CN116451276B - 一种图像处理方法、装置、设备及*** - Google Patents
一种图像处理方法、装置、设备及*** Download PDFInfo
- Publication number
- CN116451276B CN116451276B CN202310712315.8A CN202310712315A CN116451276B CN 116451276 B CN116451276 B CN 116451276B CN 202310712315 A CN202310712315 A CN 202310712315A CN 116451276 B CN116451276 B CN 116451276B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- network model
- scrambling
- protection
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 53
- 238000013507 mapping Methods 0.000 claims description 29
- 230000000007 visual effect Effects 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 14
- 239000000758 substrate Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 13
- 238000012805 post-processing Methods 0.000 description 12
- 238000003709 image segmentation Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 230000004927 fusion Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F21/62—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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/50—Maintenance of biometric data or enrolment thereof
- G06V40/53—Measures to keep reference information secret, e.g. cancellable biometrics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/44—Secrecy systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioethics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种图像处理方法、装置、设备及***,该方法包括:对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像;其中,所述原始敏感图像包括多个图像块,像素置乱操作用于对图像块内的多个像素值进行置乱操作,图像块置乱操作用于对多个图像块进行置乱操作;将所述隐私保护图像发送给服务端,以使所述服务端将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果。通过本申请的技术方案,能够避免敏感信息的泄露,避免泄露用户隐私信息,能够对原始敏感图像进行隐私保护,不会存在隐私泄露的风险,具有很高的隐私保护能力。
Description
技术领域
本申请涉及图像处理领域,尤其是一种图像处理方法、装置、设备及***。
背景技术
客户端(如摄像机、移动终端等)可以获取原始图像,并将原始图像发送给服务端,由服务端基于网络模型对原始图像进行人工智能处理,得到原始图像的图像处理结果(如图像检测结果、图像分割结果、图像识别结果等)。
如果原始图像是敏感图像(如人脸图像、人体图像等),在原始图像的传输过程中,若原始图像被攻击者截获,则攻击者可以基于原始图像得到敏感信息,造成敏感信息的泄露,容易泄露用户隐私信息,对用户造成巨大损失。
发明内容
本申请提供一种图像处理方法,应用于客户端,所述方法包括:
对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像;其中,所述原始敏感图像包括多个图像块,像素置乱操作用于对图像块内的多个像素值进行置乱操作,图像块置乱操作用于对多个图像块进行置乱操作;
将所述隐私保护图像发送给服务端,以使所述服务端将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果;
其中,所述目标网络模型是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,对所述样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到所述样本敏感图像对应的样本保护图像。
本申请提供一种图像处理装置,应用于客户端,所述装置包括:
处理模块,用于对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到所述原始敏感图像对应的隐私保护图像;其中,所述原始敏感图像包括多个图像块,所述像素置乱操作用于对图像块内的多个像素值进行置乱操作,所述图像块置乱操作用于对多个图像块进行置乱操作;
发送模块,用于将所述原始敏感图像对应的隐私保护图像发送给服务端,以使所述服务端在接收到所述隐私保护图像后,将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果;
其中,所述目标网络模型是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,对所述样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到所述样本敏感图像对应的样本保护图像。
本申请提供一种客户端设备,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现上述的图像处理方法。
本申请提供一种图像处理***,所述***包括:
客户端,用于对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像,并将所述隐私保护图像发送给服务端;其中,所述原始敏感图像包括多个图像块,所述像素置乱操作用于对图像块内的多个像素值进行置乱操作,所述图像块置乱操作用于对多个图像块进行置乱操作;
服务端,用于在接收到所述隐私保护图像之后,将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果;
其中,所述目标网络模型是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,对所述样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到所述样本敏感图像对应的样本保护图像。
由以上技术方案可见,本申请实施例中,可以对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像,且客户端向服务端发送的是隐私保护图像,即使隐私保护图像被攻击者截获,攻击者也无法基于隐私保护图像得到敏感信息,避免敏感信息的泄露,避免泄露用户隐私信息,能够对原始敏感图像进行隐私保护,不会存在隐私泄露的风险,具有很高的隐私保护能力。通过对原始敏感图像进行像素置乱操作,能够消除视觉纹理信息,从而避免泄露原始敏感图像的纹理信息。通过对原始敏感图像进行图像块置乱操作,能够消除视觉轮廓信息,从而避免泄露原始敏感图像的轮廓信息。
附图说明
为了更加清楚地说明本申请实施例或者现有技术中的技术方案,下面将对本申请实施例或者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申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据本申请实施例的这些附图获得其他的附图。
图1是本申请一种实施方式中的图像处理方法的流程示意图;
图2是本申请一种实施方式中的置乱操作的示意图;
图3是本申请一种实施方式中的目标网络模型的结构示意图;
图4是本申请一种实施方式中的图像处理***的结构示意图;
图5是本申请一种实施方式中的图像处理装置的结构示意图;
图6是本申请一种实施方式中的客户端设备的硬件结构图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的,而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其它含义。还应当理解,本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,此外,所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请实施例中提出一种图像处理方法,可以应用于客户端(如摄像机、移动终端等),参见图1所示,为该方法的流程示意图,该方法可以包括:
步骤101、对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到该原始敏感图像对应的隐私保护图像。示例性的,原始敏感图像可以包括多个图像块,像素置乱操作可以用于对图像块内的多个像素值进行置乱操作,图像块置乱操作可以用于对原始敏感图像的多个图像块进行置乱操作。
在一种可能的实施方式中,可以将原始敏感图像划分成M*N个图像块,并从M*N个图像块中选取出待保护的多个目标图像块,M和N均为正整数;比如说,将M*N个图像块中的全部图像块均作为目标图像块,或者,将M*N个图像块中的部分图像块作为目标图像块。针对每个目标图像块,获取该目标图像块对应的像素值保护密钥,确定像素值保护密钥对应的第一置乱顺序,并基于第一置乱顺序对该目标图像块内的多个像素值进行置乱操作,得到中间图像(即对所有目标图像块进行置乱操作后的图像)。获取原始敏感图像对应的图像块保护密钥,确定图像块保护密钥对应的第二置乱顺序,并基于第二置乱顺序对中间图像内的多个目标图像块进行置乱操作,得到该隐私保护图像。
示例性的,确定像素值保护密钥对应的第一置乱顺序,可以包括但不限于:通过像素值保护密钥查询第一映射关系,得到该像素值保护密钥对应的第一置乱顺序,第一置乱顺序表示置乱操作前的像素值位置与置乱操作后的像素值位置的对应关系;第一映射关系用于记录像素值保护密钥与置乱顺序的对应关系。
示例性的,确定图像块保护密钥对应的第二置乱顺序,可以包括但不限于:通过图像块保护密钥查询第二映射关系,得到该图像块保护密钥对应的第二置乱顺序,第二置乱顺序表示置乱操作前的图像块位置与置乱操作后的图像块位置的对应关系;第二映射关系用于记录图像块保护密钥与置乱顺序的对应关系。
示例性的,不同目标图像块对应的像素值保护密钥可以相同或者不同;不同原始敏感图像对应的图像块保护密钥可以相同或者不同。
步骤102、将隐私保护图像发送给服务端,以使服务端将该隐私保护图像输入给已训练的目标网络模型,得到该隐私保护图像对应的图像处理结果。
示例性的,目标网络模型可以是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,可以对该样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到该样本敏感图像对应的样本保护图像。
在一种可能的实施方式中,基于样本敏感图像对应的样本保护图像训练得到目标网络模型的过程,可以包括但不限于:获取第一样本数据集,该第一样本数据集可以包括多个样本保护图像;将该第一样本数据集发送给服务端,以使服务端基于该第一样本数据集对第一初始网络模型进行训练,得到已训练的目标网络模型。或者,获取第二初始网络模型和第二样本数据集,该第二样本数据集可以包括多个样本保护图像;基于该第二样本数据集对第二初始网络模型进行训练,得到已训练网络模型;将已训练网络模型中的目标权重信息发送给服务端,以使服务端基于该目标权重信息获取目标网络模型。或者,获取像素值保护密钥和图像块保护密钥,并将像素值保护密钥和图像块保护密钥发送给服务端,以使服务端基于像素值保护密钥和图像块保护密钥将第三样本数据集中的多个样本敏感图像转换为多个样本保护图像,并基于多个样本保护图像对第三初始网络模型进行训练,得到已训练的目标网络模型。
示例性的,目标网络模型可以是包含一层全连接层的网络模型;或者,目标网络模型可以是包含多层全连接层的网络模型;或者,目标网络模型可以是视觉自注意力的网络模型;或者,目标网络模型可以是不含位置编码的视觉自注意力的网络模型;或,目标网络模型可以是多层感知机和混合器的网络模型。
由以上技术方案可见,本申请实施例中,可以对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像,且客户端向服务端发送的是隐私保护图像,即使隐私保护图像被攻击者截获,攻击者也无法基于隐私保护图像得到敏感信息,避免敏感信息的泄露,避免泄露用户隐私信息,能够对原始敏感图像进行隐私保护,不会存在隐私泄露的风险,具有很高的隐私保护能力。通过对原始敏感图像进行像素置乱操作,能够消除视觉纹理信息,从而避免泄露原始敏感图像的纹理信息。通过对原始敏感图像进行图像块置乱操作,能够消除视觉轮廓信息,从而避免泄露原始敏感图像的轮廓信息。
以下结合具体应用场景,对本申请实施例的上述技术方案进行说明。
图像处理***(如图像识别***等)是利用人工智能技术从图像中自动化识别(检测、分割等)相关信息的***,能够基于网络模型对图像进行人工智能处理,得到图像处理结果(如图像检测结果、图像分割结果、图像识别结果等)。其中,图像处理***可以包括但不限于以下过程:图像采集(或图像获取)过程、图像传输过程、图像预处理过程、图像识别过程、后处理过程。
示例性的,在图像采集过程中,客户端可以采集原始图像。在图像传输过程中,客户端可以将原始图像发送给服务端。在图像预处理过程中,服务端可以对原始图像进行预处理,如进行图像缩放、图像翻转等预处理。在图像识别过程中,服务端可以基于网络模型对原始图像进行人工智能处理,得到原始图像的图像处理结果(如图像检测结果、图像分割结果、图像识别结果等)。在后处理过程中,服务端可以基于图像处理结果实现原始图像的后处理。
针对图像传输过程,客户端可以将原始图像发送给服务端,如果原始图像是敏感图像(如人脸图像、人体图像等),在原始图像的传输过程中,若原始图像被攻击者截获,则攻击者可以基于原始图像得到敏感信息,造成敏感信息的泄露,容易泄露用户隐私信息,对用户造成巨大损失。即使客户端利用密码学算法对原始图像进行加密(如公钥加密或私钥加密等),服务端在图像预处理过程或者图像识别过程中,也需要对原始图像进行解密,在对原始图像进行解密之后,若攻击者截获解密后的原始图像,也会造成敏感信息的泄露。
针对上述发现,本实施例中提出一种图像处理方法,可以对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像,客户端向服务端发送的是隐私保护图像,从而避免敏感信息的泄露,避免泄露用户隐私信息。
本实施例中,图像处理***(即基于图像隐私保护的图像处理***)可以包括但不限于以下过程:图像采集(或图像获取)过程、图像隐私保护过程、图像传输过程、图像预处理过程、图像识别过程、后处理过程。
示例性的,在图像采集过程中,客户端可以采集原始图像,为了区分方便,可以将该原始图像记为原始敏感图像,表示原始图像是敏感图像,如人脸图像、人体图像等,对此原始敏感图像的类型不做限制。在图像隐私保护过程中,客户端可以对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到原始敏感图像对应的隐私保护图像。在图像传输过程中,客户端可以将隐私保护图像发送给服务端。在图像预处理过程中,服务端可以对隐私保护图像进行预处理,如进行图像缩放、图像翻转等预处理。在图像识别过程中,服务端可以基于网络模型对隐私保护图像进行人工智能处理,从而得到隐私保护图像的图像处理结果(如图像检测结果、图像分割结果、图像识别结果等)。在后处理过程中,服务端可以基于图像处理结果实现原始敏感图像的后处理。
针对图像传输过程,客户端可以将隐私保护图像发送给服务端,由于隐私保护图像是经过像素置乱操作和/或图像块置乱操作后的图像,因此,在隐私保护图像的传输过程中,即使隐私保护图像被攻击者截获,攻击者也无法基于隐私保护图像得到敏感信息,避免敏感信息的泄露,避免泄露用户隐私信息,从而能够对原始敏感图像进行隐私保护,具有很高的隐私保护能力。
服务端在图像预处理过程或者图像识别过程中,不需要对隐私保护图像进行还原操作,比如说,服务器可以直接将隐私保护图像输入至网络模型,这样,攻击者无法截获还原后的原始敏感图像,从而不会造成敏感信息的泄露。
本实施例中,针对图像隐私保护过程,客户端可以对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像,以下对图像隐私保护过程进行说明。比如说,为了实现图像隐私保护过程,可以采用如下方式:
方式1、对原始敏感图像进行像素置乱操作和图像块置乱操作,得到原始敏感图像对应的隐私保护图像。例如,先对原始敏感图像进行像素置乱操作,得到像素置乱操作后的中间图像,然后对中间图像进行图像块置乱操作,得到隐私保护图像。或者,先对原始敏感图像进行图像块置乱操作,得到图像块置乱操作后的中间图像,然后对中间图像进行像素置乱操作,得到隐私保护图像。
为了方便描述,以先进行像素置乱操作后进行图像块置乱操作为例。参见图2所示,在得到原始敏感图像之后,对原始敏感图像进行像素置乱操作,得到中间图像,然后,对中间图像进行图像块置乱操作,得到隐私保护图像。
在一种可能的实施方式中,可以采用如下步骤得到隐私保护图像:
步骤S11、将原始敏感图像划分成M*N个图像块,M和N均为正整数。
示例性的,在得到原始敏感图像之后,可以将原始敏感图像划分成M*N个图像块,M和N可以相同,M和N也可以不同。其中,M表示原始敏感图像的横向存在M个图像块,N表示原始敏感图像的纵向存在N个图像块。
示例性的,不同图像块的大小可以相同,不同图像块的大小也可以不同,以所有图像块的大小均相同为例进行说明。比如说,所有图像块的大小均为m*n,m和n均为正整数,m和n可以相同,m和n也可以不同。其中,m表示图像块的横向存在m个像素,n表示图像块的纵向存在n个像素。
步骤S12、从M*N个图像块中选取出待保护的多个目标图像块。
比如说,可以将M*N个图像块中的全部图像块均作为目标图像块,在该情况下,需要对全部图像块进行像素置乱操作和图像块置乱操作。
又例如,可以将M*N个图像块中的部分图像块作为目标图像块,在该情况下,需要对部分图像块进行像素置乱操作和图像块置乱操作。
为了方便描述,以全部图像块均作为目标图像块为例,也就是说,原始敏感图像的M*N个图像块均作为目标图像块,对所有图像块进行置乱操作。
步骤S13、针对每个目标图像块,获取该目标图像块对应的像素值保护密钥,确定该像素值保护密钥对应的第一置乱顺序,并基于该第一置乱顺序对该目标图像块内的多个像素值进行置乱操作(即像素置乱操作),得到像素置乱操作后的中间图像。像素置乱操作用于对目标图像块内的多个像素值进行置乱操作,像素置乱操作是将目标图像块内的多个像素值的原始顺序进行打乱的操作。
示例性的,不同目标图像块对应的像素值保护密钥可以相同,不同目标图像块对应的像素值保护密钥也可以不同。为了方便描述,以所有目标图像块对应的像素值保护密钥相同为例,将该像素值保护密钥记为。
比如说,假设像素值保护密钥的取值范围是[a,b],则可以生成位于取值范围[a,b]的随机数,将这个随机数作为。针对大量原始敏感图像,每个原始敏感图像的目标图像块对应的像素值保护密钥可以相同,均为这个随机数。
综上所述,针对原始敏感图像的每个目标图像块,可以将这个随机数作为该目标图像块对应的像素值保护密钥,该像素值保护密钥后续记为。
示例性的,可以预先维护第一映射关系,第一映射关系用于记录像素值保护密钥与置乱顺序的对应关系,参见表1所示,为第一映射关系的示例,像素值保护密钥是位于取值范围[a,b]的数值,置乱顺序表示置乱操作前的像素值位置与置乱操作后的像素值位置的对应关系,不同置乱顺序表示不同的对应关系。
表1
示例性的,在得到目标图像块对应的之后,就可以通过/>查询表1所示的第一映射关系,从而得到/>对应的第一置乱顺序。比如说,若为1,则第一置乱顺序是置乱顺序11,若/>为2,则第一置乱顺序是置乱顺序12,以此类推,可以得到目标图像块对应的第一置乱顺序。
示例性的,第一置乱顺序表示置乱操作前的像素值位置与置乱操作后的像素值位置的对应关系,参见表2所示,为第一置乱顺序的示例,当然,这里只是以一个置乱顺序为例进行说明,在第一置乱顺序为其它置乱顺序时,表2所示的对应关系会随之发生变化,本实施例中对此置乱顺序不做限制。
表2
示例性的,在得到第一置乱顺序之后,就可以基于第一置乱顺序对目标图像块内的多个像素值进行置乱操作,比如说,假设目标图像块的大小为3*2,那么,基于表2所示的第一置乱顺序,将像素位置(1,1)的像素值移动到像素位置(2,2),将像素位置(1,2)的像素值移动到像素位置(1,3),将像素位置(1,3)的像素值移动到像素位置(2,1),将像素位置(2,1)的像素值移动到像素位置(1,1),将像素位置(2,2)的像素值移动到像素位置(2,3),将像素位置(2,3)的像素值移动到像素位置(1,2)。在对目标图像块进行上述置乱操作之后,就可以得到置乱操作之后的目标图像块。
显然,在对原始敏感图像的每个目标图像块进行上述置乱操作之后,就可以得到像素置乱操作后的中间图像,中间图像包括置乱操作之后的目标图像块。
步骤S14、获取原始敏感图像对应的图像块保护密钥,确定该图像块保护密钥对应的第二置乱顺序,并基于该第二置乱顺序对中间图像内的多个目标图像块进行置乱操作(即图像块置乱操作),得到原始敏感图像对应的隐私保护图像。其中,图像块置乱操作用于对中间图像的多个目标图像块进行置乱操作,图像块置乱操作是将中间图像的多个目标图像块的原始顺序进行打乱的操作。
示例性的,不同原始敏感图像对应的图像块保护密钥可以相同,不同原始敏感图像对应的图像块保护密钥也可以不同。为了方便描述,以所有原始敏感图像对应的图像块保护密钥相同为例,将该图像块保护密钥记为。
比如说,假设图像块保护密钥的取值范围是[c,d],则可以生成位于取值范围[c,d]的随机数,将这个随机数作为。针对大量原始敏感图像,每个原始敏感图像对应的图像块保护密钥可以相同,可以均为这个随机数。
综上所述,针对每个原始敏感图像,可以将这个随机数作为该原始敏感图像对应的图像块保护密钥,该图像块保护密钥后续记为。
示例性的,可以预先维护第二映射关系,第二映射关系用于记录图像块保护密钥与置乱顺序的对应关系,参见表3所示,为第二映射关系的示例,图像块保护密钥是位于取值范围[c,d]的数值,置乱顺序表示置乱操作前的图像块位置与置乱操作后的图像块位置的对应关系,不同置乱顺序表示不同的对应关系。
表3
示例性的,在得到原始敏感图像对应的之后,可以通过/>查询表3所示的第二映射关系,得到/>对应的第二置乱顺序。比如说,若/>为1,则第二置乱顺序是置乱顺序21,若/>为2,则第二置乱顺序是置乱顺序22,以此类推,可以得到原始敏感图像对应的第二置乱顺序。
示例性的,第二置乱顺序表示置乱操作前的图像块位置与置乱操作后的图像块位置的对应关系,参见表4所示,为第二置乱顺序的示例,当然,这里只是以一个置乱顺序为例进行说明,在第二置乱顺序为其它置乱顺序时,表4所示的对应关系会随之发生变化,本实施例中对此置乱顺序不做限制。
表4
示例性的,在得到第二置乱顺序之后,就可以基于第二置乱顺序对中间图像内的多个目标图像块进行置乱操作,比如说,假设原始敏感图像(即中间图像)包括2*2个图像块(假设这些图像块均作为目标图像块),那么,基于表4所示的第二置乱顺序,将图像块位置(1,1)的图像块移动到图像块位置(1,2),将图像块位置(1,2)的图像块移动到图像块位置(2,2),将图像块位置(2,1)的图像块移动到图像块位置(1,1),将图像块位置(2,2)的图像块移动到图像块位置(2,1)。在对中间图像进行上述置乱操作之后,置乱操作之后的中间图像就是原始敏感图像对应的隐私保护图像。
综上所述,通过对原始敏感图像进行像素置乱操作和图像块置乱操作,可以得到原始敏感图像对应的隐私保护图像。像素置乱操作的顺序(第一置乱顺序)由控制,图像块置乱操作的顺序(第二置乱顺序)由/>控制。/>由所有图像共享或不共享,/>由所有图像块共享或不共享。
示例性的,通过对原始敏感图像进行像素置乱操作,能够消除视觉纹理信息,从而避免泄露原始敏感图像的纹理信息。通过对原始敏感图像进行图像块置乱操作,能够消除视觉轮廓信息,从而避免泄露原始敏感图像的轮廓信息。
对于采用像素置乱操作和图像块置乱操作的隐私保护图像来说,只有暴力破解才能将隐私保护图像还原为原始敏感图像,假设原始敏感图像是224*224的人脸图像,且按照16*16的图像块大小进行划分,则可以划分出14*14个图像块,那么,暴力破解的复杂度就是(16*16*3)!*(14*14)!,即768!*196!,显然,暴力破解的复杂度非常大,即具有很高的隐私保护能力。
方式2、对原始敏感图像进行像素置乱操作,得到原始敏感图像对应的隐私保护图像。比如说,将原始敏感图像划分成M*N个图像块。从M*N个图像块中选取出待保护的多个目标图像块,可以将M*N个图像块中的全部图像块均作为目标图像块,也可以将M*N个图像块中的部分图像块作为目标图像块。针对每个目标图像块,获取该目标图像块对应的像素值保护密钥,确定该像素值保护密钥对应的第一置乱顺序,并基于该第一置乱顺序对该目标图像块内的多个像素值进行置乱操作(即像素置乱操作,像素置乱操作可以用于对图像块内的多个像素值进行置乱操作),得到像素置乱操作后的隐私保护图像。
示例性的,方式2的实现过程可以参见方式1,在此不再重复赘述。
方式3、对原始敏感图像进行图像块置乱操作,得到原始敏感图像对应的隐私保护图像。比如说,将原始敏感图像划分成M*N个图像块。从M*N个图像块中选取出待保护的多个目标图像块,可以将M*N个图像块中的全部图像块均作为目标图像块,也可以将M*N个图像块中的部分图像块作为目标图像块。获取原始敏感图像对应的图像块保护密钥,确定该图像块保护密钥对应的第二置乱顺序,并基于该第二置乱顺序对原始敏感图像内的多个目标图像块进行置乱操作(即图像块置乱操作,图像块置乱操作可以用于对原始敏感图像的多个目标图像块进行置乱操作),得到图像块置乱操作后的隐私保护图像。
示例性的,方式3的实现过程可以参见方式1,在此不再重复赘述。
本实施例中,针对图像识别过程,服务端可以基于网络模型对隐私保护图像进行人工智能处理,从而得到隐私保护图像的图像处理结果(如图像检测结果、图像分割结果、图像识别结果等)。比如说,服务端在接收到隐私保护图像之后,可以将该隐私保护图像输入给已训练的目标网络模型,从而得到该隐私保护图像对应的图像处理结果,以下对图像识别过程进行说明。
示例性的,可以预先训练一个网络模型(如神经网络模型)作为目标网络模型,目标网络模型可以是包含一层全连接层的网络模型,即目标网络模型只包含一层全连接层。假设网络模型的输入图像的尺寸为224*224*3=150528,且网络模型用于实现10分类的图像识别任务,则网络模型的权重为[150528,10]的矩阵,即一层全连接层的权重为[150528,10]的矩阵,因此,可以对该网络模型的[150528,10]的矩阵进行训练,从而得到已训练的目标网络模型。
目标网络模型也可以是包含多层全连接层的网络模型,即目标网络模型包含多层全连接层。假设网络模型的输入图像的尺寸为224*224*3=150528,且网络模型用于实现10分类的图像识别任务,则网络模型的第一层连接层的权重为[150528,10]的矩阵,本实施例中对网络模型的其它连接层不做限制,因此,可以对网络模型的各全连接层的权重进行训练,从而得到已训练的目标网络模型。
目标网络模型也可以是视觉自注意力的网络模型,即目标网络模型可以为视觉自注意力模型(Vision Transformer)。视觉自注意力的网络模型可以包括图像分割层(用于将图像划分为M*N个图像块)、全连接层(即所有图像块经过共享的全连接层)、位置编码层(用于对每个图像块进行位置编码)、自注意力网络层(用于进行特征融合),对该网络模型的网络层不做限制,因此,可以对网络模型的各网络层的权重进行训练,从而得到已训练的目标网络模型。
目标网络模型也可以是不含位置编码的视觉自注意力的网络模型,即目标网络模型可以为不含位置编码的视觉自注意力模型(Vision Transformer)。不含位置编码的视觉自注意力的网络模型可以包括图像分割层(用于将图像划分为M*N个图像块)、全连接层(即所有图像块经过共享的全连接层)、自注意力网络层(用于进行特征融合),对该网络模型的网络层不做限制,因此,可以对网络模型的各网络层的权重进行训练,从而得到已训练的目标网络模型。
目标网络模型也可以是多层感知机和混合器的网络模型,即目标网络模型可以为多层感知机-混合器(MLP-Mixer)模型。多层感知机和混合器的网络模型可以包括图像分割层(用于将图像划分为M*N个图像块)、全连接层(即所有图像块经过共享的全连接层)、混合器层(mixer layer,用于进行特征融合,在混合器层中,混合器层可以由两组全连接层分别进行空间域的特征融合和通道域的特征融合),对该网络模型的网络层不做限制,因此,可以对网络模型的各网络层的权重进行训练,从而得到已训练的目标网络模型。
当然,上述只是目标网络模型的几个示例,对此目标网络模型的类型不做限制,只要能够训练得到目标网络模型即可,如目标网络模型可以为视觉自注意力模型、MLP-Mixer、Vision Permutator、ConvMixer等。对于各种类型的目标网络模型来说,目标网络模型的模型结构可以具有以下特点:可以将图像划分为M*N个图像块,可以利用共享的全连接层对图像块进行特征提取,可以将所有图像块的特征送入一系列各向同性(isotopic)的网络层进行特征融合。
为了方便描述,以目标网络模型是视觉自注意力的网络模型为例,其它类型的目标网络模型的实现方式类似。参见图3所示,为目标网络模型的结构示意图,目标网络模型可以包括图像分割层、全连接层、位置编码层和自注意力网络层,在训练得到目标网络模型之后,可以采用如下步骤实现图像识别过程:
步骤S21、在接收到隐私保护图像之后,将隐私保护图像输入给目标网络模型的图像分割层,由图像分割层将隐私保护图像划分为M*N个图像块。
示例性的,不同图像块的大小可以相同,不同图像块的大小也可以不同,以所有图像块的大小均相同为例进行说明,如所有图像块的大小均为m*n。
步骤S22、在得到M*N个图像块之后,将每个图像块输入给全连接层(即所有图像块输入给共享的全连接层),由共享的全连接层对每个图像块进行特征提取,得到每个图像块对应的固定长度的全连接特征。
比如说,假设每个图像块的大小均为m*n,全连接层的权重的大小为m*n,那么,在将图像块1输入给全连接层时,全连接层可以通过共享的线性映射将图像块1映射成固定长度的全连接特征1,在将图像块2输入给全连接层时,全连接层可以通过共享的线性映射将图像块2映射成固定长度的全连接特征2,以此类推。其中,线性映射是涉及矩阵乘法的线性运算,即对图像块(如图像块1、图像块2等)和全连接层的权重进行矩阵乘法的线性运算。
步骤S23、在得到每个图像块对应的全连接特征之后,将每个图像块对应的全连接特征输入给位置编码层,由位置编码层对每个图像块对应的全连接特征进行位置编码,得到每个图像块对应的位置编码特征。比如说,可以将图像块1对应的全连接特征1输入给位置编码层,由位置编码层在全连接特征1上编码可学习的位置信息,得到包含位置信息的位置编码特征1,可以将图像块2对应的全连接特征2输入给位置编码层,由位置编码层在全连接特征2上编码可学习的位置信息,得到包含位置信息的位置编码特征2,以此类推。
步骤S24、在得到每个图像块对应的位置编码特征之后,将每个图像块对应的位置编码特征输入给自注意力网络层,由自注意力网络层对所有图像块对应的位置编码特征进行特征融合,最终得到隐私保护图像对应的图像处理结果。
示例性的,自注意力网络层可以包括自注意力编码器(Transformer Encoder)和多层感知机(Multilayer Perceptron,MLP)等,可以将每个图像块对应的位置编码特征输入给自注意力编码器,由自注意力编码器对每个图像块对应的位置编码特征进行自注意力编码,得到每个图像块对应的自注意力编码特征,并将每个图像块对应的自注意力编码特征输入给多层感知机,由多层感知机对所有图像块对应的自注意力编码特征进行特征融合,得到融合后特征,并基于融合后特征确定隐私保护图像对应的图像处理结果,如图像识别结果等。
综上,可以得到隐私保护图像对应的图像处理结果,完成图像识别过程。
在一种可能的实施方式中,可以采用如下方式训练得到目标网络模型:
方式1、客户端获取第一样本数据集,该第一样本数据集可以包括多个样本保护图像。客户端将第一样本数据集发送给服务端,以使服务端基于第一样本数据集对第一初始网络模型进行训练,得到已训练的目标网络模型。
示例性的,若客户端拥有大量训练数据(即大量样本保护图像),则客户端可以直接将大量样本保护图像发送给服务端,由服务端完成模型训练过程,在该方式1下,客户端不需要将和/>分享给服务端。
示例性的,客户端可以获取到大量样本敏感图像,针对每个样本敏感图像来说,客户端可以对该样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到该样本敏感图像对应的样本保护图像,从而得到大量样本敏感图像对应的大量样本保护图像,可以将这些样本保护图像添加到第一样本数据集。客户端在得到第一样本数据集之后,就可以将第一样本数据集发送给服务端。
客户端对样本敏感图像进行像素置乱操作和/或图像块置乱操作的过程,参见图像隐私保护过程,在此不再赘述。客户端对样本敏感图像进行像素置乱操作时采用的与图像隐私保护过程的/>相同,客户端对样本敏感图像进行图像块置乱操作时采用的/>与图像隐私保护过程的/>相同。
服务端可以从客户端获取第一样本数据集,该第一样本数据集可以包括大量样本保护图像。服务端还可以获取已配置的第一初始网络模型,第一初始网络模型的权重可以为待训练权重,待训练权重是还未经过训练的权重。在此基础上,服务端可以基于第一样本数据集中的大量样本保护图像对第一初始网络模型进行训练,对此训练过程不再赘述,得到已训练的目标网络模型。
方式2、客户端获取第二初始网络模型和第二样本数据集,该第二样本数据集可以包括多个样本保护图像。客户端基于该第二样本数据集对第二初始网络模型进行训练,得到已训练网络模型。客户端将已训练网络模型中的目标权重信息发送给服务端,以使服务端基于该目标权重信息获取目标网络模型。
示例性的,若客户端拥有少量训练数据(即少量样本保护图像),且客户端不相信服务端(即服务端可能会泄露和/>),则客户端可以由自身训练目标网络模型,并将目标网络模型中的目标权重信息发送给服务端,由服务端基于目标权重信息直接生成目标网络模型,完成模型训练过程,在该方式2下,客户端不需要将/>和分享给服务端。
示例性的,客户端可以获取到少量样本敏感图像,针对每个样本敏感图像来说,客户端可以对该样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到该样本敏感图像对应的样本保护图像,从而得到少量样本敏感图像对应的少量样本保护图像,可以将这些样本保护图像添加到第二样本数据集。
客户端对样本敏感图像进行像素置乱操作和/或图像块置乱操作的过程,参见图像隐私保护过程,在此不再赘述。客户端对样本敏感图像进行像素置乱操作时采用的与图像隐私保护过程的/>相同,客户端对样本敏感图像进行图像块置乱操作时采用的/>与图像隐私保护过程的/>相同。
客户端还可以获取已配置的第二初始网络模型,第二初始网络模型的权重可以为预训练权重,预训练权重是已经过训练的权重,如在其它数据集上训练得到的权重,这样,只需要通过少量样本保护图像对预训练权重进行训练,就可以得到性能较高的权重,而不需要使用大量样本保护图像对预训练权重进行训练。在此基础上,客户端可以基于第二样本数据集中的少量样本保护图像对第二初始网络模型进行训练,对此训练过程不再赘述,得到已训练网络模型。
客户端在训练得到已训练网络模型之后,可以将已训练网络模型中的目标权重信息发送给服务端,服务端接收到已训练网络模型中的目标权重信息之后,可以直接基于该目标权重信息获取目标网络模型,即目标网络模型的权重基于目标权重信息确定,目标网络模型的权重与已训练网络模型中的权重相同。
方式3、客户端获取像素值保护密钥(可以记为)和图像块保护密钥(可以记为/>),并将该像素值保护密钥和该图像块保护密钥发送给服务端,以使服务端基于该像素值保护密钥和该图像块保护密钥将第三样本数据集中的多个样本敏感图像转换为多个样本保护图像,并基于多个样本保护图像对第三初始网络模型进行训练,得到已训练的目标网络模型。
示例性的,若客户端拥有少量训练数据(即少量样本保护图像),且客户端相信服务端(即服务端不会泄露和/>),则客户端将/>和/>发送给服务端,由服务端基于/>和/>训练目标网络模型,完成模型训练过程,方式3下,客户端需要将/>和/>分享给服务端。
示例性的,客户端可以获取和/>,/>与图像隐私保护过程的/>相同,/>与图像隐私保护过程的/>相同,在得到和/>后,可以将/>和/>发送给服务端。
示例性的,服务端可以获取第三样本数据集,第三样本数据集包括多个样本敏感图像(可以是大量样本敏感图像,也可以是少量样本敏感图像),这些样本敏感图像可以是从客户端获取,也可以是采用其它方式获取,对此不做限制。针对每个样本敏感图像来说,服务端可以基于和/>对该样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到该样本敏感图像对应的样本保护图像,从而得到多个样本敏感图像对应的多个样本保护图像(大量样本保护图像或者少量样本保护图像)。服务端对样本敏感图像进行像素置乱操作和/或图像块置乱操作的过程,参见图像隐私保护过程,在此不再赘述。
服务端可以获取已配置的第三初始网络模型,第三初始网络模型的权重可以为预训练权重,预训练权重是已经过训练的权重,如在其它数据集上训练得到的权重,这样,只需要通过少量样本保护图像对预训练权重进行训练,就可以得到性能较高的权重。在此基础上,服务端可以基于大量样本保护图像或者少量样本保护图像(第三样本数据集中的样本敏感图像对应)对第三初始网络模型进行训练,对此训练过程不再赘述,得到已训练的目标网络模型。
或者,服务端可以获取已配置的第三初始网络模型,第三初始网络模型的权重可以为待训练权重,待训练权重是还未经过训练的权重。服务端可以基于大量样本保护图像(第三样本数据集中的样本敏感图像对应)对第三初始网络模型进行训练,对此训练过程不再赘述,得到已训练的目标网络模型。
方式4、客户端获取第四样本数据集,该第四样本数据集可以包括多个样本保护图像。客户端将第四样本数据集发送给服务端,以使服务端基于第四样本数据集对第四初始网络模型进行训练,得到已训练的目标网络模型。
示例性的,若客户端拥有少量训练数据(即少量样本保护图像),则客户端可以直接将少量样本保护图像发送给服务端,由服务端完成模型训练过程,在该方式4下,客户端不需要将和/>分享给服务端。
示例性的,客户端可以获取到少量样本敏感图像,针对每个样本敏感图像来说,客户端可以对该样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到该样本敏感图像对应的样本保护图像,从而得到少量样本敏感图像对应的少量样本保护图像,可以将这些样本保护图像添加到第四样本数据集。客户端在得到第四样本数据集之后,就可以将第四样本数据集发送给服务端。
服务端可以从客户端获取第四样本数据集,该第四样本数据集可以包括少量样本保护图像。服务端还可以获取已配置的第四初始网络模型,第四初始网络模型的权重可以为预训练权重,预训练权重是已经过训练的权重,如在其它数据集上训练得到的权重。在此基础上,服务端可以基于第四样本数据集中的少量样本保护图像对第四初始网络模型进行训练,得到已训练的目标网络模型。
在一种可能的实施方式中,若服务端提供安全的***操作和密钥管理流程,则客户端相信服务端(即服务端不会泄露和/>),反之,若服务端未提供安全的***操作和密钥管理流程,则客户端不相信服务端。
其中,服务端提供安全的***操作和密钥管理流程是指:服务端需要保证和/>的通信安全,在完成模型训练过程之后,需要删除/>和,以防止恶意的第三方攻击。此外,服务端提供方不应主动地利用变换前权重与变换后权重进行比较以尝试破解/>和/>。
综上所述,可以完成模型训练过程,得到已训练的目标网络模型。
在一种可能的实施方式中,参见图4所示,为图像处理***的一个结构示意图,图像处理***可以包括图像采集模块(用于实现图像采集过程)、图像隐私保护模块(用于实现图像隐私保护过程)、图像识别模块(用于实现图像识别过程)和后处理模块(用于实现后处理过程)。图像采集模块和图像隐私保护模块位于客户端,而图像识别模块和后处理模块位于服务端。
图像采集模块可以采集原始敏感图像,并将原始敏感图像发送给图像隐私保护模块,图像隐私保护模块可以对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像,并将隐私保护图像发送给服务端。
服务端在得到隐私保护图像之后,可以将隐私保护图像提供给图像识别模块,图像识别模块基于目标网络模型对隐私保护图像进行人工智能处理,得到隐私保护图像的图像处理结果(如图像检测结果、图像分割结果、图像识别结果等),并将图像处理结果发送给后处理模块。后处理模块在得到图像处理结果之后,可以基于图像处理结果实现原始敏感图像的后处理。
由以上技术方案可见,本申请实施例中,可以对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像,且客户端向服务端发送的是隐私保护图像,即使隐私保护图像被攻击者截获,攻击者也无法基于隐私保护图像得到敏感信息,避免敏感信息的泄露,避免泄露用户隐私信息,能够对原始敏感图像进行隐私保护,不会存在隐私泄露的风险,具有很高的隐私保护能力。通过对原始敏感图像进行像素置乱操作,能够消除视觉纹理信息,从而避免泄露原始敏感图像的纹理信息。通过对原始敏感图像进行图像块置乱操作,能够消除视觉轮廓信息,从而避免泄露原始敏感图像的轮廓信息。采用以视觉自注意力模型为代表的各向无关模型结构,目标网络模型可以在样本保护图像的基础上进行训练,经过训练的目标网络模型的性能基本无损。
基于与上述方法同样的申请构思,本申请实施例中提出一种图像处理装置,应用于客户端,参见图5所示,为所述装置的结构示意图,所述装置包括:
处理模块51,用于对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到所述原始敏感图像对应的隐私保护图像;其中,所述原始敏感图像包括多个图像块,所述像素置乱操作用于对图像块内的多个像素值进行置乱操作,所述图像块置乱操作用于对多个图像块进行置乱操作;
发送模块52,用于将所述原始敏感图像对应的隐私保护图像发送给服务端,以使所述服务端在接收到所述隐私保护图像后,将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果;
其中,所述目标网络模型是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,对所述样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到所述样本敏感图像对应的样本保护图像。
示例性的,所述处理模块51对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到所述原始敏感图像对应的隐私保护图像时具体用于:将所述原始敏感图像划分成M*N个图像块,并从所述M*N个图像块中选取出待保护的多个目标图像块,M和N均为正整数;针对每个目标图像块,获取所述目标图像块对应的像素值保护密钥,确定所述像素值保护密钥对应的第一置乱顺序,并基于所述第一置乱顺序对所述目标图像块内的多个像素值进行置乱操作,得到中间图像;获取所述原始敏感图像对应的图像块保护密钥,确定所述图像块保护密钥对应的第二置乱顺序,并基于所述第二置乱顺序对所述中间图像内的多个目标图像块进行置乱操作,得到所述隐私保护图像。
示例性的,所述处理模块51确定所述像素值保护密钥对应的第一置乱顺序时具体用于:通过所述像素值保护密钥查询第一映射关系,得到所述像素值保护密钥对应的第一置乱顺序,所述第一置乱顺序用于表示置乱操作前的像素值位置与置乱操作后的像素值位置的对应关系;所述第一映射关系用于记录像素值保护密钥与置乱顺序的对应关系;所述处理模块51确定所述图像块保护密钥对应的第二置乱顺序时具体用于:通过所述图像块保护密钥查询第二映射关系,得到所述图像块保护密钥对应的第二置乱顺序,所述第二置乱顺序用于表示置乱操作前的图像块位置与置乱操作后的图像块位置的对应关系;所述第二映射关系用于记录图像块保护密钥与置乱顺序的对应关系。
示例性的,不同目标图像块对应的像素值保护密钥相同或者不同;不同原始敏感图像对应的图像块保护密钥相同或者不同。
示例性的,所述处理模块51基于样本敏感图像对应的样本保护图像训练得到所述目标网络模型时具体用于:获取第一样本数据集,所述第一样本数据集包括多个样本保护图像;将所述第一样本数据集发送给服务端,以使所述服务端基于所述第一样本数据集对第一初始网络模型进行训练,得到已训练的目标网络模型;或者,获取第二初始网络模型和第二样本数据集,所述第二样本数据集包括多个样本保护图像;基于所述第二样本数据集对所述第二初始网络模型进行训练,得到已训练网络模型;将所述已训练网络模型中的目标权重信息发送给服务端,以使所述服务端基于所述目标权重信息获取所述目标网络模型;或者,获取像素值保护密钥和图像块保护密钥,将像素值保护密钥和图像块保护密钥发送给服务端,以使所述服务端基于像素值保护密钥和图像块保护密钥将第三样本数据集中的多个样本敏感图像转换为多个样本保护图像,基于所述多个样本保护图像对第三初始网络模型进行训练,得到已训练的目标网络模型。
示例性的,所述目标网络模型是包含一层全连接层的网络模型;或者,所述目标网络模型是包含多层全连接层的网络模型;或者,所述目标网络模型是视觉自注意力的网络模型;或者,所述目标网络模型是不含位置编码的视觉自注意力的网络模型;或,所述目标网络模型是多层感知机和混合器的网络模型。
基于与上述方法同样的申请构思,本申请实施例中提出一种客户端设备,参见图6所示,客户端设备包括处理器61和机器可读存储介质62,机器可读存储介质62存储有能够被所述处理器61执行的机器可执行指令;所述处理器61用于执行机器可执行指令,以实现本申请上述示例公开的图像处理方法。
基于与上述方法同样的申请构思,本申请实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述计算机指令被处理器执行时,能够实现本申请上述示例公开的图像处理方法。
其中,上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,机器可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。
基于与上述方法同样的申请构思,本申请实施例还提供一种图像处理***,所述图像处理***包括:客户端,用于对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像,并将所述隐私保护图像发送给服务端;其中,所述原始敏感图像包括多个图像块,所述像素置乱操作用于对图像块内的多个像素值进行置乱操作,所述图像块置乱操作用于对多个图像块进行置乱操作;服务端,用于在接收到所述隐私保护图像之后,将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果。
示例性的,所述目标网络模型是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,对所述样本敏感图像进行像素置乱操作和/或图像块置乱操作,得到所述样本敏感图像对应的样本保护图像;其中,针对基于样本敏感图像对应的样本保护图像训练得到所述目标网络模型的过程:
所述客户端,还用于获取第一样本数据集,所述第一样本数据集包括多个样本保护图像,并将所述第一样本数据集发送给所述服务端;所述服务端,还用于获取第一初始网络模型,在接收到所述第一样本数据集之后,基于所述第一样本数据集对第一初始网络模型进行训练,得到已训练的目标网络模型;
或者,所述客户端,还用于获取第二初始网络模型和第二样本数据集,所述第二样本数据集包括多个样本保护图像,基于所述第二样本数据集对所述第二初始网络模型进行训练,得到已训练网络模型,并将所述已训练网络模型中的目标权重信息发送给所述服务端;所述服务端,还用于在接收到所述目标权重信息之后,基于所述目标权重信息获取所述目标网络模型;
或者,所述客户端,还用于获取像素值保护密钥和图像块保护密钥,并将所述像素值保护密钥和所述图像块保护密钥发送给所述服务端;所述服务端,还用于获取第三初始网络模型和第三样本数据集,所述第三样本数据集包括多个样本敏感图像,基于所述像素值保护密钥和所述图像块保护密钥将第三样本数据集中的多个样本敏感图像转换为多个样本保护图像,并基于所述多个样本保护图像对第三初始网络模型进行训练,得到已训练的目标网络模型。
示例性的,所述客户端对原始敏感图像进行像素置乱操作和/或图像块置乱操作,得到隐私保护图像时具体用于:将所述原始敏感图像划分成M*N个图像块,从所述M*N个图像块中选取出待保护的多个目标图像块;针对每个目标图像块,获取所述目标图像块对应的像素值保护密钥,确定所述像素值保护密钥对应的第一置乱顺序,并基于所述第一置乱顺序对所述目标图像块内的多个像素值进行置乱操作,得到中间图像;获取所述原始敏感图像对应的图像块保护密钥,确定所述图像块保护密钥对应的第二置乱顺序,并基于所述第二置乱顺序对所述中间图像内的多个目标图像块进行置乱操作,得到所述隐私保护图像。
示例性的,所述客户端确定所述像素值保护密钥对应的第一置乱顺序时具体用于:通过所述像素值保护密钥查询第一映射关系,得到所述像素值保护密钥对应的第一置乱顺序,所述第一置乱顺序表示置乱操作前的像素值位置与置乱操作后的像素值位置的对应关系;其中,所述第一映射关系用于记录像素值保护密钥与置乱顺序的对应关系;此外,所述客户端确定所述图像块保护密钥对应的第二置乱顺序时具体用于:通过所述图像块保护密钥查询第二映射关系,得到所述图像块保护密钥对应的第二置乱顺序,所述第二置乱顺序表示置乱操作前的图像块位置与置乱操作后的图像块位置的对应关系;其中,所述第二映射关系用于记录图像块保护密钥与置乱顺序的对应关系。
示例性的,所述目标网络模型是包含一层全连接层的网络模型;或者,所述目标网络模型是包含多层全连接层的网络模型;或者,所述目标网络模型是视觉自注意力的网络模型;或者,所述目标网络模型是不含位置编码的视觉自注意力的网络模型;或,所述目标网络模型是多层感知机和混合器的网络模型。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机实体实现,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,计算机的具体形式可以是个人计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
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,在实施本申请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,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以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、嵌入式处理机或其它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它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。
而且,这些计算机程序指令也可以存储在能引导计算机或其它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者多个流程和/或方框图一个方框或者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它可编程数据处理设备上,使得在计算机或者其它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,从而在计算机或其它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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,应用于客户端,所述方法包括:
对原始敏感图像进行像素置乱操作和图像块置乱操作,得到隐私保护图像;其中,所述原始敏感图像包括多个图像块,像素置乱操作用于对图像块内的多个像素值进行置乱操作,图像块置乱操作用于对多个图像块进行置乱操作;
将所述隐私保护图像发送给服务端,以使所述服务端将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果;
所述对原始敏感图像进行像素置乱操作和图像块置乱操作,得到隐私保护图像,包括:将所述原始敏感图像划分成M*N个图像块,并从所述M*N个图像块中选取出待保护的多个目标图像块,M和N均为正整数;针对每个目标图像块,获取所述目标图像块对应的像素值保护密钥,确定所述像素值保护密钥对应的第一置乱顺序,并基于所述第一置乱顺序对所述目标图像块内的多个像素值进行置乱操作,得到中间图像;获取所述原始敏感图像对应的图像块保护密钥,确定所述图像块保护密钥对应的第二置乱顺序,并基于所述第二置乱顺序对所述中间图像内的多个目标图像块进行置乱操作,得到所述隐私保护图像;
其中,所述目标网络模型是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,对所述样本敏感图像进行像素置乱操作和图像块置乱操作,得到所述样本敏感图像对应的样本保护图像;
其中,对所述样本敏感图像进行像素置乱操作和图像块置乱操作,得到所述样本敏感图像对应的样本保护图像,包括:基于所述像素值保护密钥对应的第一置乱顺序对所述样本敏感图像中的目标图像块内的多个像素值进行置乱操作,得到中间图像;基于所述图像块保护密钥对应的第二置乱顺序对所述中间图像内的多个目标图像块进行置乱操作,得到所述样本保护图像;
其中,对样本敏感图像进行像素置乱操作时采用的像素值保护密钥与图像隐私保护过程的像素值保护密钥相同,对样本敏感图像进行图像块置乱操作时采用的像素值保护密钥与图像隐私保护过程的像素值保护密钥相同。
2.根据权利要求1所述的方法,其特征在于,
所述确定所述像素值保护密钥对应的第一置乱顺序,包括:通过所述像素值保护密钥查询第一映射关系,得到所述像素值保护密钥对应的第一置乱顺序,所述第一置乱顺序表示置乱操作前的像素值位置与置乱操作后的像素值位置的对应关系;所述第一映射关系用于记录像素值保护密钥与置乱顺序的对应关系;
所述确定所述图像块保护密钥对应的第二置乱顺序,包括:通过所述图像块保护密钥查询第二映射关系,得到所述图像块保护密钥对应的第二置乱顺序,所述第二置乱顺序表示置乱操作前的图像块位置与置乱操作后的图像块位置的对应关系;所述第二映射关系用于记录图像块保护密钥与置乱顺序的对应关系。
3.根据权利要求1所述的方法,其特征在于,
不同目标图像块对应的像素值保护密钥相同或者不同;
不同原始敏感图像对应的图像块保护密钥相同或不同。
4.根据权利要求1所述的方法,其特征在于,基于样本敏感图像对应的样本保护图像训练得到所述目标网络模型的过程,包括:
获取第一样本数据集,所述第一样本数据集包括多个样本保护图像;将所述第一样本数据集发送给服务端,以使所述服务端基于所述第一样本数据集对第一初始网络模型进行训练,得到已训练的目标网络模型;或者,
获取第二初始网络模型和第二样本数据集,所述第二样本数据集包括多个样本保护图像;基于所述第二样本数据集对所述第二初始网络模型进行训练,得到已训练网络模型;将所述已训练网络模型中的目标权重信息发送给服务端,以使所述服务端基于所述目标权重信息获取所述目标网络模型;或者,
获取像素值保护密钥和图像块保护密钥,将像素值保护密钥和图像块保护密钥发送给服务端,以使所述服务端基于像素值保护密钥和图像块保护密钥将第三样本数据集中的多个样本敏感图像转换为多个样本保护图像,并基于所述多个样本保护图像对第三初始网络模型进行训练,得到已训练的目标网络模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,
所述目标网络模型是包含一层全连接层的网络模型;或者,
所述目标网络模型是包含多层全连接层的网络模型;或者,
所述目标网络模型是视觉自注意力的网络模型;或者,
所述目标网络模型是不含位置编码的视觉自注意力的网络模型;或者,
所述目标网络模型是多层感知机和混合器的网络模型。
6.一种图像处理装置,其特征在于,应用于客户端,所述装置包括:
处理模块,用于对原始敏感图像进行像素置乱操作和图像块置乱操作,得到所述原始敏感图像对应的隐私保护图像;其中,所述原始敏感图像包括多个图像块,所述像素置乱操作用于对图像块内的多个像素值进行置乱操作,所述图像块置乱操作用于对多个图像块进行置乱操作;
发送模块,用于将所述原始敏感图像对应的隐私保护图像发送给服务端,以使所述服务端在接收到所述隐私保护图像后,将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果;
其中,所述处理模块对原始敏感图像进行像素置乱操作和图像块置乱操作,得到所述原始敏感图像对应的隐私保护图像时具体用于:将所述原始敏感图像划分成M*N个图像块,并从所述M*N个图像块中选取出待保护的多个目标图像块,M和N均为正整数;针对每个目标图像块,获取所述目标图像块对应的像素值保护密钥,确定所述像素值保护密钥对应的第一置乱顺序,并基于所述第一置乱顺序对所述目标图像块内的多个像素值进行置乱操作,得到中间图像;获取所述原始敏感图像对应的图像块保护密钥,确定所述图像块保护密钥对应的第二置乱顺序,并基于所述第二置乱顺序对所述中间图像内的多个目标图像块进行置乱操作,得到所述隐私保护图像;
其中,所述目标网络模型是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,对所述样本敏感图像进行像素置乱操作和图像块置乱操作,得到所述样本敏感图像对应的样本保护图像;
其中,对所述样本敏感图像进行像素置乱操作和图像块置乱操作,得到所述样本敏感图像对应的样本保护图像,包括:基于所述像素值保护密钥对应的第一置乱顺序对所述样本敏感图像中的目标图像块内的多个像素值进行置乱操作,得到中间图像;基于所述图像块保护密钥对应的第二置乱顺序对所述中间图像内的多个目标图像块进行置乱操作,得到所述样本保护图像;
其中,对样本敏感图像进行像素置乱操作时采用的像素值保护密钥与图像隐私保护过程的像素值保护密钥相同,对样本敏感图像进行图像块置乱操作时采用的像素值保护密钥与图像隐私保护过程的像素值保护密钥相同。
7.根据权利要求6所述的装置,其特征在于,
其中,所述处理模块确定所述像素值保护密钥对应的第一置乱顺序时具体用于:通过所述像素值保护密钥查询第一映射关系,得到所述像素值保护密钥对应的第一置乱顺序,所述第一置乱顺序用于表示置乱操作前的像素值位置与置乱操作后的像素值位置的对应关系;所述第一映射关系用于记录像素值保护密钥与置乱顺序的对应关系;所述处理模块确定所述图像块保护密钥对应的第二置乱顺序时具体用于:通过所述图像块保护密钥查询第二映射关系,得到所述图像块保护密钥对应的第二置乱顺序,所述第二置乱顺序用于表示置乱操作前的图像块位置与置乱操作后的图像块位置的对应关系;所述第二映射关系用于记录图像块保护密钥与置乱顺序的对应关系;
其中,不同目标图像块对应的像素值保护密钥相同或者不同;不同原始敏感图像对应的图像块保护密钥相同或者不同;
其中,所述处理模块基于样本敏感图像对应的样本保护图像训练得到所述目标网络模型时具体用于:获取第一样本数据集,所述第一样本数据集包括多个样本保护图像;将所述第一样本数据集发送给服务端,以使所述服务端基于所述第一样本数据集对第一初始网络模型进行训练,得到已训练的目标网络模型;或者,获取第二初始网络模型和第二样本数据集,所述第二样本数据集包括多个样本保护图像;基于所述第二样本数据集对所述第二初始网络模型进行训练,得到已训练网络模型;将所述已训练网络模型中的目标权重信息发送给服务端,以使所述服务端基于所述目标权重信息获取所述目标网络模型;或者,获取像素值保护密钥和图像块保护密钥,将像素值保护密钥和图像块保护密钥发送给服务端,以使所述服务端基于像素值保护密钥和图像块保护密钥将第三样本数据集中的多个样本敏感图像转换为多个样本保护图像,并基于所述多个样本保护图像对第三初始网络模型进行训练,得到已训练的目标网络模型;
其中,所述目标网络模型是包含一层全连接层的网络模型;或者,所述目标网络模型是包含多层全连接层的网络模型;或者,所述目标网络模型是视觉自注意力的网络模型;或者,所述目标网络模型是不含位置编码的视觉自注意力的网络模型;或者,所述目标网络模型是多层感知机和混合器的网络模型。
8.一种客户端设备,其特征在于,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现权利要求1-5任一所述的方法。
9.一种图像处理***,其特征在于,所述***包括:
客户端,用于对原始敏感图像进行像素置乱操作和图像块置乱操作,得到隐私保护图像,并将所述隐私保护图像发送给服务端;其中,所述原始敏感图像包括多个图像块,所述像素置乱操作用于对图像块内的多个像素值进行置乱操作,所述图像块置乱操作用于对多个图像块进行置乱操作;
服务端,用于在接收到所述隐私保护图像之后,将所述隐私保护图像输入给已训练的目标网络模型,得到所述隐私保护图像对应的图像处理结果;
所述对原始敏感图像进行像素置乱操作和图像块置乱操作,得到隐私保护图像,包括:将所述原始敏感图像划分成M*N个图像块,并从所述M*N个图像块中选取出待保护的多个目标图像块,M和N均为正整数;针对每个目标图像块,获取所述目标图像块对应的像素值保护密钥,确定所述像素值保护密钥对应的第一置乱顺序,并基于所述第一置乱顺序对所述目标图像块内的多个像素值进行置乱操作,得到中间图像;获取所述原始敏感图像对应的图像块保护密钥,确定所述图像块保护密钥对应的第二置乱顺序,并基于所述第二置乱顺序对所述中间图像内的多个目标图像块进行置乱操作,得到所述隐私保护图像;
其中,所述目标网络模型是基于样本敏感图像对应的样本保护图像训练得到;其中,针对每个样本敏感图像,对所述样本敏感图像进行像素置乱操作和图像块置乱操作,得到所述样本敏感图像对应的样本保护图像;
其中,对所述样本敏感图像进行像素置乱操作和图像块置乱操作,得到所述样本敏感图像对应的样本保护图像,包括:基于所述像素值保护密钥对应的第一置乱顺序对所述样本敏感图像中的目标图像块内的多个像素值进行置乱操作,得到中间图像;基于所述图像块保护密钥对应的第二置乱顺序对所述中间图像内的多个目标图像块进行置乱操作,得到所述样本保护图像;
其中,对样本敏感图像进行像素置乱操作时采用的像素值保护密钥与图像隐私保护过程的像素值保护密钥相同,对样本敏感图像进行图像块置乱操作时采用的像素值保护密钥与图像隐私保护过程的像素值保护密钥相同。
10.根据权利要求9所述的***,其特征在于,针对基于样本敏感图像对应的样本保护图像训练得到所述目标网络模型的过程:
所述客户端,还用于获取第一样本数据集,所述第一样本数据集包括多个样本保护图像,并将所述第一样本数据集发送给所述服务端;所述服务端,还用于获取第一初始网络模型,在接收到所述第一样本数据集之后,基于所述第一样本数据集对第一初始网络模型进行训练,得到已训练的目标网络模型;
或者,所述客户端,还用于获取第二初始网络模型和第二样本数据集,所述第二样本数据集包括多个样本保护图像,基于所述第二样本数据集对所述第二初始网络模型进行训练,得到已训练网络模型,并将所述已训练网络模型中的目标权重信息发送给所述服务端;所述服务端,还用于在接收到所述目标权重信息之后,基于所述目标权重信息获取所述目标网络模型;
或者,所述客户端,还用于获取像素值保护密钥和图像块保护密钥,并将所述像素值保护密钥和所述图像块保护密钥发送给所述服务端;所述服务端,还用于获取第三初始网络模型和第三样本数据集,所述第三样本数据集包括多个样本敏感图像,基于所述像素值保护密钥和所述图像块保护密钥将第三样本数据集中的多个样本敏感图像转换为多个样本保护图像,并基于所述多个样本保护图像对第三初始网络模型进行训练,得到已训练的目标网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712315.8A CN116451276B (zh) | 2023-06-15 | 2023-06-15 | 一种图像处理方法、装置、设备及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712315.8A CN116451276B (zh) | 2023-06-15 | 2023-06-15 | 一种图像处理方法、装置、设备及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451276A CN116451276A (zh) | 2023-07-18 |
