CN114419067A - 基于隐私保护的图像处理方法及装置 - Google Patents
基于隐私保护的图像处理方法及装置 Download PDFInfo
- Publication number
- CN114419067A CN114419067A CN202210059045.0A CN202210059045A CN114419067A CN 114419067 A CN114419067 A CN 114419067A CN 202210059045 A CN202210059045 A CN 202210059045A CN 114419067 A CN114419067 A CN 114419067A
- Authority
- CN
- China
- Prior art keywords
- image
- identification information
- sub
- images
- target image
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 230000000875 corresponding effect Effects 0.000 claims description 113
- 230000004044 response Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000586 desensitisation Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Image Analysis (AREA)
Abstract
本说明书一个或多个实施例公开了一种基于隐私保护的图像处理方法及装置,以解决图像处理过程中隐私信息的安全性较弱的问题。所述方法包括:获取具有隐私信息的目标图像。利用预先训练的图像分解模型,将所述目标图像分解为多个子图像,所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到。确定各所述子图像分别对应的第一存储空间的第一标识信息。根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间,以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
Description
技术领域
本说明书涉及图像处理技术领域,尤其涉及一种基于隐私保护的图像处理方法及装置。
背景技术
近年来,生物识别技术得到了广泛应用,给人们的生活带来极大便利。例如,机场、高铁站等公共交通场所利用人脸识别系统进行乘客身份识别;超市、快餐店等利用人脸识别结账机器进行自动结账。这些搭载了生物识别技术的设备,通过采集用户的生物识别信息(如人脸图像),并对其进行传输、计算以及存储,以实现对用户的识别。但是,在对用户的生物识别信息进行采集、传输和计算的过程中,均有可能导致用户的隐私信息被泄漏,从而给用户带来不便。
发明内容
一方面,本说明书一个或多个实施例提供一种基于隐私保护的图像处理方法,包括:获取具有隐私信息的目标图像。利用预先训练的图像分解模型,将所述目标图像分解为多个子图像,所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到。确定各所述子图像分别对应的第一存储空间的第一标识信息。根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间,以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
另一方面,本说明书一个或多个实施例提供一种基于隐私保护的图像处理装置,包括:
第一获取模块,获取具有隐私信息的目标图像。分解模块,利用预先训练的图像分解模型,将所述目标图像分解为多个子图像,所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到。第一确定模块,确定各所述子图像分别对应的第一存储空间的第一标识信息。第一存储模块,根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间,以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
再一方面,本说明书一个或多个实施例提供一种基于隐私保护的图像处理设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现:获取具有隐私信息的目标图像。利用预先训练的图像分解模型,将所述目标图像分解为多个子图像,所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到。确定各所述子图像分别对应的第一存储空间的第一标识信息。根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间,以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
再一方面,本说明书实施例提供一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现以下流程:获取具有隐私信息的目标图像。利用预先训练的图像分解模型,将所述目标图像分解为多个子图像,所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到。确定各所述子图像分别对应的第一存储空间的第一标识信息。根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间,以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本说明书一实施例的一种基于隐私保护的图像处理方法的示意性流程图;
图2是根据本说明书一实施例的一种图像分解模型的训练方法的示意性流程图;
图3根据本说明书另一实施例的一种基于隐私保护的图像处理方法的示意性流程图;
图4是根据本说明书一实施例的一种基于隐私保护的图像处理方法中存储设备的示意性场景图;
图5是根据本说明书一实施例的一种基于隐私保护的图像处理装置的示意性框图;
图6是根据本说明书一实施例的一种基于隐私保护的图像处理设备的示意性框图。
具体实施方式
本说明书一个或多个实施例提供一种基于隐私保护的图像处理方法及装置,以解决图像处理过程中隐私信息的安全性较弱的问题。
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书一个或多个实施例保护的范围。
图1是根据本说明书一实施例的一种基于隐私保护的图像处理方法的示意性流程图,如图1所示,该方法包括以下步骤S102-S108:
