一種云環境下圖像的安全檢索方法

韓 威 徐彥彥 馮春暉 熊禮治 徐正全

(武漢大學測繪遙感信息工程國家重點實驗室 湖北 武漢 430079)

?

一種云環境下圖像的安全檢索方法

韓 威 徐彥彥*馮春暉 熊禮治 徐正全

(武漢大學測繪遙感信息工程國家重點實驗室 湖北 武漢 430079)

為了保護數據機密性，具有敏感信息的圖像在上傳到云服務器之前需要進行加密，然而，這樣做會給圖像檢索帶來問題。提出一種云環境下圖像的安全檢索方法，對圖像顏色空間的R和G通道的DCT(Discrete Cosine Transform)系數分別進行塊內置亂和塊間置亂，對B通道進行塊內置亂加密；然后提取顏色矩、信息熵以及塊間LBP(Local Binary Patterns)作為圖像的特征向量，通過比較圖像的特征向量之間的曼哈頓距離來確定圖像的相似度。該方法保證了圖像的機密性和檢索精確度，能實現對圖像的安全檢索。

云環境 圖像安全檢索 顏色矩 信息熵 LBP

0 引 言

隨著云計算的快速發展，越來越多的用戶選擇在云服務器上存儲圖像。為了保護數據隱私，敏感圖像在上傳到云服務器之前需要進行加密。然而，如果用戶要從服務器上檢索圖像，需要先解密才能夠進行檢索，這樣就會導致明文信息泄露給了不可信的云服務器[1]，會破壞圖像的安全性。因此，研究密文域的圖像檢索的方法是非常必要的。

當前密文域的信息檢索已有一些研究成果，Song等[2]提出了一種基于流加密的密文瀏覽方法來確定被檢索的條目是否存在于密文中。Boneh等[3]提出了一種基于公鑰加密的關鍵字搜索方法，這樣，服務器就能夠辨別經過公鑰加密的信息是否包含一些特定的關鍵字，但是并不會知道加密信息包含的內容。Swaminathan等[4]提出的方法可以根據查詢來安全地排序文件，并且從加密集中提取出最相關的文件。

以上這些方法都是針對文本信息的密文域檢索方法，只能應用于基于文本的圖像檢索方法。這種方法需要對圖像進行人工標注，工作量大，此外人工標注有很大主觀歧義性，同一幅圖像會有多種標注，會影響檢索的精確性。

基于內容的圖像檢索CBIR(Content Based Image Retrieval)[5]方法可自動提取圖像的視覺特征進行檢索，并通過判斷圖像特征之間的距離來確定圖像之間的相似性。這種方法能有效解決基于文本的圖像檢索存在的問題，是當前的研究熱點。近年來，也逐漸出現了一些基于內容的圖像安全檢索的研究成果。 Wu等[6]提出了3種方法來解決加密域的圖像檢索問題，包括位平面隨機化方法、隨機投影方法、隨機一元編碼方法。這些方法雖然有效，但安全性卻不是很好。Karthik等[7]提出了一種透明隱私保護哈希方法，保持了加密AC系數的統計分布規律，但是該方法不能保留圖像的空間信息，檢索精確度不夠。Hsu等[8]提出了一種基于尺度不變特征轉換的同態加密方法，安全性好且檢索較為精確，但是同態加密方法會導致嚴重的密文擴展，而且計算復雜度高，并不實用。

針對上述問題，本文提出一種加密圖像的安全檢索方法，該方法是在變換域加密圖像，冗余信息較少因而安全性較好，在顏色矩、信息熵等特征的基礎上提出塊間LBP特征，保留了圖像的部分空間信息，提高了檢索的精確度。

1 云環境下圖像的安全檢索

加密域圖像安全檢索的關鍵是保持加密前后圖像特征之間的距離不變[9]。本文采用變換域系數置亂的加密方法，對圖像局部塊內的系數進行置亂，因此顏色矩、信息熵等特征在加密前后將保持不變，可利用其作為圖像檢索的特征[10]。但僅僅使用這兩種特征進行圖像檢索，其精確度是不夠的，因此，本文在提取顏色矩和信息熵特征的基礎上加入了塊間LBP[11]特征，以提高檢索精確度。

