发明内容
本发明提供一种社交网络图片中隐私信息保护方法,以解决现有的对传输图片进行加密导致传输效率低的问题。
获取社交软件中的待加密图片的灰度图像,将灰度图像多次划分为多个区域,获取每次划分后所有区域的平均信息熵;
获取灰度图像的信息熵,根据灰度图像的信息熵和每次划分后所有区域的平均信息熵得到最佳划分方式,获取最佳划分方式下的多个目标区域;
根据每个目标区域内所有像素点的二维熵、所有像素点的灰度均值、每个像素点的灰度值和像素点的个数得到灰度图像中每个目标区域的复杂性;
根据每个目标区域的复杂性、中心点的位置和所有目标区域的个数得到每个目标区域的局部相对相似性;
根据每个目标区域的局部相对相似性、复杂性和所有目标区域的个数得到灰度图像的整体复杂性,根据灰度图像的整体复杂性判断待加密图片是否为待加密的隐私图片,对判断所得的待加密的隐私图片进行加密。
进一步的,待加密图片是按如下方法确定的:
对社交软件中所有待传输图片进行一级模糊筛选得到含有隐私的图片;
对含有隐私的图片进行二级模糊筛选得到待加密图片。
进一步的,将灰度图像多次划分为多个区域的方法是:
对灰度图像进行多次不同尺寸的划分,其中第一次划分尺寸为
,第二次划分
尺寸为
,当划分后每个区域内的像素点大小超过灰度图像的
时停止划分;每次划分后
会对应多个区域。
进一步的,最佳划分方式是按如下方法确定的:
将灰度图像的信息熵与每次划分后所有区域的平均信息熵进行比较,并得到与灰度图像的信息熵最接近的平均信息熵,将该平均信息熵所对应的划分尺寸作为最佳划分方式。
进一步的,灰度图像中每个目标区域的复杂性的具体表达式为:
式中:
表示第
个目标区域中第
个像素点的灰度值为
时,该像素点的灰度值权
值,
为第
个目标区域中第
个像素点的灰度值,
表示第
个目标区域中所有像素
点的灰度均值,
表示第
个目标区域中的所有像素点的二维熵,
表示第
个目标区域中所
有像素点的总个数,
表示第
个目标区域的复杂性。
进一步的,每个目标区域的局部相对相似性是按如下方法确定的:
获取每个目标区域与其他目标区域的欧式距离;
获取每个目标区域的复杂性与其他目标区域的复杂性的差值的绝对值;
将每个目标区域与其他目标区域的欧式距离和每个目标区域的复杂性与其他目标区域的复杂性的差值的绝对值相乘得到每个目标区域对应的乘积;
将每个目标区域对应的乘积进行累加得到乘积的累加和;
将乘积的累加和作为指数函数的指数得到指数函数值,对该指数函数值求均得到每个目标区域的局部相对相似性。
进一步的,灰度图像的整体复杂性的具体表达式为:
式中:
表示灰度图像的整体复杂性,
表示目标区域的总个数,
表示第
个目标区域的复杂性,
表示第
个目标区域的局部相对相似性,
表示自然常数,函数
表示双曲正切函数。
进一步的,对待加密的隐私图片进行加密的方法是:
设置整体复杂性的第二阈值范围和第三阈值范围;
当待加密的隐私图片对应的灰度图像的整体复杂性属于第二阈值范围时,对灰度图像所对应的待加密隐私图片进行对称式加密;
当待加密的隐私图片对应的灰度图像的整体复杂性属于第三阈值范围时,对灰度图像所对应的待加密隐私图片进行非对称式加密。
进一步的,待加密的隐私图片是按如下方法确定的:
当灰度图像的整体复杂性属于第一阈值范围时,灰度图像对应的待加密图片不属于待加密的隐私图片;
当灰度图像的整体复杂性不属于第一阈值范围时,灰度图像对应的待加密图片属于待加密的隐私图片。
本发明的有益效果是:本发明首先筛选出了可能含用户隐私的图片,再对可能含用户隐私的图片进一步分析,该步骤初步解决了对用户所有待传输的图片进行加密时,导致的传输效率慢的问题;其次,本发明计算了待加密图片对应的灰度图像的整体复杂程度,根据每张待加密图片对应的灰度图像的整体复杂程度,对待加密图片进行不同程度的加密,相较于对所有待传输图像统一加密的方法而言,本发明在保证用户隐私不泄露的前提之下,节约了加密的成本,提高了图片传输效率;
本发明在获取灰度图像的复杂程度时,首先对待加密图片的灰度图像进行区域划分,对每个目标区域的复杂性进行计算,该步骤利用了每个目标区域中像素点的灰度值差异性,每个像素点与该像素点邻域之间的差异性,反映了每个目标区域中的像素点的复杂程度,再以每个目标区域中的像素点的复杂程度得到了灰度图像的整体复杂程度,该整体复杂程度结合了每个目标区域中的像素点的灰度分布和灰度波动范围,且根据每个目标区域中的像素点的复杂程度所得灰度图像的整体复杂程度,使得最终所得灰度图像的复杂程度更准确,即最终对待加密图片的加密方式的选择更精确,保护了用户的隐私。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种社交网络图片中隐私信息保护方法的实施例,如图1所示,包括:
S1、获取社交软件中的待加密图片的灰度图像,将灰度图像多次划分为多个区域,获取每次划分后每个区域的信息熵得到每次划分后所有区域的平均信息熵。
用户在利用即时性社交软件进行图片的传输的时候,其传输的图片信息不仅包含可能含有用户隐私的图片信息,还包含流传在互联网上常见的图片,这类图片不携带用户隐私,例如大量的表情包图片,这些图片的格式与可能携带用户隐私的图片的格式一般无二,而对这些不携带用户隐私的图片进行加密的时候,会加大传输资源的损耗,所以需要对其进行模糊筛选,对不携带用户隐私的图片进行排除,具体做法如下所示(以表情包为例)。
获取社交软件中的待加密图片的具体步骤为:对社交软件中所有待传输图片进行
一级模糊筛选得到含有隐私的图片;对含有隐私的图片进行二级模糊筛选得到待加密图
片。具体的是,在用户需要进行图片传输的时候,首先对待传输的图片进行一级模糊筛选,
筛选方式为对待传输的图片在用户表情包存储文件夹中利用余弦相似度(现有技术,本发
明不做赘述)进行基于图片相似性的匹配,当该图片相似性超过
时,则认为该张图片为不
含有隐私图片,不进行二级模糊筛选;若该图片相似性低于
则进行二级模糊筛选,二级模
糊筛选为对该张待传输的图片在即时性社交软件的表情包存储数据库中进行基于余弦相
似度的匹配,相似度超过
的,则认为该张待传输的图片为不含有隐私图片,相似度低于
的,则认为该张待传输图片可能含有用户信息,为待加密图片,则对其进行加密处理(
的建
议值为
)。据此,得到用户待传输的图片中的待加密图片。
需要说明的是,根据用户行为分析,其传输的图片为表情包时,大概率为自身已经收藏的表情包,小概率为未收藏的表情包,所以进行分级相似性模糊匹配,可以节省大量匹配时间以及算力。
对待加密图片进行灰度化处理得到待加密图片的灰度图像。至此,数据准备结束,获得了可能含有用户隐私图片的灰度图像。
将灰度图像多次划分为多个区域的具体步骤为:对灰度图像进行多次不同尺寸的
划分,其中第一次划分尺寸为
,第二次划分尺寸为
,当划分后每个区域内的像素
点大小超过灰度图像的
时停止划分;每次划分后会对应多个区域。需要说明的是,以
大小最为基础划分尺寸,是因为现有的对于图片进行加密的算法大多数以
作为基础。
得到每次划分后所有区域的平均信息熵的具体步骤为:以
划分尺寸为例,对
灰度图像进行划分得到多个灰度区域,计算每个灰度区域的信息熵
,将每个灰度区域的
信息熵相加,并求均值,将该均值作为
划分尺寸下所有区域的平均信息熵。据此,可得
到每次划分后所有区域的平均信息熵。其中,信息熵计算方法为现有技术,本发明不再赘
述。
S2、获取灰度图像的信息熵,根据灰度图像的信息熵和每次划分后所有区域的平均信息熵得到最佳划分方式,利用最佳划分方式对灰度图像进行划分得到多个目标区域。
得到最佳划分方式的具体步骤为:获取灰度图像的信息熵,将灰度图像的信息熵与每次划分后所有区域的平均信息熵进行比较,并得到与灰度图像的信息熵最接近的平均信息熵,将该平均信息熵所对应的划分尺寸作为最佳划分方式。
需要说明的是,图片的信息熵表征了图片的混乱程度,因此利用信息熵对图片的混乱程度进行量化,图片的信息熵越大,说明其中像素点的差异性越大,其差异性越大,说明图片中蕴含的信息越复杂。
利用最佳划分方式对灰度图像进行划分得到多个目标区域,其中,最佳划分方式对应了一个划分尺寸。
S3、获取每个目标区域内所有像素点的二维熵,获取每个目标区域内所有像素点的灰度均值,根据每个目标区域内所有像素点的二维熵、每个目标区域内所有像素点的灰度均值、每个目标区域内每个像素点的灰度值和每个目标区域内像素点的个数得到灰度图像中每个目标区域的复杂性。
图片中所携带的隐私信息是十分模糊的概念,本发明对于图片的隐私性是通过图片的复杂性进行量化所得,公知逻辑可知,图片的复杂性越小,其携带的信息越单一,信息维度较少;图片的复杂性越大,其携带的信息越丰富,信息的维度越多。以此逻辑进行常规推理,在单一信息进行隐私信息的确定的时候,因为数据不足,确定的隐私信息具有很大的不确定性,但是在复杂的图片中,其具有多个维度,可以通过不同维度的联系性进行交叉定位,通过相应的推理来进行图片中的隐私信息的获取,(例如图片中仅有一个人脸信息,仅能通过图片获得人脸长相,获得其他信息的几率很小),但是图片中出现大量的复杂信息,如光照、楼宇、标识建筑、车辆以及人体等信息,可通过这些维度的信息进行图片中的人所在位置分析,照片拍摄的时间的分析,而后以这些信息对人物的搜索范围进行缩小,从而精准的获得照片中的人物的大部分隐私),所以本发明通过图片的复杂性对图片进行动态加密来保证图片的安全性。
本发明对于目标区域的复杂性是指每个目标区域中的所有像素点之间的复杂性,具体表现在每个像素点的灰度值距离平均值的差异、整个目标区域中的像素点分布情况是否复杂、整个目标区域中像素点的灰度值波动是否严重。
得到灰度图像中每个目标区域的复杂性的具体步骤为:获取每个目标区域内所有像素点的二维熵(现有技术,本发明不再赘述),获取每个目标区域内所有像素点的灰度均值,根据每个目标区域内所有像素点的二维熵、每个目标区域内所有像素点的灰度均值、每个目标区域内每个像素点的灰度值和每个目标区域内像素点的个数得到灰度图像中每个目标区域的复杂性,每个目标区域的复杂性的具体表达式为:
式中:
表示第
个目标区域中第
个像素点的灰度值为
时,该像素点的灰度值权
值,
为第
个目标区域中第
个像素点的灰度值,
表示第
个目标区域中所有像素
点的灰度均值,
表示第
个目标区域中的所有像素点的二维熵,
表示第
个目标区域中所
有像素点的总个数,
表示第
个目标区域的复杂性。
其中,该公式由4部分组成,第一部分为第
个目标区域中的每个像素点的加权灰
度值与所有像素点的灰度均值的差异值的均值
),第二部分为第
个目标
区域中的所有像素点的二维熵
,第三部分为第
个目标区域中所有的像素点的灰度值的
波动程度
,第四部分为第
个目标区域中的像素点的平均值。以这四个部分
的乘积作为第
个目标区域的复杂性,其中第一部分中的灰度值权值的计算方式为灰度值
为
像素点在该区域中出现的频率,以此作为权值的意义在于利用普通差异值的计算方式
可能会因为偶然的情况导致计算结果为零,从而使得像素点的灰度值与平均灰度值的差异
性无法表示,并且以此进行灰度值与平均灰度值的差异性的计算更加的准确,更能明确的
表现出第
个目标区域中所有的像素点的差异;
为第
个目标区域中的所有像素点的二维
熵,用二维熵作为公式第二部分的目的在于第
个目标区域中像素点与周围邻域内的像素
点的差异性越大,该二维熵的值就越大,并且二维熵为每个像素点与邻域内的像素点的差
异,因此二维熵可以表示出第
个目标区域中的像素点的分布特征;第三部分为第
个目标
区域中像素点灰度值的方差,用以表示第
个目标区域中的像素点的灰度值的波动程度,该
值越大,说明第
个目标区域中的像素点的灰度分布越离散;第四部分为灰度均值,用以表
示整个目标区域中所有像素点的灰度值的分布趋势。
以此四部分的乘积作为第
个目标区域的复杂性,第
个目标区域内的所有的像素
点的灰度值差异越大,则灰度值波动越大,每个像素点与其邻域像素点之间的差异性越大,
对应的
也就越大。
利用步骤S3所述方法,计算得到所有目标区域的复杂性。
S4、根据每个目标区域的复杂性、每个目标区域的位置和目标区域的个数得到每个目标区域的局部相对相似性。
步骤S3中获得了灰度图像中每个目标区域的复杂性,每个目标区域的复杂性中包含了每个目标区域中的像素点的位置分布,灰度值分布以及灰度值的差异信息,而灰度图像的整体复杂性不仅仅在于灰度图像的局部是否复杂,还在于每个区域之间是否相似,所以在量化灰度图像的整体复杂性之前还需要对每个目标区域之间的局部相对相似性进行量化,而后通过灰度图像的目标区域的复杂性与目标区域之间的相似性进行灰度图像的复杂性的量化。
得到每个目标区域的局部相对相似性的具体步骤为:获取每个目标区域与其他目标区域的欧式距离;获取每个目标区域的复杂性与其他目标区域的复杂性的差值的绝对值;将每个目标区域与其他目标区域的欧式距离和每个目标区域的复杂性与其他目标区域的复杂性的差值的绝对值相乘得到每个目标区域对应的乘积;将每个目标区域对应的乘积进行累加得到乘积的累加和;将乘积的累加和作为指数函数的指数得到指数函数值,对该指数函数值求均得到每个目标区域的局部相对相似性。以第一个目标区域为例,该目标区域的局部相对相似性的具体表达式为:
式中:
表示其余目标区域相对于第一个目标区域的相似性,
表示目标区域
的总个数,
表示第
个目标区域的复杂性,
表示第
个目标区域与第一个目标区域间
的欧式距离,
表示第一个目标区域的复杂性,函数
表示以e为底的指数函数,e表示
自然常数。
其中,第一个目标区域的局部相对相似性
是指其余目标区域相对于第一个目
标区域的相似性,因为在进行灰度图像的整体分区域之后,每个目标区域的复杂性包含了
目标区域内像素点的分布,以及像素点的灰度值变化范围,所以根据第一个目标区域与其
余目标区域的复杂性进行局部相对相似性计算,其目的在于,其余目标区域与第一个目标
区域之间的相似性越高,证明第一个目标区域对于整体灰度图像的复杂性贡献不高,该结
论的理论支撑为每个目标区域之间的局部相对相似性越差,整体图片的复杂性越高。
为了防止因为其余目标区域与第一个目标区域所蕴含的信息相同,而导致相似性
计算不准确的问题,公式中添加其余
个目标区域距离第一个目标区域之间的欧式距
离作为权值,一般只有相邻目标区域之间的相似性较高;目标区域间的欧式距离越远,对应
的相似性就越小,即与第一个目标区域临近的目标区域即使与第一个目标区域较为相似,
也不能说明整体灰度图像不复杂,但是,若存在目标区域与第一个目标区域相距较远,且两
者相似,则整体灰度图像一定不复杂,所以利用权值进行限制,距离第一个目标区域越近,
其对应的权值
就越小,而距离第一个区块越远,其对应的权值就越大。以此方式进行第一