S102,获取具有隐私信息的目标图像。
其中,具有隐私信息的目标图像,可以是由用户标注了隐私标签的图像,也可以是由计算机智能识别出的具有隐私性质的图像,如人脸图像、医学图像等。
S104,利用预先训练的图像分解模型,将目标图像分解为多个子图像。
其中,图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到。图像分解模型的训练方法将在下述实施例中详细说明,此处不作赘述。
图像分解类神经网络如UNET网络,UNET网络具有U型对称结构,其左侧为特征提取网络,右侧为特征融合网络,通过特征提取和特征融合,UNET网络能分割出目标图像中特定区域的图像。例如,对于一张具有隐私信息的人脸图像,可利用图像分解模型将其分解为上半区域的子图像和下半区域的子图像。
需要说明的是,本实施例将目标图像分解为多个子图像时,对于目标图像的分解方式不做限定。分解方式可以是从像素维度上分解,如按照像素特征确定出目标图像中的轮廓信息,然后根据轮廓信息对目标图像进行分解;或者,分解方式也可以是从区域维度上分解,如指定目标图像待分解的多个区域,并按照该多个区域分解目标图像;或者,分解方式还可以是从向量特征维度上分解,如首先确定目标图像对应的向量特征序列,然后将该向量特征序列分割(即分解)为多个特征子序列;等等。
S106,确定各子图像分别对应的第一存储空间的第一标识信息。
本实施例中,若分解后的子图像包括多个,则第一存储空间也包括多个。多个第一存储空间可以是同一存储设备中虚拟隔离的不同存储空间,也可以是物理隔离的多个存储设备。
S108,根据第一存储空间的第一标识信息,将各子图像分别与目标图像的图像标识信息关联存储至对应的第一存储空间,以及,生成并存储图像标识信息和各第一标识信息之间的索引信息。
其中,图像标识信息和各第一标识信息之间的索引信息可存储至任一子图像对应的第一存储空间,也可存储至与第一存储空间不同的其他存储空间。
图像标识信息和各第一标识信息之间的索引信息可用于目标图像的还原。在还原目标图像时,根据目标图像的图像标识信息和索引信息,即可查找到与目标图像对应的各子图像所存储的第一存储空间的第一标识信息,进而根据该第一标识信息查找并获取到各子图像,将各子图像进行组合即可还原目标图像。
采用本说明书一个或多个实施例的技术方案,通过利用预先训练的图像分解模型,将具有隐私信息的目标图像分解为多个子图像,并确定各子图像分别对应的存储空间的标识信息,进而根据该标识信息,将各子图像分别与目标图像的图像标识信息关联存储至对应的存储空间,使得目标图像被分解后的各子图像能够被分布式存储在不同的存储空间,从而避免目标图像的所有图像信息均被存储至同一存储空间时、容易导致图像中的隐私信息泄露的风险,提升了图像中隐私信息的安全性。此外,通过生成并存储图像标识信息和各存储空间的标识信息之间的索引信息,使得目标图像在提升隐私安全性的同时,还能够基于索引信息被准确还原,兼顾了用户对图像信息的隐私保护和准确还原两方面的需求。
在一个实施例中,目标图像包括原始图像和噪声数据。在获取目标图像时,可先获取原始图像以及原始图像对应的噪声数据;然后利用噪声数据对原始图像进行脱敏处理,得到目标图像。
其中,噪声数据可以是随机生成的,也可以是预先指定的,本实施例对此不做限定。
本实施例中,原始图像中具有隐私信息,通过噪声数据对原始数据进行脱敏处理,然后再对脱敏处理后的目标图像进行分解以及分布式存储各个子图像,从而实现图像处理过程中多方面的隐私保护效果,最大程度上确保图像处理过程中隐私信息的安全性。
当然,目标图像也可以是原始图像本身。即,将获取到的包含隐私信息的原始图像作为目标图像,并对目标图像进行分解操作以及分布式存储操作,也仍然能够确保图像处理过程中隐私信息的安全性。
在一个实施例中,若目标图像包括原始图像和噪声数据,则可将噪声数据与图像标识信息关联存储至第二存储空间,以及,生成并存储图像标识信息和第二存储空间对应的第二标识信息之间的索引信息。
其中,第二存储空间与第一存储空间可以相同,也可以不同。在第一存储空间和第二存储空间不同的情况下,第二存储空间可以是同一存储设备上、与第一存储空间虚拟隔离的其他存储空间,也可以是与第一存储空间物理隔离的其他存储设备。
本实施例中,通过将噪声数据与图像标识信息关联存储,以及存储图像标识信息和第二存储空间对应的第二标识信息之间的索引信息,使得图像能够基于该索引信息还原出原始图像,例如,获取到第一存储空间存储的各子图像后,利用各子图像首先还原出目标图像;然后再利用第二存储空间中存储的噪声数据对目标数据进行除噪处理,从而还原出原始图像。
在一个实施例中,图像分解模型包括多个,且图像分解模型的数量与子图像的数量相同。各图像分解模型分别用于分解出目标图像中的不同区域图像。基于此,可将目标图像分别输入各图像分解模型,从而输出目标图像对应的各子图像。
当然,图像分解模型也可以仅包括一个,这种情况下,图像分解模型的输出应包括多个数据。基于此,将目标图像输入图像分解模型之后,该图像分解模型可输出目标图像对应的各个子图像。
在一个实施例中,图像分解模型可通过以下步骤A1-A3进行训练。
步骤A1,获取多个样本图像。
其中,样本图像中包括隐私信息。
步骤A2,确定用于训练图像分解模型的约束条件。
步骤A3,将多个样本图像分别作为多个图像分解类神经网络的输入数据,样本图像对应的样本子图像作为图像分解类神经网络的输出数据,并根据约束条件进行模型训练,得到多个图像分解模型。
假设欲将每个样本图像分解为2个样本子图像,则可使用2个图像分解类神经网络分别拟合各样本子图像。例如,样本图像X被分解为样本子图像A和Y,则可将样本图像X分别输入2个图像分解类神经网络,并按照约束条件对训练过程进行约束,从而训练出2个图像分解模型,该2个图像分解模型在输入样本图像X时,分别输出样本子图像A和样本子图像Y。
本实施例中,约束条件可包括以下至少一项:
(1)样本图像与对应的各样本子图像之间的特征差异度大于或等于第一预设阈值。
其中,样本图像和样本子图像之间的特征差异度可从图像像素值、图像内容特征等至少一个层面来表征。其中,图像像素值之间的差异能够表征样本图像和样本子图像在像素层面的差异,图像内容特征之间的差异能够表征样本图像和样本子图像在图像内容层面的差异。样本图像和样本子图像之间的特征差异度越大,训练出的图像分解模型分解出的子图像和目标图像之间的特征差异度也就越大,从而更能避免子图像被窃取并被还原至目标图像的情况。
(2)样本图像与对应的样本还原图像之间的特征差异度小于第二预设阈值;样本还原图像为基于样本图像对应的各样本子图像还原得到;特征差异度包括像素特征差异度和/或内容特征差异度。
其中,样本图像与样本还原图像之间的特征差异度,同样可从图像像素值、图像内容特征等至少一个层面来表征。其中,图像像素值之间的差异能够表征样本图像和样本还原图像在像素层面的差异,图像内容特征之间的差异能够表征样本图像和样本还原图像在图像内容层面的差异。样本图像和样本还原图像之间的特征差异度越小,训练出的图像分解模型分解出的子图像在被还原处理后,得到的图像和目标图像之间的特征差异度也就越小,从而避免在提升图像隐私安全性的同时无法兼顾准确还原图像的情况。
(3)样本子图像的取值尽量稀疏。
以样本图像X被分解为样本子图像A和Y为例,样本图像X对应的样本子图像的取值可表示为[A,Y],则[A,Y]应尽量稀疏。这样约束的优点在于,针对同一样本图像,其对应的样本子图像的取值[A,Y]可以有无数个,如果该取值密度较大,则必然会使模型训练的过程十分复杂。如果该取值密度较小,即较为稀疏,则能够在一定程度上减少模型训练的工作量,从而提升模型训练的效率。
当然,样本子图像的取值稀疏程度与模型精度之间成反比关系。也就是说,样本子图像的取值越稀疏,训练出的图像分解模型的精确度也就越低;反之,样本子图像的取值密度越大,训练出的图像分解模型的精确度也就越高。实际应用中,可基于样本子图像的取值稀疏程度与模型精度之间的平衡来确定样本子图像的取值稀疏程度。
在一个实施例中,图像分解模型仅包括一个,即,将目标图像输入图像分解模型之后,该图像分解模型可输出目标图像对应的各个子图像。基于此,在训练图像分解模型时,可将多个样本图像输入一个图像分解类神经网络,并根据约束条件进行模型训练,从而得到图像分解模型。
其中,约束条件的定义与上一实施例中相同,此处不再赘述。
图像分解模型包括一个或者包括多个的两种实施方式,在模型训练过程以及约束条件的定义方面均是相同的,区别之处仅在于对图像分解类神经网络的模型训练参数设置不同。
图像分解模型仅包括一个时,模型训练参数为:输入数据为样本图像,输出数据则为样本图像的N个样本子图像,其中,N为大于1的正整数。
图像分解模型包括多个时,图像分解类神经网络也需使用多个,且模型训练参数为:每个图像分解类神经网络的输入数据为样本图像,输出数据为各自对应的样本子图像,即每个图像分解类神经网络仅用于拟合其中一个样本子图像。例如,样本图像X被分解为样本子图像A和Y,则模型训练参数可设置为:2个图像分解类神经网络的输入数据均为样本图像X,其中一个图像分解类神经网络的输出数据为样本子图像A,另一个图像分解类神经网络的输出数据为样本子图像Y。
在一个实施例中,在将目标图像进行分解以及分布式存储之后,可按照如下步骤B1-B3进行还原:
步骤B1,响应于对目标图像的还原请求,根据图像标识信息和各第一标识信息之间的索引信息及目标图像的图像标识信息,确定目标图像对应的各第一标识信息。
步骤B2,从各第一标识信息对应的各第一存储空间中,分别获取目标图像对应的各子图像。
步骤B3,根据预设组合规则,将各子图像组合为目标图像。
其中,预设组合规则与目标图像的分解方式相对应。如上述实施例中所说,目标图像的分解方式可以是从像素维度上分解,如按照像素特征确定出目标图像中的轮廓信息,然后根据轮廓信息对目标图像进行分解;或者,分解方式也可以是从区域维度上分解,如指定目标图像待分解的多个区域,并按照该多个区域分解目标图像;或者,分解方式还可以是从向量特征维度上分解,如首先确定目标图像对应的向量特征序列,然后将该向量特征序列分割(即分解)为多个特征子序列;等等。
相应的,若目标图像的分解方式是从像素维度上分解,则预设组合规则为:将各子图像的像素进行组合。若目标图像的分解方式是从区域维度上分解,则预设组合规则为:将各子图像对应的图像区域进行拼接,拼接位置与分解位置相应。若目标图像的分解方式是从向量特征维度上分解,则预设组合规则为:将各子图像对应的向量特征序列进行拼接,拼接顺序与分解顺序相应。
本实施例中,由于索引信息中仅存储了图像标识信息和各第一存储空间的第一标识信息,且目标图像被分解后的各子图像被分布式存储在了不同的第一存储空间中,因此能够最大程度地提升图像处理过程图像的隐私安全性。并且,通过索引信息即可准确获知各子图像的存储位置,从而准确还原出目标图像,兼顾了图像被分布式存储后的准确还原性。
在一个实施例中,目标图像包括原始图像和噪声数据。在将目标图像进行分解以及分布式存储之后,可按照如下步骤C1-C4还原出原始图像:
步骤C1,响应于对原始图像的还原请求,根据图像标识信息、第一存储空间对应的第一标识信息和第二存储空间对应的第二标识信息之间的索引信息,以及目标图像的图像标识信息,确定目标图像对应的各第一标识信息以及第二标识信息。
其中,第一存储空间用于存储各样本子图像;第二存储空间用于存储噪声数据。
步骤C2,从各第一标识信息对应的各第一存储空间中,分别获取目标图像对应的各子图像;以及,从第二标识信息对应的第二存储空间中,获取目标图像对应的噪声数据。
步骤C3,根据预设组合规则,将各子图像组合为目标图像。
其中,预设组合规则的定义与上一实施例中相同,此处不再赘述。
步骤C4,利用噪声数据对目标图像进行除噪处理,得到原始图像。
本实施例中,由于索引信息中仅存储了图像标识信息、各第一存储空间的第一标识信息以及第二存储空间的第二标识信息,且目标图像被分解后的各子图像和噪声数据被分布式存储在了不同的存储空间中,因此能够最大程度地提升图像处理过程图像的隐私安全性。并且,通过索引信息即可准确获知各子图像以及噪声数据的存储位置,从而准确还原出原始图像,兼顾了图像被分布式存储后的准确还原性。
在一个实施例中,在对原始图像(或目标图像)进行还原之前,可先验证发出还原请求的用户的图像处理权限:首先,确定发出还原请求的用户的权限信息;其次,根据该权限信息,判断用户是否具有还原原始图像(或目标图像)的权限;若是,则获取各子图像和噪声数据,进而利用各子图像和噪声数据进行图像还原。
本实施例中,判断用户是否具有还原原始图像(或目标图像)的权限,实际上为验证用户是否具有获取索引信息的权限。若索引信息被存储于索引服务器,且各子图像和噪声数据分别被存储于其他存储设备中,则通过设置索引服务器的使用权限,使得具有获取索引信息的权限的用户才可获取到索引服务器中的索引信息,进而根据索引信息获取到相应的子图像和噪声数据。
本实施例中,通过验证用户的图像处理权限,并且仅在用户具有还原原始图像(或目标图像)的权限时才可获取各子图像以及噪声数据,从而更大程度地确保图像的隐私安全性。
在一个实施例中,各第一存储空间之间物理隔离,即,目标图像对应的各子图像被分布式存储在了不同的存储设备中。用户在还原目标图像时,需要从不同的存储设备中获取各个子图像,即各个存储设备均需要网络传输各自对应的子图像。这种情况容易造成网络传输的瓶颈,从而导致数据读取效率低下。为加快数据读取效率。在存储图像标识信息和各第一存储空间的第一标识信息之间的索引信息之后,可将各子图像分别与图像标识信息关联缓存至指定存储器中的多个第三存储空间,各第三存储空间之间虚拟隔离。并建立图像标识信息和各第三存储空间的第三标识信息之间的索引信息。在接收到对目标图像的还原请求时,可根据图像标识信息从各第三存储空间中获取目标图像对应的各子图像;进而将各子图像进行组合得到目标图像。
本实施例中,指定存储器可以是用于存储索引信息的索引服务器中的存储空间,可在索引服务器本地预先创建出多个互相隔离的存储空间,用于缓存各子图像。也就是说,对于存储在不同存储设备中的各子图像,在还原目标图像之前,可先将各子图像缓存至索引信息所在的索引服务器中,这样,用户在还原目标图像时,根据索引信息可直接在本地存储空间中获取各子图像,从而大大提升数据读取效率。
在一个实施例中,可通过对索引服务器中索引信息的读取情况,确定将哪些目标图像对应的子图像预先缓存至索引服务器本地。在将各子图像分别与图像标识信息关联缓存至指定存储器中的多个第三存储空间之前,可先确定对目标图像的还原请求的响应信息,该响应信息包括响应频率和/或响应次数,能够反映索引服务器中索引信息的读取情况;若响应信息满足预设响应条件,则将各子图像分别与图像标识信息关联缓存至指定存储器中的多个第三存储空间;其中,预设响应条件包括以下至少一项:响应频率大于或等于预设频率阈值、响应次数大于或等于预设次数阈值。
本实施例中,通过将响应次数较多、响应频率较高的索引信息对应的目标图像的各子图像预先缓存至索引服务器本地,从而有针对性地将一部分响应频次高的子图像缓存至本地,避免这部分子图像被高频读取时影响网络传输效率。
以下通过一个或多个具体实施例来说明本说明书提供的基于隐私保护的图像处理方法。
为便于理解,首先将图像分解问题转换为线性方程求解问题,如以下公式(1)。
X=AY+B(1)
在上述公式(1)中,X表示原始图像,A、Y分别表示原始图像被分解成的两个子图像,B表示原始图像对应的噪声数据。X、A、Y、B之间具有相同的分辨率和维度。公式(1)可理解为:利用噪声数据B对原始图像X进行脱敏处理以后,得到的图像可表征为X-B;然后对脱敏处理以后的图像X-B进行分解,得到子图像A和Y。如果采用序列形式表征X、A、Y、B之间的关系,则可理解为:将原始图像X分解成了子图像序列[A,Y,B],其中,A、Y为利用图像分解模型分解出的子图像,B为对原始图像X进行脱敏处理的噪声数据。
以下图2和图3所示实施例均以公式(1)为标准。
图2是根据本说明书一实施例的一种图像分解模型的训练方法的示意性流程图。本实施例中,图像分解模型包括多个,分别用于将原始图像X分解为子图像A、Y。本实施例选用UNET网络作为图像分解类神经网络。如图2所示,该方法包括以下步骤S201-S204:
S201,获取多个包括隐私信息的样本图像X,以及,确定样本图像对应的噪声数据B。
S202,确定用于训练图像分解模型的约束条件。
其中,约束条件可包括:(1)样本图像X与对应的各样本子图像A、Y之间的特征差异度大于或等于第一预设阈值;(2样本图像X与对应的样本还原图像A、Y之间的特征差异度小于第二预设阈值;样本还原图像为基于样本图像X对应的各样本子图像A、Y还原得到;特征差异度包括像素特征差异度和/或内容特征差异度。(3)样本子图像X的取值尽量稀疏。
本实施例中,在确定X、A、Y之间的内容特征差异度时,可将X、A、Y分别输入至VGG(Visual Geometry Group)网络中。VGG网络是一种用于提取图像特征的网络,可分别提取出X、A、Y中的内容特征,进而确定X、A、Y之间的内容特征差异度。
S203,将样本图像X和噪声数据B分别输入2个UNET网络中。
该步骤中,X和B可输入UNET网络中的两个不同通道中,UNET网络可先将X和B进行图像合成,即利用噪声数据B对样本图像X进行脱敏处理,并基于X和B合成后的图像进行模型训练。
2个UNET网络中,其中一个UNET网络用于拟合样本子图像A,另一个UNET网络用于拟合样本子图像Y。
S204,根据约束条件进行模型训练,得到2个图像分解模型。
在模型训练过程中,按照上述约束条件,要使得样本图像X与对应的各样本子图像A、Y之间的特征差异度较大,以确保样本图像不轻易被还原回去;同时要使得样本图像X和对应的样本还原图像Z之间的特征差异度较小,以确保样本图像的准确还原度。
基于上述公式(1),若以欧式距离来表征样本图像X和样本还原图像Z之间的差异,则可采用以下表达式(2)来表征:
||AY-(X-B)||(2)
表达式(2)中,“||||”表示模值,AY表示样本子图像A和样本子图像Y组合后得到的第一图像;X-B表示利用噪声数据B对样本图像X进行脱敏处理后的第二图像。那么,||AY-(X-B)||的值越小,表明第一图像和第二图像之间的差异度越小,从而确保了图像的准确还原度。
图3是根据本说明书另一实施例的一种基于隐私保护的图像处理方法的示意性流程图。本实施例中,目标图像包括原始图像和噪声数据。如图3所示,该方法包括以下步骤S301-S308:
S301,获取具有隐私信息的原始图像,并随机生成噪声数据。
S302,将原始图像和噪声数据输入预先训练的多个图像分解模型中,得到原始图像对应的多个子图像。
本实施例中,原始图像X和噪声数据B输入图像分解模型中,得到输出数据:子图像A和子图像Y。
S303,确定各子图像分别对应的第一存储空间的第一标识信息,以及噪声数据对应的第二存储空间的第二标识信息。
S304,根据第一标识信息和第二标识信息,将各子图像分别与目标图像的图像标识信息关联存储至对应的第一存储空间,以及,将噪声数据与目标图像的图像标识信息关联存储至第二存储空间。
本实施例中,第一存储空间和第二存储空间分别为物理隔离的不同的存储设备。例如,子图像A被存储至存储设备1,子图像Y被存储至存储设备2,噪声数据B被存储至存储设备3。存储设备1、存储设备2以及存储设备3之间物理隔离。
S305,生成图像标识信息、各第一标识信息以及第二标识信息之间的索引信息,并将索引信息存储至索引服务器。
其中,索引服务器与存储设备1、存储设备2以及存储设备3之间物理隔离,如图4所示,索引服务器可分别与存储设备1、存储设备2、存储设备3之间连接,用于子图像的传输。存储设备1、存储设备2以及存储设备3之间可连接、也可不连接。
S306,当接收到用户对原始图像的还原请求时,对用户读取索引信息的权限进行验证。
S307,若权限验证通过,则根据还原请求携带的图像标识信息以及索引信息,确定原始图像对应的各子图像和噪声数据所对应的存储服务器的标识信息。
S308,根据各存储服务器的标识信息,从各存储服务器中获取各子图像以及噪声数据。
假设子图像A被存储至存储设备1,子图像Y被存储至存储设备2,噪声数据B被存储至存储设备3,则索引服务器判定用户具有读取索引信息的权限之后,确定出上述存储信息,进而从存储设备1中获取子图像A,从存储设备2中获取子图像Y,以及从存储设备3中获取噪声数据B。
S309,根据各子图像和噪声数据,还原出原始数据。
本实施例中,在S305之后,为避免原始图像泄露,可删除原始图像。这样,仅保留不同存储空间内存储的各子图像和噪声数据,对于没有权限的用户而言,是无法还原出原始图像的,从而增强了原始图像的隐私安全性。
上述公式(1)示出了原始图像和各子图像、噪声数据之间的关系,因此可通过公式(1)还原出原始图像。
上述具体实施例中,均列举的是原始图像和噪声数据被分解为两个子图像的情况。即,将原始图像X和噪声数据B分解为子图像A、Y。需要说明的是,本申请实施例对子图像和噪声数据的数量并不做限定。例如,可利用多个噪声数据对原始图像进行脱敏处理,并将原始图像和多个噪声数据的合成图像分解为3个或3个以上的子图像。
假设随机生成2个噪声数据B1和B2和B,原始图像X被分解为2个子图像。将原始图像X以及噪声数据B1和B2输入图像分解模型后,可被分解为子图像A-B1和Y-B2。子图像和噪声数据组合之后,可得到子图像序列[A-B1,Y-B2,B1,B2]。
采用本实施例的技术方案,通过利用预先训练的图像分解模型,将具有隐私信息的原始图像和噪声数据分解为多个子图像,并确定各子图像和噪声数据分别对应的存储空间的标识信息,进而根据该标识信息,将各子图像和噪声数据分别与原始图像的图像标识信息关联存储至对应的存储空间,使得原始图像被分解后的各子图像能够被分布式存储在不同的存储空间,从而避免原始图像的所有图像信息均被存储至同一存储空间时、容易导致图像中的隐私信息泄露的风险,提升了图像中隐私信息的安全性。此外,通过生成并存储图像标识信息和各存储空间的标识信息之间的索引信息,使得原始图像在提升隐私安全性的同时,还能够基于索引信息被准确还原,兼顾了用户对图像信息的隐私保护和准确还原两方面的需求。
综上,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本说明书一个或多个实施例提供的基于隐私保护的图像处理方法,基于同样的思路,本说明书一个或多个实施例还提供一种基于隐私保护的图像处理装置。
图5是根据本说明书一实施例的一种基于隐私保护的图像处理装置的示意性框图,如图5所示,基于隐私保护的图像处理装置包括:
第一获取模块510,获取具有隐私信息的目标图像;
分解模块520,利用预先训练的图像分解模型,将所述目标图像分解为多个子图像;所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到;
第一确定模块530,确定各所述子图像分别对应的第一存储空间的第一标识信息;
第一存储模块540,根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间;以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
在一个实施例中,所述目标图像包括原始图像和噪声数据;
所述第一获取模块510包括:
获取单元,获取所述原始图像,以及所述原始图像对应的所述噪声数据;
脱敏单元,利用所述噪声数据对所述原始图像进行脱敏处理,得到所述目标图像。
在一个实施例中,所述装置还包括:
第二存储模块,将所述噪声数据与所述图像标识信息关联存储至第二存储空间;
第三存储模块,生成并存储所述图像标识信息和所述第二存储空间对应的第二标识信息之间的索引信息。
在一个实施例中,所述图像分解模型包括多个;所述图像分解模型的数量与所述子图像的数量相同;
所述分解模块520包括:
将所述目标图像分别输入各所述图像分解模型,以输出所述目标图像对应的各所述子图像。
在一个实施例中,所述装置还包括:
第三获取模块,获取多个所述样本图像;
第三确定模块,确定用于训练所述图像分解模型的约束条件;
模型训练模块,将多个所述样本图像分别作为多个所述图像分解类神经网络的输入数据,所述样本图像对应的样本子图像作为所述图像分解类神经网络的输出数据,并根据所述约束条件进行模型训练,得到多个所述图像分解模型;
其中,所述约束条件包括以下至少一项:所述样本图像与对应的各所述样本子图像之间的特征差异度大于或等于第一预设阈值、所述样本图像与对应的样本还原图像之间的特征差异度小于第二预设阈值;所述样本还原图像为基于所述样本图像对应的各所述样本子图像还原得到;所述特征差异度包括像素特征差异度和/或内容特征差异度。
在一个实施例中,所述装置还包括:
第二确定模块,所述生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息之后,响应于对所述原始图像的还原请求,根据所述索引信息及所述目标图像的所述图像标识信息,确定所述目标图像对应的各所述第一标识信息以及所述第二标识信息;
第二获取模块,从各所述第一标识信息对应的各所述第一存储空间中,分别获取所述目标图像对应的各所述子图像;以及,从所述第二标识信息对应的所述第二存储空间中,获取所述目标图像对应的所述噪声数据;
组合模块,根据预设组合规则,将各所述子图像组合为所述目标图像;
除噪处理模块,利用所述噪声数据对所述目标图像进行除噪处理,得到所述原始图像。
在一个实施例中,所述装置还包括:
第四确定模块,所述从各所述第一标识信息对应的各所述第一存储空间中,分别获取所述目标图像对应的各所述子图像之前,确定发出所述还原请求的用户的权限信息;
判断模块,根据所述权限信息,判断所述用户是否具有还原所述原始图像的权限;
第一执行模块,若是,则执行获取各所述子图像和所述噪声数据的步骤。
在一个实施例中,各所述第一存储空间之间物理隔离;
所述装置还包括:
第四存储模块,所述生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息之后,将各所述子图像分别与所述图像标识信息关联缓存至指定存储器中的多个第三存储空间;各所述第三存储空间之间虚拟隔离;
第四获取模块,响应于对所述目标图像的还原请求,根据所述图像标识信息,从各所述第三存储空间中获取所述目标图像对应的各所述子图像;
组合模块,将各所述子图像进行组合,得到所述目标图像。
在一个实施例中,所述装置还包括:
第五确定模块,所述将各所述子图像分别与所述图像标识信息关联缓存至指定存储器中的多个第三存储空间之前,确定对所述目标图像的还原请求的响应信息;所述响应信息包括响应频率和/或响应次数;
第二执行模块,若所述响应信息满足预设响应条件,则执行将各所述子图像分别与所述图像标识信息关联缓存至指定存储器中的多个第三存储空间的步骤;
其中,所述预设响应条件包括以下至少一项:所述响应频率大于或等于预设频率阈值、所述响应次数大于或等于预设次数阈值。
采用本说明书一个或多个实施例的装置,通过利用预先训练的图像分解模型,将具有隐私信息的目标图像分解为多个子图像,并确定各子图像分别对应的存储空间的标识信息,进而根据该标识信息,将各子图像分别与目标图像的图像标识信息关联存储至对应的存储空间,使得目标图像被分解后的各子图像能够被分布式存储在不同的存储空间,从而避免目标图像的所有图像信息均被存储至同一存储空间时、容易导致图像中的隐私信息泄露的风险,提升了图像中隐私信息的安全性。此外,通过生成并存储图像标识信息和各存储空间的标识信息之间的索引信息,使得目标图像在提升隐私安全性的同时,还能够基于索引信息被准确还原,兼顾了用户对图像信息的隐私保护和准确还原两方面的需求。
本领域的技术人员应可理解,上述基于隐私保护的图像处理装置能够用来实现前文所述的基于隐私保护的图像处理方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本说明书一个或多个实施例还提供一种基于隐私保护的图像处理设备,如图6所示。基于隐私保护的图像处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器601和存储器602,存储器602中可以存储有一个或一个以上存储应用程序或数据。其中,存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对基于隐私保护的图像处理设备中的一系列计算机可执行指令。更进一步地,处理器601可以设置为与存储器602通信,在基于隐私保护的图像处理设备上执行存储器602中的一系列计算机可执行指令。基于隐私保护的图像处理设备还可以包括一个或一个以上电源603,一个或一个以上有线或无线网络接口604,一个或一个以上输入输出接口605,一个或一个以上键盘606。
具体在本实施例中,基于隐私保护的图像处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对基于隐私保护的图像处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取具有隐私信息的目标图像;
利用预先训练的图像分解模型,将所述目标图像分解为多个子图像;所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到;
确定各所述子图像分别对应的第一存储空间的第一标识信息;
根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间;以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
本说明书一个或多个实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述基于隐私保护的图像处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(trans itory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (15)
1.一种基于隐私保护的图像处理方法,包括:
获取具有隐私信息的目标图像;
利用预先训练的图像分解模型,将所述目标图像分解为多个子图像;所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到;
确定各所述子图像分别对应的第一存储空间的第一标识信息;
根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间;以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
2.根据权利要求1所述的方法,所述目标图像包括原始图像和噪声数据;
所述获取具有隐私信息的目标图像,包括:
获取所述原始图像,以及所述原始图像对应的所述噪声数据;
利用所述噪声数据对所述原始图像进行脱敏处理,得到所述目标图像。
3.根据权利要求2所述的方法,还包括:
将所述噪声数据与所述图像标识信息关联存储至第二存储空间;
生成并存储所述图像标识信息和所述第二存储空间对应的第二标识信息之间的索引信息。
4.根据权利要求1所述的方法,所述图像分解模型包括多个;所述图像分解模型的数量与所述子图像的数量相同;
所述利用预先训练的图像分解模型,将所述目标图像分解为多个子图像,包括:
将所述目标图像分别输入各所述图像分解模型,以输出所述目标图像对应的各所述子图像。
5.根据权利要求1或4所述的方法,还包括:
获取多个所述样本图像;
确定用于训练所述图像分解模型的约束条件;
将多个所述样本图像分别作为多个所述图像分解类神经网络的输入数据,所述样本图像对应的样本子图像作为所述图像分解类神经网络的输出数据,并根据所述约束条件进行模型训练,得到多个所述图像分解模型;
其中,所述约束条件包括以下至少一项:所述样本图像与对应的各所述样本子图像之间的特征差异度大于或等于第一预设阈值、所述样本图像与对应的样本还原图像之间的特征差异度小于第二预设阈值;所述样本还原图像为基于所述样本图像对应的各所述样本子图像还原得到;所述特征差异度包括像素特征差异度和/或内容特征差异度。
6.根据权利要求3所述的方法,所述生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息之后,还包括:
响应于对所述原始图像的还原请求,根据所述索引信息及所述目标图像的所述图像标识信息,确定所述目标图像对应的各所述第一标识信息以及所述第二标识信息;
从各所述第一标识信息对应的各所述第一存储空间中,分别获取所述目标图像对应的各所述子图像;以及,从所述第二标识信息对应的所述第二存储空间中,获取所述目标图像对应的所述噪声数据;
根据预设组合规则,将各所述子图像组合为所述目标图像;
利用所述噪声数据对所述目标图像进行除噪处理,得到所述原始图像。
7.根据权利要求6所述的方法,所述从各所述第一标识信息对应的各所述第一存储空间中,分别获取所述目标图像对应的各所述子图像之前,还包括:
确定发出所述还原请求的用户的权限信息;
根据所述权限信息,判断所述用户是否具有还原所述原始图像的权限;
若是,则执行获取各所述子图像和所述噪声数据的步骤。
8.根据权利要求1所述的方法,各所述第一存储空间之间物理隔离;
所述生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息之后,还包括:
将各所述子图像分别与所述图像标识信息关联缓存至指定存储器中的多个第三存储空间;各所述第三存储空间之间虚拟隔离;
响应于对所述目标图像的还原请求,根据所述图像标识信息,从各所述第三存储空间中获取所述目标图像对应的各所述子图像;
将各所述子图像进行组合,得到所述目标图像。
9.根据权利要求8所述的方法,所述将各所述子图像分别与所述图像标识信息关联缓存至指定存储器中的多个第三存储空间之前,还包括:
确定对所述目标图像的还原请求的响应信息;所述响应信息包括响应频率和/或响应次数;
若所述响应信息满足预设响应条件,则执行将各所述子图像分别与所述图像标识信息关联缓存至指定存储器中的多个第三存储空间的步骤;
其中,所述预设响应条件包括以下至少一项:所述响应频率大于或等于预设频率阈值、所述响应次数大于或等于预设次数阈值。
10.一种基于隐私保护的图像处理装置,包括:
第一获取模块,获取具有隐私信息的目标图像;
分解模块,利用预先训练的图像分解模型,将所述目标图像分解为多个子图像;所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到;
第一确定模块,确定各所述子图像分别对应的第一存储空间的第一标识信息;
第一存储模块,根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间;以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
11.根据权利要求10所述的装置,所述目标图像包括原始图像和噪声数据;
所述第一获取模块包括:
获取单元,获取所述原始图像,以及所述原始图像对应的所述噪声数据;
脱敏单元,利用所述噪声数据对所述原始图像进行脱敏处理,得到所述目标图像。
12.根据权利要求11所述的装置,还包括:
第二存储模块,将所述噪声数据与所述图像标识信息关联存储至第二存储空间;
第三存储模块,生成并存储所述图像标识信息和所述第二存储空间对应的第二标识信息之间的索引信息。
13.根据权利要求10所述的装置,还包括:
第二确定模块,所述生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息之后,响应于对所述原始图像的还原请求,根据所述索引信息及所述目标图像的所述图像标识信息,确定所述目标图像对应的各所述第一标识信息以及所述第二标识信息;
第二获取模块,从各所述第一标识信息对应的各所述第一存储空间中,分别获取所述目标图像对应的各所述子图像;以及,从所述第二标识信息对应的所述第二存储空间中,获取所述目标图像对应的所述噪声数据;
组合模块,根据预设组合规则,将各所述子图像组合为所述目标图像;
除噪处理模块,利用所述噪声数据对所述目标图像进行除噪处理,得到所述原始图像。
14.一种基于隐私保护的图像处理设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现:
获取具有隐私信息的目标图像;
利用预先训练的图像分解模型,将所述目标图像分解为多个子图像;所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到;
确定各所述子图像分别对应的第一存储空间的第一标识信息;
根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间;以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
15.一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现以下流程:
获取具有隐私信息的目标图像;
利用预先训练的图像分解模型,将所述目标图像分解为多个子图像;所述图像分解模型基于多个样本图像和图像分解类神经网络进行模型训练得到;
确定各所述子图像分别对应的第一存储空间的第一标识信息;
根据所述第一存储空间的第一标识信息,将各所述子图像分别与所述目标图像的图像标识信息关联存储至对应的所述第一存储空间;以及,生成并存储所述图像标识信息和各所述第一标识信息之间的索引信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210059045.0A CN114419067A (zh) | 2022-01-19 | 2022-01-19 | 基于隐私保护的图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210059045.0A CN114419067A (zh) | 2022-01-19 | 2022-01-19 | 基于隐私保护的图像处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419067A true CN114419067A (zh) | 2022-04-29 |
Family
ID=81273908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210059045.0A Pending CN114419067A (zh) | 2022-01-19 | 2022-01-19 | 基于隐私保护的图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419067A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228077A (zh) * | 2016-07-27 | 2016-12-14 | 北京小米移动软件有限公司 | 处理图像及显示图像的方法、装置及终端 |
CN108804707A (zh) * | 2018-06-21 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 一种页面处理方法、装置以及相关设备 |
CN109345540A (zh) * | 2018-09-15 | 2019-02-15 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
CN110032877A (zh) * | 2019-03-01 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 图像存取方法及其系统 |
CN110889816A (zh) * | 2019-11-07 | 2020-03-17 | 北京量健智能科技有限公司 | 一种图像分割方法与装置 |
CN110992243A (zh) * | 2019-10-29 | 2020-04-10 | 平安科技(深圳)有限公司 | 椎间盘截面图像构建方法、装置、计算机设备及存储介质 |
CN112052834A (zh) * | 2020-09-29 | 2020-12-08 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的面部识别方法、装置及设备 |
CN112634211A (zh) * | 2020-12-14 | 2021-04-09 | 上海健康医学院 | 基于多个神经网络的mri图像分割方法、装置及设备 |
CN113297624A (zh) * | 2021-06-23 | 2021-08-24 | 支付宝(杭州)信息技术有限公司 | 图像的预处理方法及装置 |
CN113538530A (zh) * | 2021-07-09 | 2021-10-22 | 深圳市深光粟科技有限公司 | 一种耳部医学图像分割方法、装置、电子设备及存储介质 |
CN113946851A (zh) * | 2021-10-21 | 2022-01-18 | 平安国际智慧城市科技股份有限公司 | 医疗图像的管理方法、装置、电子设备以及存储介质 |
-
2022
- 2022-01-19 CN CN202210059045.0A patent/CN114419067A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228077A (zh) * | 2016-07-27 | 2016-12-14 | 北京小米移动软件有限公司 | 处理图像及显示图像的方法、装置及终端 |
CN108804707A (zh) * | 2018-06-21 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 一种页面处理方法、装置以及相关设备 |
CN109345540A (zh) * | 2018-09-15 | 2019-02-15 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
CN110032877A (zh) * | 2019-03-01 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 图像存取方法及其系统 |
CN110992243A (zh) * | 2019-10-29 | 2020-04-10 | 平安科技(深圳)有限公司 | 椎间盘截面图像构建方法、装置、计算机设备及存储介质 |
CN110889816A (zh) * | 2019-11-07 | 2020-03-17 | 北京量健智能科技有限公司 | 一种图像分割方法与装置 |
CN112052834A (zh) * | 2020-09-29 | 2020-12-08 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的面部识别方法、装置及设备 |
CN112634211A (zh) * | 2020-12-14 | 2021-04-09 | 上海健康医学院 | 基于多个神经网络的mri图像分割方法、装置及设备 |
CN113297624A (zh) * | 2021-06-23 | 2021-08-24 | 支付宝(杭州)信息技术有限公司 | 图像的预处理方法及装置 |
CN113538530A (zh) * | 2021-07-09 | 2021-10-22 | 深圳市深光粟科技有限公司 | 一种耳部医学图像分割方法、装置、电子设备及存储介质 |
CN113946851A (zh) * | 2021-10-21 | 2022-01-18 | 平安国际智慧城市科技股份有限公司 | 医疗图像的管理方法、装置、电子设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
FENGQI LI: "PPM: Privacy Protection Method for Outsourcing Data Entry", 《IEEE ACCESS》, 28 February 2019 (2019-02-28), pages 29745 * |
黄睿智: "基于图像分解的多聚焦图像融合算法的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, 15 January 2019 (2019-01-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN110011954A (zh) | 基于同态加密的生物识别方法、装置、终端及业务服务器 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN112926559A (zh) | 人脸图像处理方法及装置 | |
CN112766197B (zh) | 基于隐私保护的人脸识别方法及装置 | |
JP2020127194A (ja) | コンピュータシステムおよびプログラム | |
Leroux et al. | Privacy aware offloading of deep neural networks | |
CN111401331B (zh) | 人脸识别方法及装置 | |
US20180336370A1 (en) | System and method for prediction preserving data obfuscation | |
CN112837202B (zh) | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 | |
CN113033717B (zh) | 一种模型生成方法、装置以及用于模型生成的装置 | |
CN113343295A (zh) | 基于隐私保护的图像处理方法、装置、设备和存储介质 | |
AU2018390542A1 (en) | Spatial and temporal convolution networks for system calls based process monitoring | |
CN116051118B (zh) | 行为时序模型的分析方法及装置 | |
CN114419067A (zh) | 基于隐私保护的图像处理方法及装置 | |
CN116720214A (zh) | 一种用于隐私保护的模型训练方法及装置 | |
CN112053276B (zh) | 基于隐写技术的数据处理方法及装置 | |
CN115205089A (zh) | 图像加密方法、网络模型的训练方法、装置及电子设备 | |
CN114186039A (zh) | 一种视觉问答方法、装置及电子设备 | |
CN111291685B (zh) | 人脸检测模型的训练方法及装置 | |
CN111563272B (zh) | 信息统计方法及装置 | |
CN111144492B (zh) | 面向移动端虚拟现实与增强现实的场景图谱生成方法 | |
CN114493971A (zh) | 媒体数据转换模型训练、数字水印嵌入方法和装置 | |
CN107944343B (zh) | 视频检测方法及装置 | |
CN111899747A (zh) | 用于合成音频的方法和装置 |
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 |