示：
Figure FDA0003061278780000021
式中：识别函数
Figure FDA0003061278780000022
当2≤N(x，y)≤6时，将该目标像素点(x，y)视为候选点，用C表示候选点集合；
步骤2：计算每个候选点的响应函数CRF，定义阈值
Figure FDA0003061278780000028
为最大CRF值的
Figure FDA0003061278780000029
倍，即
Figure FDA0003061278780000023
根据最大角点响应函数
Figure FDA00030612787800000210
对候选点进行筛选，确定提取的预筛选特征点总数c1，预筛选特征集C1；
步骤3：结合Frostner算法确定最佳候选点集G
Figure FDA00030612787800000211
以及最佳候选点总数c2；
首先，以预筛选特征集C1任意一点(xi，yi)为中心建立3*3窗口，对该窗口内的每个点计算协方差矩阵cov：
Figure FDA0003061278780000024
其中，
Figure FDA00030612787800000212
是Robert梯度算子；
Figure FDA0003061278780000025
Figure FDA00030612787800000213
是灰度函数，
Figure FDA00030612787800000214
表示点(x，y)的灰度值；
接着，计算特征点的权值ω和圆度τ；
Figure FDA0003061278780000026
Figure FDA0003061278780000027
其中det(cov)是协方差矩阵cov的行列式，trace(cov)是协方差矩阵cov的迹；然后，将ω、τ分别与给定阈值
Figure FDA00030612787800000215
比较，将满足
Figure FDA00030612787800000216
且
Figure FDA00030612787800000217
的备选点加入特征集C2；最后在一定窗口内，依据权值ω将满足条件ω(x，y)＝max{ω(x，y)}的点加入最佳候选点集G，最佳候选点集G中的候选点的个数即为c2。
2.根据权利要求1所述的云环境下的密文图像检索方法，其特征在于，Genfeature(.)是指结合SURF算法描述Harris特征点，并结合词袋模型生成图像的特征向量。
3.根据权利要求1所述的云环境下的密文图像检索方法，其特征在于，Buildindex(.)是指构建哈希索引；采用基于ρ稳定的LSH函数族构建哈希表，作为哈希索引。
4.根据权利要求2所述的云环境下的密文图像检索方法，其特征在于：生成图像的特征向量的步骤如下：
步骤s1：用
Figure FDA0003061278780000035
聚类算法对局部特征
Figure FDA0003061278780000036
进行聚类，形成一个视觉单词；
Figure FDA0003061278780000037
是
Figure FDA0003061278780000038
在聚类中的表示；
步骤S1a，随机选择
Figure FDA0003061278780000039
个点作为聚类中心
Figure FDA00030612787800000310
然后，用下式计算特征集G中的每个数据点到这
Figure FDA00030612787800000311
个聚类中心的距离
Figure FDA00030612787800000335
并将数据点按距离分配到最近的聚类中心，形成
Figure FDA00030612787800000312
个簇
Figure FDA00030612787800000313
Figure FDA0003061278780000031
其中，(xi，yi)是C2中的点，(xj，yj)是
Figure FDA00030612787800000314
个点作为聚类中心中的点；
步骤S1b，用下式计算簇的平均值
Figure FDA00030612787800000315
指定这些值为新的聚类中心，即视觉单词
Figure FDA00030612787800000316
Figure FDA0003061278780000032
其中，
Figure FDA0003061278780000033
表示第j个视觉单词
Figure FDA00030612787800000317
的平均值，即
Figure FDA00030612787800000318
的总和与簇
Figure FDA00030612787800000319
的个数的比值，
Figure FDA00030612787800000320
的总和是指簇中的特征点的特征值相加，
Figure FDA00030612787800000321
是
Figure FDA00030612787800000322
的个数；
步骤S1c：重复以上步骤S1a和S1b，直到聚类中心的值满足最小化均方误差MSE函数收敛；此时视觉单词表示为
Figure FDA00030612787800000323
每个
Figure FDA00030612787800000325
是一个
Figure FDA00030612787800000324
特征向量；
Figure FDA0003061278780000034
步骤S2：得到视觉单词之后，将局部特征
Figure FDA00030612787800000326
按下式对应到视觉单词中；
Figure FDA00030612787800000327
其中
Figure FDA00030612787800000328
表示
Figure FDA00030612787800000329
对应到视觉单词
Figure FDA00030612787800000330
的权重；
统计整幅图像的视觉单词出现频率，视觉单词出现频率即统计每个视觉单词在局部特征出现的个数，生成图像特征向量fi，所有图像的特征向量表示为
Figure FDA00030612787800000331
5.根据权利要求3所述的云环境下的密文图像检索方法，其特征在于，采用基于ρ稳定的LSH函数族构建哈希表作为哈希索引的步骤如下：
数据拥有者选取L个LSH函数{h1，h2，...，hL}，并对所有的特征向量
Figure FDA00030612787800000332
应用函数
Figure FDA00030612787800000333
Figure FDA00030612787800000334
表示哈希函数族；为了提高准确率，重复这个过程λ遍，从而生成λ个哈希表；用{Di，j}，i∈[1，λ]，j∈[1，Ni]表示由局部敏感哈希函数生成的桶值集，Ni表示第i个哈希表中的总桶数；ID(mt)表示图像mt将自身的ID关联至相应的桶值Di，j，形成加密哈希表。
6.一种云环境下的密文图像检索系统，其特征在于，包括数据上传终端、云服务器和查询终端；
(1)数据上传终端用于对图像拥有者将图像进行处理，将处理后的图像的加密特征上传到云服务器；
(2)云服务器用于存储数据上传终端上传的图像以及图像的加密特征；云服务器还用于执行检索操作，将检索结果返回到查询终端；
(3)查询终端用于查询用户输入待查询的图像，以及用于显示云服务器返回的查询结果；
采用权利要求1-5任一项所述的云环境下的密文图像检索方法实施图像检索。
CN201810642032.XA 2018-06-21 2018-06-21 一种云环境下的密文图像检索方法及系统 Active CN108959478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810642032.XA CN108959478B (zh) 2018-06-21 2018-06-21 一种云环境下的密文图像检索方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810642032.XA CN108959478B (zh) 2018-06-21 2018-06-21 一种云环境下的密文图像检索方法及系统

Publications (2)

Publication Number Publication Date
CN108959478A CN108959478A (zh) 2018-12-07
CN108959478B true CN108959478B (zh) 2021-06-22

Family

ID=64491969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810642032.XA Active CN108959478B (zh) 2018-06-21 2018-06-21 一种云环境下的密文图像检索方法及系统

Country Status (1)

Country Link
CN (1) CN108959478B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020133032A1 (zh) * 2018-12-27 2020-07-02 深圳技术大学（筹） 一种可防伪造的多用户密文搜索方法
CN109783667B (zh) * 2019-01-14 2023-10-27 西安电子科技大学 一种图像存储和检索的方法、客户端及系统
CN110866135B (zh) * 2019-11-12 2022-09-23 重庆邮电大学 一种基于响应长度隐藏的k-NN图像检索方法及系统
CN111552988B (zh) * 2020-04-21 2023-05-02 西安电子科技大学 基于蒙特卡罗抽样的前向安全k近邻检索方法及系统
CN111709867B (zh) * 2020-06-10 2022-11-25 四川大学 基于新型全卷积网络的等模矢量分解图像加密分析方法
CN112307248B (zh) * 2020-11-26 2023-11-03 国网数字科技控股有限公司 一种图像检索方法及装置
CN112883207B (zh) * 2021-02-01 2022-08-02 西北师范大学 一种基于特征融合的高安全生物哈希密文语音检索方法
CN112836008B (zh) * 2021-02-07 2023-03-21 中国科学院新疆理化技术研究所 基于去中心化存储数据的索引建立方法
CN112817916B (zh) * 2021-02-07 2023-03-31 中国科学院新疆理化技术研究所 基于ipfs的数据获取方法及系统
CN113194060A (zh) * 2021-03-09 2021-07-30 中国大唐集团科学技术研究院有限公司 一种基于支持向量机算法的电厂工控系统数字量加密传输算法
CN113420141B (zh) * 2021-06-24 2022-10-04 中国人民解放军陆军工程大学 基于哈希聚类和上下文信息的敏感数据搜索方法
CN115733617B (zh) * 2022-10-31 2024-01-23 支付宝(杭州)信息技术有限公司 一种生物特征认证方法和系统
CN116389654B (zh) * 2023-06-07 2023-08-15 吉林信息安全测评中心 一种数据加密方法，装置，设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于点特征的立体匹配算法研究;王艳;《中国优秀硕士学位论文全文数据库信息科技辑》;20091215;31 *
移动云环境下密文图像检索技术研究;邹琴;《中国优秀硕士学位论文全文数据库信息科技辑》;20180415;7-50 *
邹琴.移动云环境下密文图像检索技术研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2018,7-50. *
面向图像检索和分类任务的稀疏特征学习;徐望明;《中国博士学位论文全文数据库信息科技辑》;20140515;31-37 *

Also Published As

Publication number Publication date
CN108959478A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN108959478B (zh) 一种云环境下的密文图像检索方法及系统
Qin et al. An encrypted image retrieval method based on Harris corner optimization and LSH in cloud computing
Xia et al. Towards privacy-preserving content-based image retrieval in cloud computing
CN107480163B (zh) 一种云环境下支持隐私保护的高效密文图像检索方法
Zhou et al. Fast and accurate near-duplicate image elimination for visual sensor networks
Xia et al. A Privacy-Preserving Image Retrieval Based on AC-Coefficients and Color Histograms in Cloud Environment.
Lu et al. Enabling search over encrypted multimedia databases
Makantasis et al. In the wild image retrieval and clustering for 3D cultural heritage landmarks reconstruction
US20160048849A1 (en) Method and system for clustering and classifying online visual information
Xu et al. A large-scale secure image retrieval method in cloud environment
Emam et al. Two‐stage keypoint detection scheme for region duplication forgery detection in digital images
Huang et al. Toward efficient encrypted image retrieval in cloud environment
Qin et al. A privacy-preserving image retrieval method based on deep learning and adaptive weighted fusion
Gong et al. A privacy-preserving image retrieval method based on improved bovw model in cloud environment
Anju et al. Secure content-based image retrieval using combined features in cloud
Qin et al. An encrypted image retrieval method based on SimHash in cloud computing
Xia et al. A similarity search scheme over encrypted cloud images based on secure transformation
Liang et al. Secure and efficient image retrieval over encrypted cloud data
Magdy et al. Privacy preserving search index for image databases based on SURF and order preserving encryption
Hu et al. SensIR: Towards privacy-sensitive image retrieval in the cloud
Bel et al. Encrypted image retrieval method using SIFT and ORB in cloud
Majhi et al. Random projection and hashing based privacy preserving for image retrieval paradigm using invariant and clustered feature
Huang et al. Efficient privacy-preserving content-based image retrieval in the cloud
Sharmi et al. Content-based image retrieval using fast machine learning approach in cloud computing
Nie et al. Structural similarity‐based video fingerprinting for video copy detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant