CN112613055A - 基于分布式云服务器和数图转换的图像处理***及方法 - Google Patents
基于分布式云服务器和数图转换的图像处理***及方法 Download PDFInfo
- Publication number
- CN112613055A CN112613055A CN202011573062.3A CN202011573062A CN112613055A CN 112613055 A CN112613055 A CN 112613055A CN 202011573062 A CN202011573062 A CN 202011573062A CN 112613055 A CN112613055 A CN 112613055A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- numerical
- sub
- string
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 64
- 230000009466 transformation Effects 0.000 claims description 15
- 239000002131 composite material Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000005336 cracking Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000035515 penetration Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明云计算技术领域,具体涉及基于分布式云服务器和数图转换的图像处理***及方法。所述***包括:图像预处理单元,配置用于将待处理图像进行图像二值化,得到二值化图像;数字转换模块,配置用于将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串。其利用将图像数据转换为数值数据,来完成对图像的加密,与现有技术中的图像加密技术完全不同,具有难以破解和安全性高的优点;同时,在进行加密过程中,使用多个云服务器组成的分布式云服务器组来对分割后的数值数据进行加密,加密效率也更高。
Description
技术领域
本发明属于云计算技术领域,具体涉及基于分布式云服务器和数图转换的图像处理***及方法。
背景技术
在计算机科学中,分布式计算(英语:Distributed computing),又译为分散式运算。这个研究领域,主要研究分布式***(Distributed system)如何进行计算。分布式***是一组电脑,透过网络相互连接传递消息与通信后并协调它们的行为而形成的***。组件之间彼此进行交互以实现一个共同的目标。把需要进行大量计算的工程数据分割成小块,由多台计算机分别计算,再上传运算结果后,将结果统一合并得出数据结论的科学。分布式***的例子来自有所不同的面向服务的架构,大型多人在线游戏,对等网络应用。
数字图像是最流行的多媒体形式之一,在政治、经济、国防、教育等方面均有广泛应用。对于某些特殊领域,如军事、商业和医疗,数字图像还有较高的保密要求。
为了实现数字图像保密,实际操作中一般先将二维图像转换成一维数据,再采用传统加密算法进行加密。与普通的文本信息不同,图像和视频具有时间性、空间性、视觉可感知性,还可进行有损压缩,这些特性使得为图像设计更加高效、安全的加密算法成为可能。自上世纪90年代起,研究者利用这些特性提出了多种图像加密算法。总结起来,图像加密技术的概念是:利用数字图像的特性设计加密算法,以提高加密的安全性和运算效率的一种技术。
专利号为CN2007800531085A的专利公开了图像加密装置、图像解密装置以及方法;将输入数据变换为图像,针对该输入图像,指定对图像进行加密的区域即加密区域。并且,根据加密密钥生成与该加密密钥关联的信息即加密密钥关联信息,将该加密密钥关联信息嵌入所述加密区域的图像内,生成第1中间图像。接着,根据所述加密密钥对该第1中间图像进行变换,生成第2中间图像。然后,以能够确定所述加密区域的位置的方式,对所述第2中间图像的像素值进行变换。该变换的结果,生成对所述输入图像内的所述加密区域的部分进行了加密的加密图像。
其虽然实现了对图像的加密,但加密过程和加密手段依然遵循传统的针对原有图像进行加密的方式,加密安全性和被破解率依然很高。
发明内容
有鉴于此,本发明的主要目的在于提供基于分布式云服务器和数图转换的图像处理***及方法,其利用将图像数据转换为数值数据,来完成对图像的加密,与现有技术中的图像加密技术完全不同,具有难以破解和安全性高的优点;同时,在进行加密过程中,使用多个云服务器组成的分布式云服务器组来对分割后的数值数据进行加密,加密效率也更高。
为达到上述目的,本发明的技术方案是这样实现的:
基于分布式云服务器和数图转换的图像处理***,所述***包括:图像预处理单元,配置用于将待处理图像进行图像二值化,得到二值化图像;数字转换模块,配置用于将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串;数值分割模块,配置用于对数值串进行特征分析,确定数值穿中的分割节点,将数值串按照确定的分割节点,进行分割,得到多个分割子字符串;分布式云服务器组,包括多个云服务器,每个云服务器配置用于从分割后得到的多个分割子字符串中随机获取一个子字符串,对获取到的子字符串进行数字加密,得到子加密结果;图像还原单元,配置用于从各个云服务器中获取子加密结果,对子加密结果进行解密,得到子字符串,将子字符串进行拼接,得到数值串,再将数值串执行数值矩阵转换成数值串的逆过程,得到数值矩阵,最后执行二值化图像转换为数值矩阵的逆过程,得到二值化图像。
进一步的,所述图像预处理单元进行图像二值化包括:针对所述待处理图像的灰度图像数据,计算所述待处理图像的图像维度,并且根据算出的图像维度,将所述待处理图像分为低维度或高维度;当所述待处理图像为低维度时,通过整体分割方法二值化所述灰度图像数据,而当所述待处理图像为高维度时,通过复合分割方法二值化所述灰度图像数据,从而生成二值化图像数据,其中通过复合分割方法二值化所述灰度图像数据包括以下步骤:通过整体分割方法,将所述灰度图像数据中的每个像素分为3类:黑色、白色和未确定;通过局部自适应分割方法,为每个属于未确定类别的像素计算最优分割阈值,从而二值化所述像素。
进一步的,所述数字转换模块将待二值化图像转换为对应的数值矩阵包括:将二值化图像作为参数A,随机生成一个矩阵B,再基于参数A和矩阵B,共同构建一个转换矩阵:再录入一个已知的转换因子矩阵:将转换矩阵和转换因子矩阵相乘,得到转换后的数值矩阵X:将数值矩阵中的P和Q进行连接,转换为连续的数值串。
进一步的,所述分布式云服务器中的每个云服务器均包括:获取单元,配置用于从分割后得到的多个分割子字符串中随机获取一个子字符串;加密单元,配置用于对获取到的子字符串进行数字加密,得到子加密结果。
进一步的,所述加密单元对获取到的子字符串进行数字加密包括:随机生成一个数值m作为第一密钥,使用如下公式,对子字符串进行角度为m度的傅立叶变换:其中:x(t)表示子字符串,Xm(u)表示变换后的子字符串,Km(t,u)为变换核;所述Km(t,u)使用如下公式表示:其中,t和u为变换参数,δ为狄拉克函数的傅里叶变换,δ(u-t)表示进行u-t的狄拉克函数傅里叶变换,δ(u+t)表示进行u+t的狄拉克函数傅里叶变换;将傅里叶变换后的Xm(u)作为加密后的子字符串。
进一步的,如果所述待处理图像为彩色图像,则将其转换为灰度图像,以获得所述灰度图像数据。
基于分布式云服务器和数图转换的图像处理方法,所述方法执行以下步骤:
步骤1:将待处理图像进行图像二值化,得到二值化图像;
步骤2:将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串;
步骤3:对数值串进行特征分析,确定数值穿中的分割节点,将数值串按照确定的分割节点,进行分割,得到多个分割子字符串;
步骤4:多个云服务器分别从分割后得到的多个分割子字符串中随机获取一个子字符串,对获取到的子字符串进行数字加密,得到子加密结果;
步骤5:从各个云服务器中获取子加密结果,对子加密结果进行解密,得到子字符串,将子字符串进行拼接,得到数值串,再将数值串执行数值矩阵转换成数值串的逆过程,得到数值矩阵,最后执行二值化图像转换为数值矩阵的逆过程,得到二值化图像。
进一步的,所述步骤1中进行图像二值化包括:针对所述待处理图像的灰度图像数据,计算所述待处理图像的图像维度,并且根据算出的图像维度,将所述待处理图像分为低维度或高维度;当所述待处理图像为低维度时,通过整体分割方法二值化所述灰度图像数据,而当所述待处理图像为高维度时,通过复合分割方法二值化所述灰度图像数据,从而生成二值化图像数据,其中通过复合分割方法二值化所述灰度图像数据包括以下步骤:通过整体分割方法,将所述灰度图像数据中的每个像素分为3类:黑色、白色和未确定;通过局部自适应分割方法,为每个属于未确定类别的像素计算最优分割阈值,从而二值化所述像素。
进一步的,所述步骤2中将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串包括:将二值化图像作为参数A,随机生成一个矩阵B,再基于参数A和矩阵B,共同构建一个转换矩阵:再录入一个已知的转换因子矩阵:将转换矩阵和转换因子矩阵相乘,得到转换后的数值矩阵X:将数值矩阵中的P和Q进行连接,转换为连续的数值串。
进一步的,如果所述待处理图像为彩色图像,则将其转换为灰度图像,以获得所述灰度图像数据。
本发明的基于分布式云服务器和数图转换的图像处理***及方法,具有如下有益效果:其利用将图像数据转换为数值数据,来完成对图像的加密,与现有技术中的图像加密技术完全不同,具有难以破解和安全性高的优点;同时,在进行加密过程中,使用多个云服务器组成的分布式云服务器组来对分割后的数值数据进行加密,加密效率也更高;主要通过以下过程实现:1.数字和图像的转换:本发明在将待处理的图像首先进行二值化,然后将二值化的图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串,然后针对转换后的数值串进行图像加密,相较于传统的加密方式,其加密的方式更不容易被破解,安全性更高;2.数值串的分割:本发明将数值串进行分割,得到子字符串,再利用多个云服务器对子字符串进行加密,其加密效率更高;3.数值矩阵的构建:本发明通过构建数值矩阵的方式,实现图像数据转换为数值数据,相较于现有技术的转换方式,转换过程更加简洁,转换效率更高;4.加密算法:本发明的加密算法,与传统的数值加密不一样,其基于傅里叶变换,对数值进行变换式加密,由于其不同于现有技术,其加密后的结果被破解率更低。
附图说明
图1为本发明实施例提供的基于分布式云服务器和数图转换的图像处理***的***结构示意图;
图2为本发明实施例提供的基于分布式云服务器和数图转换的图像处理方法的方法流程示意图。
图3为本发明实施例提供的基于分布式云服务器和数图转换的图像处理方法的被破解率随着破解次数变化的实验曲线示意图与现有技术的对比实验效果示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示,基于分布式云服务器和数图转换的图像处理***,所述***包括:图像预处理单元,配置用于将待处理图像进行图像二值化,得到二值化图像;数字转换模块,配置用于将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串;数值分割模块,配置用于对数值串进行特征分析,确定数值穿中的分割节点,将数值串按照确定的分割节点,进行分割,得到多个分割子字符串;分布式云服务器组,包括多个云服务器,每个云服务器配置用于从分割后得到的多个分割子字符串中随机获取一个子字符串,对获取到的子字符串进行数字加密,得到子加密结果;图像还原单元,配置用于从各个云服务器中获取子加密结果,对子加密结果进行解密,得到子字符串,将子字符串进行拼接,得到数值串,再将数值串执行数值矩阵转换成数值串的逆过程,得到数值矩阵,最后执行二值化图像转换为数值矩阵的逆过程,得到二值化图像。
采用上述技术方案,其利用将图像数据转换为数值数据,来完成对图像的加密,与现有技术中的图像加密技术完全不同,具有难以破解和安全性高的优点;同时,在进行加密过程中,使用多个云服务器组成的分布式云服务器组来对分割后的数值数据进行加密,加密效率也更高;主要通过以下过程实现:1.数字和图像的转换:本发明在将待处理的图像首先进行二值化,然后将二值化的图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串,然后针对转换后的数值串进行图像加密,相较于传统的加密方式,其加密的方式更不容易被破解,安全性更高;2.数值串的分割:本发明将数值串进行分割,得到子字符串,再利用多个云服务器对子字符串进行加密,其加密效率更高;3.数值矩阵的构建:本发明通过构建数值矩阵的方式,实现图像数据转换为数值数据,相较于现有技术的转换方式,转换过程更加简洁,转换效率更高;4.加密算法:本发明的加密算法,与传统的数值加密不一样,其基于傅里叶变换,对数值进行变换式加密,由于其不同于现有技术,其加密后的结果被破解率更低。
实施例2
在上一实施例的基础上,所述图像预处理单元进行图像二值化包括:针对所述待处理图像的灰度图像数据,计算所述待处理图像的图像维度,并且根据算出的图像维度,将所述待处理图像分为低维度或高维度;当所述待处理图像为低维度时,通过整体分割方法二值化所述灰度图像数据,而当所述待处理图像为高维度时,通过复合分割方法二值化所述灰度图像数据,从而生成二值化图像数据,其中通过复合分割方法二值化所述灰度图像数据包括以下步骤:通过整体分割方法,将所述灰度图像数据中的每个像素分为3类:黑色、白色和未确定;通过局部自适应分割方法,为每个属于未确定类别的像素计算最优分割阈值,从而二值化所述像素。
具体的,图像的二值化处理就是将图像上的点的灰度值为0或255,也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中,二值图像占有非常重要的地位,特别是在实用的图像处理中,以二值图像处理实现而构成的***是很多的,要进行二值图像的处理与分析,首先要把灰度图像二值化,得到二值化图像,这样子有利于在对图像做进一步处理时,图像的集合性质只与像素值为0或255的点的位置有关,不再涉及像素的多级值,使处理变得简单,而且数据的处理和压缩量小。为了得到理想的二值图像,一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体,其灰度值为255表示,否则这些像素点被排除在物体区域以外,灰度值为0,表示背景或者例外的物体区域。
如果某特定物体在内部有均匀一致的灰度值,并且其处在一个具有其他等级灰度值的均匀背景下,使用阈值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上(比如纹理不同),可以将这个差别特征转换为灰度的差别,然后利用阈值选取技术来分割该图像。动态调节阈值实现图像的二值化可动态观察其分割图像的具体结果。
实施例3
在上一实施例的基础上,所述数字转换模块将待二值化图像转换为对应的数值矩阵包括:将二值化图像作为参数A,随机生成一个矩阵B,再基于参数A和矩阵B,共同构建一个转换矩阵:再录入一个已知的转换因子矩阵:将转换矩阵和转换因子矩阵相乘,得到转换后的数值矩阵X:将数值矩阵中的P和Q进行连接,转换为连续的数值串。
具体的,本发明通过构建数值矩阵的方式,实现图像数据转换为数值数据,相较于现有技术的转换方式,转换过程更加简洁,转换效率更高;4.加密算法:本发明的加密算法,与传统的数值加密不一样,其基于傅里叶变换,对数值进行变换式加密,由于其不同于现有技术,其加密后的结果被破解率更低。
实施例4
在上一实施例的基础上,所述分布式云服务器中的每个云服务器均包括:获取单元,配置用于从分割后得到的多个分割子字符串中随机获取一个子字符串;加密单元,配置用于对获取到的子字符串进行数字加密,得到子加密结果。
具体的,云服务器的业内名称其实叫做计算单元。所谓计算单元,就是说这个服务器只能算是一个人的大脑,相当于普通电脑的CPU,里面的资源都是有限的。你要获得更好的性能,解决办法一是升级云服务器,二是将其它耗费计算单元资源的软件部署在对应的云服务上。例如数据库有专门的云数据库服务、静态网页和图片有专门的文件存储服务。
而且云服务器不是说就便宜了,相反会比一般的VPS都贵。为什么?因为它相对于来说,扩展比较方便。云服务器是网站做大了、有很高收入的时候一个不错的选择。
云服务器是云计算服务的重要组成部分,是面向各类互联网用户提供综合业务能力的服务平台。平台整合了传统意义上的互联网应用三大核心要素:计算、存储、网络,面向用户提供公用化的互联网基础设施服务。
实施例5
在上一实施例的基础上,所述加密单元对获取到的子字符串进行数字加密包括:随机生成一个数值m作为第一密钥,使用如下公式,对子字符串进行角度为m度的傅立叶变换:其中:x(t)表示子字符串,Xm(u)表示变换后的子字符串,Km(t,u)为变换核;所述Km(t,u使用如下公式表示:
其中,t和u为变换参数,δ为狄拉克函数的傅里叶变换,δ(u-t)表示进行u-t的狄拉克函数傅里叶变换,δ(u+t)表示进行u+t的狄拉克函数傅里叶变换;将傅里叶变换后的Xm(u)作为加密后的子字符串。
实施例6
在上一实施例的基础上,如果所述待处理图像为彩色图像,则将其转换为灰度图像,以获得所述灰度图像数据。
实施例7
如图2所示,基于分布式云服务器和数图转换的图像处理方法,所述方法执行以下步骤:
步骤1:将待处理图像进行图像二值化,得到二值化图像;
步骤2:将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串;
步骤3:对数值串进行特征分析,确定数值穿中的分割节点,将数值串按照确定的分割节点,进行分割,得到多个分割子字符串;
步骤4:多个云服务器分别从分割后得到的多个分割子字符串中随机获取一个子字符串,对获取到的子字符串进行数字加密,得到子加密结果;
步骤5:从各个云服务器中获取子加密结果,对子加密结果进行解密,得到子字符串,将子字符串进行拼接,得到数值串,再将数值串执行数值矩阵转换成数值串的逆过程,得到数值矩阵,最后执行二值化图像转换为数值矩阵的逆过程,得到二值化图像。
具体的,参考图3,本发明利用将图像数据转换为数值数据,来完成对图像的加密,与现有技术中的图像加密技术完全不同,具有难以破解和安全性高的优点;同时,在进行加密过程中,使用多个云服务器组成的分布式云服务器组来对分割后的数值数据进行加密,加密效率也更高;主要通过以下过程实现:1.数字和图像的转换:本发明在将待处理的图像首先进行二值化,然后将二值化的图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串,然后针对转换后的数值串进行图像加密,相较于传统的加密方式,其加密的方式更不容易被破解,安全性更高;2.数值串的分割:本发明将数值串进行分割,得到子字符串,再利用多个云服务器对子字符串进行加密,其加密效率更高;3.数值矩阵的构建:本发明通过构建数值矩阵的方式,实现图像数据转换为数值数据,相较于现有技术的转换方式,转换过程更加简洁,转换效率更高;4.加密算法:本发明的加密算法,与传统的数值加密不一样,其基于傅里叶变换,对数值进行变换式加密,由于其不同于现有技术,其加密后的结果被破解率更低。
实施例8
在上一实施例的基础上,所述步骤1中进行图像二值化包括:针对所述待处理图像的灰度图像数据,计算所述待处理图像的图像维度,并且根据算出的图像维度,将所述待处理图像分为低维度或高维度;当所述待处理图像为低维度时,通过整体分割方法二值化所述灰度图像数据,而当所述待处理图像为高维度时,通过复合分割方法二值化所述灰度图像数据,从而生成二值化图像数据,其中通过复合分割方法二值化所述灰度图像数据包括以下步骤:通过整体分割方法,将所述灰度图像数据中的每个像素分为3类:黑色、白色和未确定;通过局部自适应分割方法,为每个属于未确定类别的像素计算最优分割阈值,从而二值化所述像素。
实施例9
在上一实施例的基础上,所述步骤2中将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串包括:将二值化图像作为参数A,随机生成一个矩阵B,再基于参数A和矩阵B,共同构建一个转换矩阵:再录入一个已知的转换因子矩阵:将转换矩阵和转换因子矩阵相乘,得到转换后的数值矩阵X: 将数值矩阵中的P和Q进行连接,转换为连续的数值串。
实施例10
在上一实施例的基础上,如果所述待处理图像为彩色图像,则将其转换为灰度图像,以获得所述灰度图像数据。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的***,仅以上述各功能单元的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能单元来完成,即将本发明实施例中的单元或者步骤再分解或者组合,例如,上述实施例的单元可以合并为一个单元,也可以进一步拆分成多个子单元,以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称,仅仅是为了区分各个单元或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的单元、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一部分”等是配置用于区别类似的对象,而不是配置用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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、物品或者单元/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术标记作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非配置用于限定本发明的保护范围。
Claims (10)
1.基于分布式云服务器和数图转换的图像处理***,其特征在于,所述***包括:图像预处理单元,配置用于将待处理图像进行图像二值化,得到二值化图像;数字转换模块,配置用于将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串;数值分割模块,配置用于对数值串进行特征分析,确定数值穿中的分割节点,将数值串中的将数值串按照确定的分割节点,进行分割,得到多个分割子字符串;分布式云服务器组,包括多个云服务器,每个云服务器配置用于从分割后得到的多个分割子字符串中随机获取一个子字符串,对获取到的子字符串进行数字加密,得到子加密结果;图像还原单元,配置用于从各个云服务器中获取子加密结果,对子加密结果进行解密,得到子字符串,将子字符串进行拼接,得到数值串,再将数值串执行数值矩阵转换成数值串的逆过程,得到数值矩阵,最后执行二值化图像转换为数值矩阵的逆过程,得到二值化图像。
2.如权利要求1所述的***,其特征在于,所述图像预处理单元进行图像二值化包括:针对所述待处理图像的灰度图像数据,计算所述待处理图像的图像维度,并且根据算出的图像维度,将所述待处理图像分为低维度或高维度;当所述待处理图像为低维度时,通过整体分割方法二值化所述灰度图像数据,而当所述待处理图像为高维度时,通过复合分割方法二值化所述灰度图像数据,从而生成二值化图像数据,其中通过复合分割方法二值化所述灰度图像数据包括以下步骤:通过整体分割方法,将所述灰度图像数据中的每个像素分为3类:黑色、白色和未确定;通过局部自适应分割方法,为每个属于未确定类别的像素计算最优分割阈值,从而二值化所述像素。
4.如权利要求3所述的***,其特征在于,所述分布式云服务器中的每个云服务器均包括:获取单元,配置用于从分割后得到的多个分割子字符串中随机获取一个子字符串;加密单元,配置用于对获取到的子字符串进行数字加密,得到子加密结果。
6.如权利要求5所述的***,其特征在于,如果所述待处理图像为彩色图像,则将其转换为灰度图像,以获得所述灰度图像数据。
7.基于权利要求1至6之一所述***的基于分布式云服务器和数图转换的图像处理方法,其特征在于,所述方法执行以下步骤:
步骤1:将待处理图像进行图像二值化,得到二值化图像;
步骤2:将待二值化图像转换为对应的数值矩阵,再将数值矩阵转换为连续的数值串;
步骤3:对数值串进行特征分析,确定数值穿中的分割节点,将数值串中的将数值串按照确定的分割节点,进行分割,得到多个分割子字符串;
步骤4:多个云服务器分别从分割后得到的多个分割子字符串中随机获取一个子字符串,对获取到的子字符串进行数字加密,得到子加密结果;
步骤5:从各个云服务器中获取子加密结果,对子加密结果进行解密,得到子字符串,将子字符串进行拼接,得到数值串,再将数值串执行数值矩阵转换成数值串的逆过程,得到数值矩阵,最后执行二值化图像转换为数值矩阵的逆过程,得到二值化图像。
8.如权利要求7所述的方法,其特征在于,所述步骤1中进行图像二值化包括:针对所述待处理图像的灰度图像数据,计算所述待处理图像的图像维度,并且根据算出的图像维度,将所述待处理图像分为低维度或高维度;当所述待处理图像为低维度时,通过整体分割方法二值化所述灰度图像数据,而当所述待处理图像为高维度时,通过复合分割方法二值化所述灰度图像数据,从而生成二值化图像数据,其中通过复合分割方法二值化所述灰度图像数据包括以下步骤:通过整体分割方法,将所述灰度图像数据中的每个像素分为3类:黑色、白色和未确定;通过局部自适应分割方法,为每个属于未确定类别的像素计算最优分割阈值,从而二值化所述像素。
