CN112417190A - 一种密文jpeg图像的检索方法及应用 - Google Patents
一种密文jpeg图像的检索方法及应用 Download PDFInfo
- Publication number
- CN112417190A CN112417190A CN202011353549.0A CN202011353549A CN112417190A CN 112417190 A CN112417190 A CN 112417190A CN 202011353549 A CN202011353549 A CN 202011353549A CN 112417190 A CN112417190 A CN 112417190A
- Authority
- CN
- China
- Prior art keywords
- image
- ciphertext
- jpeg
- neural network
- network model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种密文JPEG图像的检索方法及应用,该方法的步骤包括:获取明文图像及相应的DC系数和AC系数,对明文图像进行图像加密,在熵编码生成比特流是对比特流加密,得到加密的JPEG比特流,并在加密的JPEG比特流中提取特征;解析密文JPEG比特流提取特征,提取DC系数和AC系数的哈夫曼码直方图作为特征;构建神经网络模型,将密文图像的哈夫曼码直方图特征输入神经网络模型,并训练神经网络模型;输入待检索图像加密后的密文图,将密文图的哈夫曼码直方图特征输入到训练好的神经网络模型,输出与待检索图像相似的密文图像。本发明在提升图像检索精度的同时也保证了JPEG图像格式兼容性和加密性能。
Description
技术领域
本发明涉及图像加密和检索技术领域,具体涉及一种密文JPEG图像的检索方法及应用。
背景技术
近年来,由于数字服务的快速发展,大量的图像在各种社交网络上分享,如Facebook和Instagram。通常,图像数据包含丰富的信息,可以用于不同的目的,例如特征提取和图像检索。随着云计算的出现,改变了传统的本地存储模式,满足了用户将海量的图像数据存储在服务器的需求,同时又允许用户随时随地的取用。虽然云计算给用户带来了极大的便利,但是出于数据隐私保护的考虑,数据在上传之前往往被加密处理,传统的图像加密算法阻碍了进一步有意义的操作,对加密图像数据的可行性检索造成了威胁。因此,开发能够提供隐私保护和有效检索的检索技术就显得非常迫切。由于JPEG是各种社交网络平台以及数码相机使用的图像格式的主要形式,对加密的JPEG图像进行检索无疑具有重要的现实意义。该方案的目的是解决加密域内的图像检索问题,同时保证JPEG图像的格式遵从性和文件大小。
目前为止,有很多密文图像检索技术被提出来了,但是有些技术造成了信息泄露,有些技术检索效率和性能低。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种密文JPEG图像的检索方法,本发明提取密文图的哈夫曼码直方图作为特征,可以防止信息泄露,因为密文图的哈夫曼码直方图已经改变了,和明文图不一样,在提升精度的同时也保证了JPEG图像格式兼容性和加密性能。
本发明的第二目的在提供一种密文JPEG图像的检索系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
为了达到上述目的,本发明采用以下技术方案:
一种密文JPEG图像的检索方法,包括下述步骤:
获取明文图像及相应的DC系数和AC系数,对明文图像进行图像加密,在熵编码生成比特流是对比特流加密,得到加密的JPEG比特流,并在加密的JPEG比特流中提取特征;
解析密文JPEG比特流提取特征,提取DC系数和AC系数的哈夫曼码直方图作为特征;
构建神经网络模型,将密文图像的哈夫曼码直方图特征输入神经网络模型,并训练神经网络模型;
输入待检索图像加密后的密文图,将密文图的哈夫曼码直方图特征输入到训练好的神经网络模型,输出与待检索图像相似的密文图像。
作为优选的技术方案,所述对明文图像进行图像加密,先将明文图从RGB转换成YUV色彩空间,分别对各个分量进行采样和加密,具体步骤包括:
将图像分量分割成多个不重叠的块并随机打乱,对每个块做DCT变换和熵编码;
对块内AC系数进行置乱加密和流加密:
对DC系数进行流加密。
作为优选的技术方案,所述将图像分量分割成多个不重叠的块并随机打乱,所述随机打乱采用一个标准的密钥流kB打乱,在量化的时候采用相同的量化因子。
作为优选的技术方案,所述对块内AC系数进行置乱加密和流加密,具体步骤包括:
块内AC系数置乱,对熵编码之前的AC系数打乱,将AC系数的VLI码与一个标准的密钥流进行异或加密。
作为优选的技术方案,所述对DC系数进行流加密,具体步骤包括:
将DC系数的VLI码与标准的密钥流kD进行异或加密,将不同哈夫曼码的频率作为密文JPEG图像的直方图特征。
作为优选的技术方案,所述神经网络模型采用孪生网络结构,包括输入层、全连接层、注意力残差模块和输出层;
所述输入层设有第一输入端和第二输入端,所述第一输入端用于输入待检索密文图的哈夫曼码直方图特征,所述第二输入端用于输入存储的哈夫曼码直方图对照特征,在训练好的神经网络模型中计算输出的余弦相似度并进行排序;
所述注意力残差模块用于训练特征向量的权重;
所述全连接层的激活函数采用ReLU激活函数,所述输出层激活函数采用tanh激活函数。
作为优选的技术方案,训练神经网络模型时损失函数用输出的向量做余弦相似度,采用用负样本的余弦相似度值减去正样本的余弦相似度值加上一个预设的阈值。
为了到达上述第二目的,本发明采用以下技术方案:
一种密文JPEG图像的检索系统,包括:图像加密模块、特征提取模块、神经网络模型构建模块、神经网络模型训练模块和图像检索模块;
所述图像加密模块用于对明文图像进行图像加密,获取明文图像及相应的DC系数和AC系数,在熵编码生成比特流是对比特流加密,得到加密的JPEG比特流,并在加密的JPEG比特流中提取特征;
所述特征提取模块用于解析密文JPEG比特流提取特征,提取DC系数和AC系数的哈夫曼码直方图作为特征;
所述神经网络模型构建模块用于构建神经网络模型;
所述神经网络模型训练模块用于将密文图像的哈夫曼码直方图特征输入神经网络模型,训练神经网络模型;
所述图像检索模块用于将输入待检索图像加密后的密文图,将密文图的哈夫曼码直方图特征输入到训练好的神经网络模型,输出与待检索图像相似的密文图像。
为了到达上述第三目的,本发明采用以下技术方案:
一种存储介质,存储有程序,所述程序被处理器执行时实现如上述所述密文JPEG图像的检索方法。
为了到达上述第四目的,本发明采用以下技术方案:
一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现如上述所述密文JPEG图像的检索方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明联合哈夫曼码和神经网络的密文JPEG图像检索,采用置乱加密和流加密技术对图像进行加密,解决了信息泄露的问题,加密图不会披露出明文图的细节和统计特征,达到了安全存储在服务器的效果。
(2)本发明采用深度学习方法做密文图像检索,解决了检索性能低的问题,达到了较高精度的检索效果,在提升精度的同时也保证了JPEG图像格式兼容性和加密性能。
附图说明
图1为本实施例1密文JPEG图像的检索方法整体框架示意图;
图2(a)为本实施例1的一张明文图示例图;
图2(b)为本实施例1的另一张明文图示例图;
图2(c)为图2(a)明文图加密之后的密文JPEG图像示意图;
图2(d)为图2(b)明文图加密之后的密文JPEG图像示意图;
图3为本实施例1图像检索的注意力残差模块的结构示意图;
图4为本实施例1图像检索的整体网络架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本实施例提供一种密文JPEG图像检索的方法,联合哈夫曼码和神经网络,主要包括三个部分:内容拥有者,服务器和授权用户,其中,内容拥有者加密JPEG图像使得保护隐私,然后将加密的图像存储在服务器中;服务器根据密文数据库解析JPEG比特流提取特征,提取密文图像的哈夫曼码直方图特征,将其作为网络模型的输入,根据输入的特征训练一个网络模型,将训练好的网络模型保存在服务器中。当授权用户需要检索图像时,只需要提供待检索图像的密文图给服务器,然后将密文图的哈夫曼码直方图特征输入到保存的网络模型中,根据输出的结果找出相似的图像,并返回与查询图像相似的密文图像给授权用户,最后由授权用户自己解密获得相应的相似明文图像。本实施例主要工作包括内容所有者的图像加密和服务提供者的图像检索,具体包括下述步骤:
S1:图像加密
本实施例的加密方法是在熵编码生成比特流的时候对比特流加密,最后得到一个加密的JPEG比特流,并在加密的JPEG比特流中提取特征。在本实施例中,JPEG图像的DC系数加密方法采用流加密,AC系数加密方法采用流加密和置乱加密。这个加密方法有效防止了信息泄露问题。本实施例先将明文图从RGB转换成YUV色彩空间,然后按照4:2:0对各分量采样,加密的时候分别对三个分量加密,加密流程基本相同,本实施例以Y分量加密为例,内容拥有者用三步去加密彩色的JPEG图像,UV分量过程类似;
具体步骤包括:
S11:块间置乱
第一步块间置乱,本实施例将Y分量分成若干个8×8的不重叠的块并随机打乱,然后对每个块做DCT变换和熵编码,本实施例的熵编码是JPEG的标准编码格式,随机打乱的时候用一个标准的密钥流kB去打乱,在量化的时候都用相同的量化因子(QuantificationFactor);
S12:块内AC系数置乱加密和流加密;