个目标区域的局部相对相似性
计算,
越大,说明较多的目标区域与第一个目标区
域相似,或存在目标区域与第一个目标区域相距较远,且两者相似,证明第一个目标区域对
图片的整体复杂性贡献较低。
利用所述第一个目标区域的局部相对相似性的计算方法可得每个目标区域的局部相对相似性。
S5、根据每个目标区域的局部相对相似性、每个目标区域的复杂性和目标区域的个数得到灰度图像的整体复杂性,根据灰度图像的整体复杂性得到待加密的隐私图片,并对待加密的隐私图片进行加密。
得到灰度图像的整体复杂性的具体步骤为:根据每个目标区域的局部相对相似性、每个目标区域的复杂性和目标区域的个数得到灰度图像的整体复杂性,灰度图像的整体复杂性的具体表达式为:
式中:
表示灰度图像的整体复杂性,
表示目标区域的总个数,
表示第
个目标区域的复杂性,
表示第
个目标区域的局部相对相似性,
,
表示自然
常数,函数
表示双曲正切函数。
其中,首先以灰度图像中目标区域之间的复杂性的平均值作为权值
,该值越大,说明灰度图像中的每个目标区域的复杂性越大,而后对每个目
标区域的局部相对相似性进行求和,并计算平均值
,用以表示灰度图像中所
有目标区域的局部相对相似性,该值越大,说明灰度图像中目标区域之间的相似性越高,即
灰度图像中目标区域之间有着较多的相似的地方,表明灰度图像并不复杂,最后利用
的负
指数函数进行取反,并与所计算的权值的乘积来表示灰度图像的复杂性。
越大,说明灰
度图像的复杂性越大,并且灰度图像的每个目标区域的局部相对相似性较小,即目标区域
之间相似性较小,灰度图像整体复杂,结合上述所示,灰度图像越复杂,所携带的用户的隐
私越多,灰度图像对应的待加密图像进行加密的方法越复杂。
根据灰度图像的整体复杂性得到待加密的隐私图片,并对待加密的隐私图片进行
加密的具体步骤为:设置整体复杂性的第一阈值范围
、第二阈值范围
和第三阈
值范围
,其中,
和
的参考值为
,
。
当灰度图像的整体复杂性属于第一阈值时,对灰度图像所对应的待加密图片不加密;当灰度图像的整体复杂性属于第二阈值时,灰度图像所对应的待加密图片为待加密隐私图片,对该待加密隐私图片进行对称式加密;当灰度图像的整体复杂性属于第三阈值时,灰度图像所对应的待加密图片为待加密隐私图片,对该待加密隐私图片进行非对称式加密。
至此,完成了所有含用户隐私信息的图片的加密。
本发明的有益效果是:本发明首先筛选出了可能含用户隐私的图片,再对可能含用户隐私的图片进一步分析,该步骤初步解决了对用户所有待传输的图片进行加密时,导致的传输效率慢的问题;其次,本发明计算了待加密图片对应的灰度图像的整体复杂程度,根据每张待加密图片对应的灰度图像的整体复杂程度,对待加密图片进行不同程度的加密,相较于对所有待传输图像统一加密的方法而言,本发明在保证用户隐私不泄露的前提之下,节约了加密的成本,提高了图片传输效率;
本发明在获取灰度图像的复杂程度时,首先对待加密图片的灰度图像进行区域划分,对每个目标区域的复杂性进行计算,该步骤利用了每个目标区域中像素点的灰度值差异性,每个像素点与该像素点邻域之间的差异性,反映了每个目标区域中的像素点的复杂程度,再以每个目标区域中的像素点的复杂程度得到了灰度图像的整体复杂程度,该整体复杂程度结合了每个目标区域中的像素点的灰度分布和灰度波动范围,且根据每个目标区域中的像素点的复杂程度所得灰度图像的整体复杂程度,使得最终所得灰度图像的复杂程度更准确,即最终对待加密图片的加密方式的选择更精确,保护了用户的隐私。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。