10.如权利要求9所述的方法,其特征在于,如果所述待处理图像为彩色图像,则将其转换为灰度图像,以获得所述灰度图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011573062.3A CN112613055A (zh) | 2020-12-24 | 2020-12-24 | 基于分布式云服务器和数图转换的图像处理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011573062.3A CN112613055A (zh) | 2020-12-24 | 2020-12-24 | 基于分布式云服务器和数图转换的图像处理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613055A true CN112613055A (zh) | 2021-04-06 |
Family
ID=75248069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011573062.3A Pending CN112613055A (zh) | 2020-12-24 | 2020-12-24 | 基于分布式云服务器和数图转换的图像处理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613055A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117354064A (zh) * | 2023-12-05 | 2024-01-05 | 深圳市一航网络信息技术有限公司 | 一种基于区块链的分布式多方隐私处理方法以及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635573A (zh) * | 2018-11-12 | 2019-04-16 | 北京海泰方圆科技股份有限公司 | 数据分布式加解密的***、方法、装置、电子设备及介质 |
CN111030983A (zh) * | 2019-10-15 | 2020-04-17 | 深圳壹账通智能科技有限公司 | 基于分布式分发的数据处理方法、装置及相关设备 |
CN111050022A (zh) * | 2020-01-13 | 2020-04-21 | 杭州勒格网络科技有限公司 | 一种高安全性图像传输***及方法 |
CN111083306A (zh) * | 2019-12-20 | 2020-04-28 | 湖南匡楚科技有限公司 | 基于图像加密的数据传输方法及装置 |
CN111737214A (zh) * | 2020-06-29 | 2020-10-02 | 莱芜职业技术学院 | 计算机冗余数据的数据优化处理***及方法 |
CN113793245A (zh) * | 2021-09-29 | 2021-12-14 | 中国电信股份有限公司 | 图像加密方法、图像解密方法、装置、电子设备和介质 |
-
2020
- 2020-12-24 CN CN202011573062.3A patent/CN112613055A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635573A (zh) * | 2018-11-12 | 2019-04-16 | 北京海泰方圆科技股份有限公司 | 数据分布式加解密的***、方法、装置、电子设备及介质 |
CN111030983A (zh) * | 2019-10-15 | 2020-04-17 | 深圳壹账通智能科技有限公司 | 基于分布式分发的数据处理方法、装置及相关设备 |
CN111083306A (zh) * | 2019-12-20 | 2020-04-28 | 湖南匡楚科技有限公司 | 基于图像加密的数据传输方法及装置 |
CN111050022A (zh) * | 2020-01-13 | 2020-04-21 | 杭州勒格网络科技有限公司 | 一种高安全性图像传输***及方法 |
CN111737214A (zh) * | 2020-06-29 | 2020-10-02 | 莱芜职业技术学院 | 计算机冗余数据的数据优化处理***及方法 |
CN113793245A (zh) * | 2021-09-29 | 2021-12-14 | 中国电信股份有限公司 | 图像加密方法、图像解密方法、装置、电子设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117354064A (zh) * | 2023-12-05 | 2024-01-05 | 深圳市一航网络信息技术有限公司 | 一种基于区块链的分布式多方隐私处理方法以及*** |
CN117354064B (zh) * | 2023-12-05 | 2024-02-02 | 深圳市一航网络信息技术有限公司 | 一种基于区块链的分布式多方隐私处理方法以及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhawan et al. | Analysis of various data security techniques of steganography: A survey | |
Qin et al. | Coverless image steganography: a survey | |