第二步块内AC系数置乱,这里打乱的是熵编码之前的AC系数,因为(r,v)对改变了,所以AC系数的哈夫曼码直方图也相应改变了,然后对AC系数可变长度整数(VLI码)进行异或加密;每个块有63个AC系数,本实施例根据标准密钥流kp去打乱AC系数,每个块的打乱方式不相同,然后把AC系数的VLI码与一个标准的密钥流kA去做异或操作。
S13:DC系数流加密
第三步对DC系数的VLI码进行异或加密,用一个标准的密钥流kD去和DC系数的VLI码按位异或。由于块间打乱后DC系数的差分值变了,所以DC系数的哈夫曼码直方图也相应改变了,和明文图的不一样,因此将不同哈夫曼码的频率作为密文JPEG图像的直方图特征。如图2(a)和图2(c)所示,分别为两张明文图,如图2(b)和图2(d)所示,分别为对应加密之后的密文JPEG图像;
S2:图像检索
解析密文JPEG比特流,提取DC系数和AC系数的哈夫曼码直方图作为特征,用深度学习的方法去做检索。如图4所示,神经网络模型框架整体架构采用孪生网络结构,左边两个是输入层,右边两个是输出层,中间是两个输入公共的部分,由全连接层和注意力残差模块组成。本实施例在Corel数据集上去评估本方案的性能,Corel数据集有1000张图像,10个类别,每个类别100张图像,每张图像大小为384×256或者256×384,采用本实施例所提出的加密方法去加密图像。在训练神经网络的时候,选择800张图像作为训练集,200张图像作为测试集,按照分层抽样的思想,训练集中每个类别抽取80张,剩下的20张作为测试集。在检索的时候,服务器提取授权用户送进来的密文图像的哈夫曼码直方图特征,将其作为图4中的input_1,将服务器中密文图像的哈夫曼码直方图特征作为图4中的input_2,送进训练好的网络模型中,计算输出的余弦相似度,将所有的余弦相似度的值进行排序,从大到小排序,返回前k张给授权用户。
S2.1输入层
整体网络架构采用孪生网络结构,输入是两张图的特征向量,每张图的特征向量维度是522(12*3+162*3)。相同类别的输入作为正样本,不同类别的输入作为负样本,为了保证正负样本均衡,采样的时候需要正负样本数量一样。
S2.2注意力残差模块
在训练的时候,训练特征向量的权重,用一个小的注意力模块去训练权重,如图3所示,虚线框内就是训练的权重,先将原始特征向量降维,降维倍数是16倍,再扩维到之前的维度,扩维得到的向量就是学习的权重,最后将学习的权重与原特征向量相乘,把这个模块记作注意力模块。另外为了使网络更深,可以采用残差网络的思想,将其与注意力模块融合在一起,如图4所示,将融合的模块记作注意力残差模块。
S2.3全连接层
如图4所示,图中的FC就是全连接层,每个全连接层做一个批归一化,非线性激活函数是ReLU。
S2.4输出层
输出是两个向量,经过相同的网络输出两个32维的向量,最后输出层激活函数采用tanh。在训练的时候,损失函数用输出的两个向量做余弦相似度,用负样本的余弦相似度值减去正样本的余弦相似度值加上一个自己定义的阈值,本实施例方法中阈值设为0.5。将训练好的网络模型保存在服务器中,便于后面的检索。
实施例2
本实施例提供一种密文JPEG图像的检索系统,包括:图像加密模块、特征提取模块、神经网络模型构建模块、神经网络模型训练模块和图像检索模块;
在本实施例中,图像加密模块用于对明文图像进行图像加密,获取明文图像及相应的DC系数和AC系数,在熵编码生成比特流是对比特流加密,得到加密的JPEG比特流,并在加密的JPEG比特流中提取特征;
在本实施例中,特征提取模块用于解析密文JPEG比特流提取特征,提取DC系数和AC系数的哈夫曼码直方图作为特征;
在本实施例中,神经网络模型构建模块用于构建神经网络模型;
在本实施例中,神经网络模型训练模块用于将密文图像的哈夫曼码直方图特征输入神经网络模型,训练神经网络模型;
在本实施例中,图像检索模块用于将输入待检索图像加密后的密文图,将密文图的哈夫曼码直方图特征输入到训练好的神经网络模型,输出与待检索图像相似的密文图像。
实施例3
本实施例提供一种存储介质,存储介质可以是ROM、RAM、磁盘、光盘等储存介质,该存储介质存储有一个或多个程序,所述程序被处理器执行时,实现实施例1的密文JPEG图像检索的方法。
实施例4
本实施例提供一种计算设备,所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备,该计算设备包括该计算设备包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现实施例1的密文JPEG图像检索的方法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种密文JPEG图像的检索方法,其特征在于,包括下述步骤:
获取明文图像及相应的DC系数和AC系数,对明文图像进行图像加密,在熵编码生成比特流是对比特流加密,得到加密的JPEG比特流,并在加密的JPEG比特流中提取特征;
解析密文JPEG比特流提取特征,提取DC系数和AC系数的哈夫曼码直方图作为特征;
构建神经网络模型,将密文图像的哈夫曼码直方图特征输入神经网络模型,并训练神经网络模型;
输入待检索图像加密后的密文图,将密文图的哈夫曼码直方图特征输入到训练好的神经网络模型,输出与待检索图像相似的密文图像。
2.根据权利要求1所述的密文JPEG图像的检索方法,其特征在于,所述对明文图像进行图像加密,先将明文图从RGB转换成YUV色彩空间,分别对各个分量进行采样和加密,具体步骤包括:
将图像分量分割成多个不重叠的块并随机打乱,对每个块做DCT变换和熵编码;
对块内AC系数进行置乱加密和流加密:
对DC系数进行流加密。
3.根据权利要求2所述的密文JPEG图像的检索方法,其特征在于,所述将图像分量分割成多个不重叠的块并随机打乱,所述随机打乱采用一个标准的密钥流kB打乱,在量化的时候采用相同的量化因子。
4.根据权利要求2所述的密文JPEG图像的检索方法,其特征在于,所述对块内AC系数进行置乱加密和流加密,具体步骤包括:
块内AC系数置乱,对熵编码之前的AC系数打乱,将AC系数的VLI码与一个标准的密钥流进行异或加密。
5.根据权利要求2所述的密文JPEG图像的检索方法,其特征在于,所述对DC系数进行流加密,具体步骤包括:
将DC系数的VLI码与标准的密钥流kD进行异或加密,将不同哈夫曼码的频率作为密文JPEG图像的直方图特征。
6.根据权利要求1所述的密文JPEG图像的检索方法,其特征在于,所述神经网络模型采用孪生网络结构,包括输入层、全连接层、注意力残差模块和输出层;
所述输入层设有第一输入端和第二输入端,所述第一输入端用于输入待检索密文图的哈夫曼码直方图特征,所述第二输入端用于输入存储的哈夫曼码直方图对照特征,在训练好的神经网络模型中计算输出的余弦相似度并进行排序;
所述注意力残差模块用于训练特征向量的权重;
所述全连接层的激活函数采用ReLU激活函数,所述输出层激活函数采用tanh激活函数。
7.根据权利要求1所述的密文JPEG图像的检索方法,其特征在于,训练神经网络模型时损失函数用输出的向量做余弦相似度,采用用负样本的余弦相似度值减去正样本的余弦相似度值加上一个预设的阈值。
8.一种密文JPEG图像的检索系统,其特征在于,包括:图像加密模块、特征提取模块、神经网络模型构建模块、神经网络模型训练模块和图像检索模块;
所述图像加密模块用于对明文图像进行图像加密,获取明文图像及相应的DC系数和AC系数,在熵编码生成比特流是对比特流加密,得到加密的JPEG比特流,并在加密的JPEG比特流中提取特征;
所述特征提取模块用于解析密文JPEG比特流提取特征,提取DC系数和AC系数的哈夫曼码直方图作为特征;
所述神经网络模型构建模块用于构建神经网络模型;
所述神经网络模型训练模块用于将密文图像的哈夫曼码直方图特征输入神经网络模型,训练神经网络模型;
所述图像检索模块用于将输入待检索图像加密后的密文图,将密文图的哈夫曼码直方图特征输入到训练好的神经网络模型,输出与待检索图像相似的密文图像。
9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7任一项所述密文JPEG图像的检索方法。
10.一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现如权利要求1-7任一项所述密文JPEG图像的检索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011353549.0A CN112417190B (zh) | 2020-11-27 | 2020-11-27 | 一种密文jpeg图像的检索方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011353549.0A CN112417190B (zh) | 2020-11-27 | 2020-11-27 | 一种密文jpeg图像的检索方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417190A true CN112417190A (zh) | 2021-02-26 |
CN112417190B CN112417190B (zh) | 2024-06-11 |
Family
ID=74843257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011353549.0A Active CN112417190B (zh) | 2020-11-27 | 2020-11-27 | 一种密文jpeg图像的检索方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417190B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331448A (zh) * | 2014-10-29 | 2015-02-04 | 上海大学 | 基于jpeg图像交流系数直方图的密文域图像检索方法 |
CN108829848A (zh) * | 2018-06-20 | 2018-11-16 | 华中科技大学 | 一种图像检索方法和系统 |
CN108924552A (zh) * | 2018-08-07 | 2018-11-30 | 华中科技大学 | 基于同态加密的jpeg图像密文下解压缩方法及系统 |
CN109151486A (zh) * | 2018-09-06 | 2019-01-04 | 西南交通大学 | 大容量的jpeg图像比特流加密域可逆数据隐藏方法 |
CN109889687A (zh) * | 2019-01-30 | 2019-06-14 | 西南交通大学 | 基于交流统计特征改变的jpeg图像比特流加密方法 |
CN109951614A (zh) * | 2019-03-05 | 2019-06-28 | 北京交通大学 | 基于jpeg图像的自适应可逆信息隐藏方法 |
CN111325807A (zh) * | 2020-02-24 | 2020-06-23 | 南京信息工程大学 | 一种基于jpeg图像的加密与特征提取方法 |
CN111782853A (zh) * | 2020-06-23 | 2020-10-16 | 西安电子科技大学 | 基于注意力机制的语义图像检索方法 |
CN111886862A (zh) * | 2018-10-29 | 2020-11-03 | 谷歌有限责任公司 | 用于图像压缩的几何变换 |
-
2020
- 2020-11-27 CN CN202011353549.0A patent/CN112417190B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331448A (zh) * | 2014-10-29 | 2015-02-04 | 上海大学 | 基于jpeg图像交流系数直方图的密文域图像检索方法 |
CN108829848A (zh) * | 2018-06-20 | 2018-11-16 | 华中科技大学 | 一种图像检索方法和系统 |
CN108924552A (zh) * | 2018-08-07 | 2018-11-30 | 华中科技大学 | 基于同态加密的jpeg图像密文下解压缩方法及系统 |
CN109151486A (zh) * | 2018-09-06 | 2019-01-04 | 西南交通大学 | 大容量的jpeg图像比特流加密域可逆数据隐藏方法 |
CN111886862A (zh) * | 2018-10-29 | 2020-11-03 | 谷歌有限责任公司 | 用于图像压缩的几何变换 |
CN109889687A (zh) * | 2019-01-30 | 2019-06-14 | 西南交通大学 | 基于交流统计特征改变的jpeg图像比特流加密方法 |
CN109951614A (zh) * | 2019-03-05 | 2019-06-28 | 北京交通大学 | 基于jpeg图像的自适应可逆信息隐藏方法 |
CN111325807A (zh) * | 2020-02-24 | 2020-06-23 | 南京信息工程大学 | 一种基于jpeg图像的加密与特征提取方法 |
CN111782853A (zh) * | 2020-06-23 | 2020-10-16 | 西安电子科技大学 | 基于注意力机制的语义图像检索方法 |
Non-Patent Citations (2)
Title |
---|
王剑峰;赵晓容;李明科;: "基于数字特征直方图的图像检索算法", 重庆邮电大学学报(自然科学版), no. 05, 15 October 2013 (2013-10-15) * |
韦秋含;梁海华;张新鹏;: "基于动态BoW模型的密文JPEG图像检索", 应用科学学报, no. 04, 30 July 2018 (2018-07-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN112417190B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Subramanian et al. | Image steganography: A review of the recent advances | |
Cheng et al. | Markov process-based retrieval for encrypted JPEG images | |
Cheng et al. | Encrypted JPEG image retrieval using block-wise feature comparison | |
Chen et al. | Compression-unimpaired batch-image encryption combining vector quantization and index compression | |
Manohar et al. | Data encryption & decryption using steganography | |
Hamza et al. | An efficient cryptosystem for video surveillance in the internet of things environment | |
Zhang et al. | Harnessing the hybrid cloud for secure big image data service | |
Wang et al. | Reversible AMBTC-based data hiding with security improvement by chaotic encryption | |
CN110110535A (zh) | 一种基于像素矩阵的低失真隐写方法 | |
Jiang et al. | Secure outsourcing algorithm of BTC feature extraction in cloud computing | |
Xia et al. | A format-compatible searchable encryption scheme for JPEG images using bag-of-words | |
Xu et al. | Reversible data hiding scheme based on VQ prediction and adaptive parametric binary tree labeling for encrypted images | |
Li et al. | Coverless Video Steganography Based on Frame Sequence Perceptual Distance Mapping. | |
Aslam et al. | Image steganography using least significant bit (lsb)-a systematic literature review | |
Tang et al. | Secure and Efficient Image Compression‐Encryption Scheme Using New Chaotic Structure and Compressive Sensing | |
Ren et al. | Reversible data hiding scheme in encrypted images based on homomorphic encryption and pixel value ordering | |
CN111325807B (zh) | 一种基于jpeg图像的加密与特征提取方法 | |
Li et al. | Encrypted jpeg image retrieval using histograms of transformed coefficients | |
Cao et al. | Separable Reversible Data Hiding in Encrypted VQ‐Encoded Images | |
Tang et al. | OPPR: An outsourcing privacy-preserving JPEG image retrieval scheme with local histograms in cloud environment | |
CN112417190B (zh) | 一种密文jpeg图像的检索方法及应用 | |
Chai et al. | TPE-ADE: Thumbnail-Preserving Encryption Based on Adaptive Deviation Embedding for JPEG Images | |
CN112434180B (zh) | 基于dct系数值替换和注意力网络的密文jpeg图像检索方法 | |
Zhang et al. | A CNN-based hevc video steganalysis against DCT/DST-based steganography | |
CN112231508A (zh) | 一种基于内容的加密jpeg图像检索方法 |
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 |