CN116451276B true CN116451276B (zh) | 2023-09-26 |
Family
ID=87134106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310712315.8A Active CN116451276B (zh) | 2023-06-15 | 2023-06-15 | 一种图像处理方法、装置、设备及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451276B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993029B (zh) * | 2024-04-03 | 2024-07-05 | 武昌首义学院 | 一种卫星情报及训练数据仓库网络安全防护方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109194845A (zh) * | 2018-08-27 | 2019-01-11 | 长安大学 | 一种基于逆时混沌***的图像加密方法 |
CN110659379A (zh) * | 2019-09-24 | 2020-01-07 | 中南林业科技大学 | 一种基于深度卷积网络特征的可搜索加密图像检索方法 |
CN113194334A (zh) * | 2021-04-16 | 2021-07-30 | 厦门智瞳科技有限公司 | 一种保护隐私的图像处理方法、装置、终端及存储介质 |
WO2022001092A1 (zh) * | 2020-06-29 | 2022-01-06 | 上海高德威智能交通***有限公司 | 一种数据处理方法、装置及设备 |
CN114743066A (zh) * | 2022-03-29 | 2022-07-12 | 平安科技(深圳)有限公司 | 图像块自监督学习训练方法、装置、电子设备及存储介质 |
CN115378574A (zh) * | 2022-08-09 | 2022-11-22 | 徐州恒佳电子科技有限公司 | 一种轻量级动态图像数据加密方法及*** |
CN115563631A (zh) * | 2022-09-27 | 2023-01-03 | 中国科学技术大学 | 一种基于生成对抗图像变换的隐私保护联邦学习方法 |
-
2023
- 2023-06-15 CN CN202310712315.8A patent/CN116451276B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109194845A (zh) * | 2018-08-27 | 2019-01-11 | 长安大学 | 一种基于逆时混沌***的图像加密方法 |
CN110659379A (zh) * | 2019-09-24 | 2020-01-07 | 中南林业科技大学 | 一种基于深度卷积网络特征的可搜索加密图像检索方法 |
WO2022001092A1 (zh) * | 2020-06-29 | 2022-01-06 | 上海高德威智能交通***有限公司 | 一种数据处理方法、装置及设备 |
CN113194334A (zh) * | 2021-04-16 | 2021-07-30 | 厦门智瞳科技有限公司 | 一种保护隐私的图像处理方法、装置、终端及存储介质 |
CN114743066A (zh) * | 2022-03-29 | 2022-07-12 | 平安科技(深圳)有限公司 | 图像块自监督学习训练方法、装置、电子设备及存储介质 |
CN115378574A (zh) * | 2022-08-09 | 2022-11-22 | 徐州恒佳电子科技有限公司 | 一种轻量级动态图像数据加密方法及*** |
CN115563631A (zh) * | 2022-09-27 | 2023-01-03 | 中国科学技术大学 | 一种基于生成对抗图像变换的隐私保护联邦学习方法 |
Non-Patent Citations (2)
Title |
---|
卷积神经网络的人脸隐私保护识别;章坚武等;《中国图象图形学报》;第84-92页 * |
狄富强.《图像可逆信息隐藏技术研究》.西安电子科学技术大学出版社,2021,第78-79页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116451276A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Reversibility improved data hiding in encrypted images | |
CN111738238B (zh) | 人脸识别方法和装置 | |
CN106251278B (zh) | 一种基于直方图特征的图像加密域可逆信息隐藏方法 | |
Ma et al. | Reversible data hiding in encrypted images by reserving room before encryption | |
CN110753226B (zh) | 一种高容量密文域图像可逆数据隐藏方法 | |
Li et al. | Distortion less secret image sharing scheme for Internet of Things system | |
CN109886417A (zh) | 基于联邦学习的模型参数训练方法、装置、设备及介质 | |
Qian et al. | Block cipher based separable reversible data hiding in encrypted images | |
Sivasubramanian et al. | A novel semi fragile watermarking technique for tamper detection and recovery using IWT and DCT | |
CN116451276B (zh) | 一种图像处理方法、装置、设备及*** | |
Joseph et al. | A study on steganographic techniques | |
Nunna et al. | Secure data transfer through internet using cryptography and image steganography | |
CN116432244B (zh) | 一种图像处理方法、装置、设备及*** | |
CN116383793B (zh) | 人脸数据处理方法、装置、电子设备和计算机可读介质 | |
CN109934013B (zh) | 一种数据保护方法及装置 | |
Liu et al. | A fully reversible data hiding scheme in encrypted images based on homomorphic encryption and pixel prediction | |
Xu et al. | Separable reversible data hiding in encrypted images based on difference histogram modification | |
KR20210084806A (ko) | 홍채 인식 기반 왜곡 영상 복원 처리 방법 | |
Sazaki et al. | Implementation of affine transform method and advanced hill cipher for securing digital images | |
Gupta et al. | A metaheuristic method to hide MP3 sound in JPEG image | |
CN114866312B (zh) | 一种保护数据隐私的共有数据确定方法及装置 | |
Krishnagopal et al. | Image encryption and steganography using chaotic maps with a double key protection | |
CN111598765B (zh) | 基于同态加密域的三维模型鲁棒水印方法 | |
Ray et al. | IoT Security Using Steganography | |
KR20210084805A (ko) | 지문 인식 기반 왜곡 영상 복원 처리 방법 |
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 |