本文提出的云環境下圖像安全檢索的框架如圖1所示。

圖1 云環境下圖像安全檢索的框架

云環境下參與檢索的主體包括數據擁有者、云服務器及用戶[12]。數據擁有者是原始圖像所有者，對圖像加密后將其上傳至云服務器；云服務器存儲加密圖像并根據用戶需求對密文圖像進行檢索；用戶提出查詢需求，獲取相應的加密圖像并對其進行解密。具體步驟如下：

(1) 數據擁有者將原始圖像加密后上傳至云服務器；

(2) 云服務器存儲加密圖像，并提取加密圖像的特征形成加密圖像的特征向量庫存儲在云服務器上；

(3) 用戶查詢圖像，首先將查詢圖像傳送給數據擁有者，數據擁有者驗證用戶身份合法性之后將查詢圖像的特征向量及解密密鑰返回給用戶；

(4) 用戶向云服務器發送查詢圖像的特征向量，請求檢索，云服務器將查詢圖像的特征向量與加密圖像的特征向量庫進行相似度比較，返回最相似的圖像給用戶；

(5) 用戶使用從數據擁有者獲取的密鑰對云服務器返回的加密圖像進行解密即可得到明文圖像。

1.1 加密圖像特征提取

提取圖像特征是進行圖像檢索的前提[13]，本文提出的方法使用變換域的置亂加密方法加密圖像，利用顏色矩、信息熵和塊間LBP作為圖像特征，保證了安全性的同時也保證了加密前后特征之間的距離保持不變。

把彩色圖像的三個顏色通道的像素值以8×8的塊(分塊尺寸為8×8，下同)為單位進行DCT變換獲得系數。然后以塊為單位對圖像進行置亂加密，包括塊內置亂和塊間置亂：依次對彩色圖像的R、G、B三通道[14]的DCT域的每塊分別進行塊內置亂，接著對R通道和G通道的密文再次進行塊間置亂加密，最后將三通道的DCT系數合成得到圖像DCT域的密文信息。在密文域以塊為單位，分別計算彩色圖像的R、G、B三通道的密文DCT系數的每塊的顏色矩和信息熵。為了提高檢索精確度，還需要在B通道的密文DCT域上提取塊間LBP特征，分別計算這些特征的歸一化直方圖就得到了圖像的特征向量。

給定圖像某維顏色空間中的一個N×N的局部塊，每一塊中的系數值可以表示為X=x(i,j)，(i,j=0,1,…,N-1)，如果把X當作一個隨機變量，X的k階矩mk可以表示為：

(1)

X的k階中心矩uk定義如下：

(2)

由于圖像顏色信息主要分布在低階矩中[15]，因此本文只選擇顏色矩的一階矩和二階矩，即通過式(1)和式(2)計算的m1和u1。

信息熵是信息論中用于度量信息量的一個概念[16]，N×N的局部塊X的信息熵H的定義如下：

(3)

其中，p(x(i,j))是隨機變量X中的x(i,j)出現的概率，n(i,j)是x(i,j)在X中出現的次數，N×N為局部塊的高度和寬度之積。

LBP是一種用來描述圖像局部紋理特征的算子，它反應的內容是每個像素與周圍像素的關系[17]。確定一個中心點，比較中心點與其相鄰的8個點的像素值大小，當周圍像素的灰度值大于等于中間像素值時，則LBP的一位值為1，否則為0，然后生成二進制串，最后將二進制串轉換成十進制數即得到LBP值，LBP的計算公式如下：

(4)

(5)

其中P為采樣點數，R為半徑，p為采樣點的編號,gp為相鄰點的像素值，gc為中心點的像素值，s(x)為大小比較函數。

為了提高檢索的精確度，本文提出了塊間LBP的概念，塊間LBP是將每一個局部塊看作傳統LBP中的一個像素，以局部塊的DCT系數的平均值作為該局部塊的代表，然后計算LBP，塊間LBP的計算過程如圖2所示。首先計算出中心塊及其相鄰8個塊的系數平均值，以系數平均值作為該塊的代表，將相鄰各塊的系數平均值與中間塊的系數平均值進行比較，大(或者相等)于中間塊的記為1，小的記為0，這樣可以得到二值圖。然后從中心塊的左上角的塊開始按順時針方向掃描得到二進制串10001111，將二進制串轉換為十進制數就得到了塊間LBP，塊間LBP=1+16+32+64+128=241，所以圖2的中心系數塊的塊間LBP值為241。

圖2 塊間LBP計算方法圖

塊間LBP主要用于描述圖像局部紋理特征，將圖像分塊DCT變換后，依次計算圖像的每一個局部塊的塊間LBP并進行統計，可以得到包含圖像的部分空間紋理信息的塊間LBP特征直方圖。

根據以上特征的計算公式和定義可知，在加密前后，彩色圖像的每個顏色通道的局部塊的顏色矩、信息熵等特征均保持不變[18]。由于對彩色圖像的B通道的DCT系數只進行塊內加密，塊間相對位置不變。因此B通道的塊間LBP保持不變。將這些加密前后保持不變的特征分別進行統計得到顏色矩直方圖(均值直方圖、方差直方圖)、信息熵直方圖以及塊間LBP直方圖，最后將這些直方圖分別歸一化就得到了圖像的特征向量。

1.2 加密圖像特征之間的距離計算

通過計算查詢圖像的特征向量與加密圖像特征向量庫之間的曼哈頓距離來確定圖像之間的相似度[19]，特征之間的距離越小，圖像就越相似。圖像特征的重要性通過賦予特征距離不同的權重來確定，最后返回與查詢圖像的總距離最短的圖像。

設顏色矩之間的距離表示為Dc(Q,R)，信息熵之間的距離表示為De(Q,R)，塊間LBP特征之間的距離表示為Dt(Q,R)，將其分別計算出來之后，再分別賦上不同的權重，即可得到圖像特征之間的總距離，以S(Q,R)表示，如式(6)-式(9)所示:

S(Q,R)=α×Dc(Q,R)+β×De(Q,R)+γ×Dt(Q,R)

(6)

(7)

(8)

(9)

其中，Q、R分別代表查詢圖像和數據庫中的圖像的特征向量，Qck、Rck分別代表查詢圖像和數據庫圖像的顏色矩歸一化直方圖，Qek、Rek分別代表查詢圖像和數據庫圖像的信息熵歸一化直方圖，Qtk、Rtk分別代表查詢圖像和數據庫圖像的塊間LBP歸一化直方圖，m、n、p分別代表特征向量的維數。

2 實驗結果及分析

本文從圖像檢索的安全性、檢索準確性和有效性方面進行實驗以及對比分析[20]。圖像安全性通過加密前后圖像的視覺效果對比、PSNR及密碼安全性進行評價，圖像檢索的準確性和有效性可以通過查準率-查全率曲線(Precision-Recall曲線,P-R曲線)進行評價[21]。

實驗的運行環境為：Intel(R) Core(TM) i3 CPU @ 3.07 GHz,6.00 GB RAM(5.87 GB 可用)，Windows 7( 64位)旗艦版操作系統；程序運行環境為：MATLAB R2013b。

2.1 安全性

(1) 視覺安全性

本文應用峰值信噪比PSNR來評價加密圖像的安全性，PSNR值越大表示失真度越小；反之，PSNR越小表示加密造成的失真度越大，圖像的視覺安全性就越高[22]，PSNR計算公式如下：

(10)

(11)

其中，I為原始圖像，K為加密圖像，m、n為圖像尺寸(高度和寬度)，MSE為原始圖像和加密圖像的均方誤差。

從數據庫中隨機選了2幅圖像，其視覺效果以及PSNR值如圖3所示。可以看出，使用本文采用的加密方法對圖像進行加密，加密圖像的PSNR值較低，且無法從加密圖像中獲取任何有用信息[23]，因此本文提出的加密方法能保證圖像的視覺安全性。

圖3 加密圖像視覺效果

從圖像數據庫10類圖像中分別隨機選取2幅圖像共20幅圖像進行加密實驗，加密圖像質量表如表1所示。由表1可知，絕大部分的圖像加密后的PSNR值都在10以下，加密效果較好。

表1 加密圖像質量表

(2) 密碼安全性

本文采用隨機置亂加密方法在變換域對圖像進行加密，圖像DCT變換后對顏色空間的R、G二通道DCT系數的每個8×8的塊分別先后進行塊間和塊內置亂加密，對B通道僅進行塊內置亂加密。為了保證圖像的機密性，若每次加密使用相同的隨機置亂矩陣則不能有效防御已知明文攻擊KPA(Known PlainText Attack)。所以在每次加密時隨機生成新的置亂矩陣，以達到防御KPA的目的。對于Corel數據庫圖像來說，要加密一幅圖像，本文提出的加密方法需要生成1536×3個尺寸為8×8的隨機矩陣和2個尺寸為48×32的隨機矩陣作為加密矩陣；反之，如果要完全解密一幅圖像就需要解密這些隨機矩陣，窮舉的代價是(64的階乘)的(1536×3)次方×(1536的階乘)的平方，密鑰空間很大，在有限時間內不能被窮舉，可知從窮舉和KPA角度來看，該密碼算法是安全的。

2.2 檢索的準確性和有效性

查準率和查全率是信息檢索效率評價的兩個定量指標，不僅可以用來評價每次檢索的準確性和全面性，也是在圖像檢索系統評價中衡量系統檢索性能的重要方面[24]，查全率用R表示，查準率用P表示，定義如下：

(12)

(13)

其中，N表示檢索出的相關圖像數，M表示圖像數據庫中的相關圖像數，S表示檢索出的圖像總數。

本文提出的方法在Corel數據庫上進行實驗，Corel圖像數據庫總共有1000幅圖像，根據圖像的內容分成10類。文獻[6]中采用10%的圖像作為查詢圖像，本文采用相同的檢索條件，從數據庫中選取10%的圖像作為查詢圖像，計算其與數據庫中的所有圖像的特征向量之間的距離，然后計算平均P-R曲線。將本文提出的方法與文獻[6-8]中提出方法在同等條件下得到的實驗結果進行比較，P-R曲線的對比結果如圖4所示。

圖4 幾種方法的平均P-R曲線對比圖

從圖4中可以看出，本文提出的方法得到的平均檢索準確度比Wu等[6]提出的3種方法和Karthik等[7]提出的透明隱私保護哈希方法以及Hsu等[8]提出的基于尺度不變特征變換的同態加密方法要好。本文提出的方法在顏色矩和信息熵等特征的基礎上加入了塊間LBP特征，既保留了圖像的統計信息又保留了圖像的部分空間信息，因此檢索精確性較好。

將本方法的明文檢索和密文檢索的平均P-R曲線進行對比，對比結果如圖5所示。

圖5 明文檢索和密文檢索的P-R曲線對比圖

從圖5可以看出，本方法明文檢索和密文檢索的平均P-R曲線基本重合，證明本文所提出的方法適用于加密域的圖像安全檢索。

3 結 語

本文提出了一種加密域圖像安全檢索方法，在變換域對圖像進行置亂加密，變換域冗余信息較少，因此安全性較好；采用在加密前后保持不變的特征進行檢索，例如顏色矩、信息熵等圖像統計信息，在此基礎上聯合采用了塊間LBP特征，保留了部分圖像的空間信息，進一步提高了檢索精確度。但是在圖像加密方面，計算復雜度較大。下一步的研究方向在于繼續提高檢索精確度、降低計算復雜度，同時進一步提高方案的安全性。

[1] 苗新宇.面向人口信息系統的云計算中隱私保護技術研究[D].北京郵電大學,2012.

[2] Song D X,Wagner D,Perrig A.Practical Techniques for Searches on Encrypted Data[C]//IEEE Computer Society,2000:44.

[3] Dan B,Crescenzo G D,Ostrovsky R,et al.Public Key Encryption with Keyword Search[M].Advances in Cryptology-EUROCRYPT 2004.Springer Berlin Heidelberg,2004:506-522.

[4] Swaminathan A,Mao Y,Su G M,et al.Confidentiality-Preserving Rank-Ordered Search[C]//The 2007 ACM Workshop on Storage Security and Survivability (StorageSS 2007),ACM,New York,2007:7-12.

[5] 黃祥林,沈蘭蓀.基于內容的圖像檢索技術研究[J].電子學報,2002,30(7):1065-1071.

[6] Wu M,Swaminathan A,Varna A L,et al.Secure image retrieval through feature protection[C]//Acoustics,Speech,and Signal Processing,IEEE International Conference on. IEEE,2009:1533-1536.

[7] Karthik K,Kashyap S.Transparent hashing in the encrypted domain for privacy preserving image retrieval[J].Signal Image & Video Processing,2013,7(4):647-664.

[8] Hsu C Y,Lu C S,Pei S C.Image Feature Extraction In Encrypted Domain With Privacy-Preserving Sift[J].IEEE Trans Image Process,2012,21(11):4593-4607.

[9] 朱遠毅,董道國,金城.一種基于多特征簽名的圖像檢索系統[J].計算機應用與軟件,2011,28(7):82-85.

[10] 沈學東.顏色特征在圖像檢索中的應用研究[J].計算機應用與軟件,2007,24(11):156-158,221.

[11] Wang X,Han T X,Yan S.An HOG-LBP human detector with partial occlusion handling[C]//Computer Vision,2009 IEEE 12th International Conference on. IEEE,2009:32-39.

[12] 錢文飛.云存儲環境下的可搜索加密技術研究[D].北京郵電大學,2014.

[13] 周東堯,伍岳慶,姚宇.基于全局特征和尺度不變特征轉換特征融合的醫學圖像檢索[J].計算機應用,2015,35(4):1097-1100.

[14] 付尚樸,李方軍,黃杰.RGB圖像小波閾值去噪[J].教學與科技,2014(2):6-8.

[15] 楊杰.視頻圖像中的煙霧檢測方法研究[D].西南交通大學,2011.

[16] 朱桂英,張瑞林.信息熵在圖像處理中的應用[J].絲綢,2006,13(12):34-36.

[17] 劉東霞.基于小波分析和局部二值模式的掌紋識別方法[D].北京交通大學,2014.

[18] 關增達,程立,朱廷劭.基于平移不變核的異構遷移學習[J].中國科學院大學學報,2015,32(1):121-126.

[19] 汪昀.海量人臉圖像快速檢索方法研究與實現[D].中國科學技術大學,2014.

[20] 朱玉濱.基于SIFT的圖像檢索技術研究[D].吉林大學,2014.

[21] 董衛軍,周明全,耿國華.基于綜合特征圖像檢索技術研究[J].計算機應用與軟件,2005,22(11):34-35.

[22] 王瑋,黃浩,謝長生,等.基于視頻內容關聯密鑰加密算法[J].北京航空航天大學學報,2015,41(1):117-123.

[23] 管麗娜.基于SPIHT的圖像聯合壓縮加密算法研究[D].海南大學,2014.

[24] Davis J,Goadrich M.The relationship between Precision-Recall and ROC curves[C]//Proceedings of the 23rd international conference on Machine learning.ACM,2006:233-240.

A SECURE IMAGE RETRIEVAL METHOD UNDER CLOUD ENVIRONMENT

Han Wei Xu Yanyan*Feng Chunhui Xiong Lizhi Xu Zhengquan

(StateKeyLabofInformationEngineeringinSurveying,Mapping,andRemoteSensing,WuhanUniversity,Wuhan430079,Hubei,China)

In order to protect data privacy, the image with sensitive or private information needs to be encrypted before being uploaded to cloud server. However, this causes difficulties in image retrieval. In this paper we propose a secure image retrieval method under the cloud environment. It carries out intra-block scrambling and inter-block scrambling on DCT (discrete cosine transform) coefficients of R and G channels in image colour space separately, and makes intra-block scrambling encryption on B channel; and then it extracts the colour moment, the entropy of information and the inter-block LBP (local binary patterns) as image’s feature vectors, and determines the similarity of images through comparing Manhattan distance between these feature vectors. The proposed method ensures both the image confidentiality and retrieval accuracy, and is able to achieve secure image retrieval.

Cloud environment Secure image retrieval Colour moment Information entropy LBP

2015-07-07。國家自然科學基金項目(41571426)；國家重點基礎研究發展計劃項目子課題(2011CB302204-5)。韓威，碩士，主研領域：多媒體信息處理。徐彥彥，教授。馮春暉，博士。熊禮治，博士。徐正全，教授。

TP391.41

A

10.3969/j.issn.1000-386x.2016.11.029