Joseph et al. | Retracted article: a multimodal biometric authentication scheme based on feature fusion for improving security in cloud environment | |
Younus et al. | Video steganography using knight tour algorithm and LSB method for encrypted data | |
Ghadi et al. | A novel zero‐watermarking approach of medical images based on Jacobian matrix model | |
Liu et al. | A digital data hiding scheme based on pixel-value differencing and side match method | |
Jaradat et al. | A High‐Capacity Image Steganography Method Using Chaotic Particle Swarm Optimization | |
Hosny et al. | Robust image hashing using exact Gaussian–Hermite moments | |
Thanikaiselvan et al. | A graph theory practice on transformed image: A random image steganography | |
Gong et al. | [Retracted] Robust and Secure Zero‐Watermarking Algorithm for Medical Images Based on Harris‐SURF‐DCT and Chaotic Map | |
Berg et al. | Searching for Hidden Messages: Automatic Detection of Steganography. | |
CN112613055A (zh) | 基于分布式云服务器和数图转换的图像处理***及方法 | |
Khosravi et al. | A novel joint secret image sharing and robust steganography method using wavelet | |
CN114362988A (zh) | 网络流量的识别方法及装置 | |
Li et al. | A game-theoretic method for designing distortion function in spatial steganography | |
Davidson et al. | Locating secret messages in images | |
Ansari et al. | PSO optimized multipurpose image watermarking using SVD and chaotic sequence | |
Jaya Prakash et al. | Improved reversible data hiding scheme employing dual image-based least significant bit matching for secure image communication using style transfer | |
Ejaz et al. | Adaptive image data hiding using transformation and error replacement | |
Bansal et al. | Securing fingerprint images using PSO-based wavelet domain watermarking | |
CN112184841B (zh) | 块替换生成式信息隐藏及恢复方法、设备及介质 | |
Zhang et al. | Pixel-Stega: Generative image steganography based on autoregressive models | |
Srinivasu et al. | Covert and Secure Communication Using Multiple Invisible Stego Images by Split-Logical Algorithm | |
Kandasamy et al. | Implementation of Blockchain Technology for Secure Image Sharing Using Double Layer Steganography | |
Qin et al. | New advances of privacy protection and multimedia content security for big data and cloud computing |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |