欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 201810642032X
申请人: 中南林业科技大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种云环境下的密文图像检索方法,其特征在于:(一)针对数据拥有者:

对于一个图像集M,实施以下操作:(1)用GenHarris(Harris,M)生成特征集为(2)用 生成特征向量

(3)用 生成索引I,用 分别生成加密特征向量加密图像集M′、加密索引I′;

(4)将 M′、I′发送到云服务器,将加密密钥K发送给查询用户;

GenHarris(Harris,M)表示采用Harris算法对图像M提取图像特征;

表示对特征集 生成特征向量;

表示对特征向量 构建索引;

表示对特征向量 图像集M、索引I进行加密;

(二)针对查询用户:

对于查询图像集Mq,执行以下操作:(1)用GenHarris(Harris,Mq)生成特征集为GenHarris(Harris,Mq)表示采用Harris算法对图像Mq提取图像特征;

(2)用 生成特征向量

表示对特征集 生成特征向量;

(3)用 生成陷门TD,然后将陷门TD发送到云服务器;

为产生陷门的函数;

(4)用解密函数 解密返回相似图像(三)针对云服务器:

用 算法进行检索并返回相似结果集GenHarris(.)是指基于自适应阈值与Forstner方法进行Harris角点优选;

确定候选节点后,再根据最大角点响应函数对候选点进行筛选,确定提取的预筛选特征点总数c1,最后结合Frostner算法确定最佳候选点总数c2,实现Harris角点优选;Harris角点优选包括以下步骤:步骤1:采用8邻域相似像素分析法确定候选集C;

对于图像中的任一目标像素点(x,y),计算该目标像素点与8邻域范围内像素点灰度差的绝对值Δ,通过与设定的阈值 相比较来确定是否相似,统计目标像素点与周围8个点的相似个数N(x,y),如下式所示:式中:识别函数 当2≤N(x,y)≤6时,将该目标像素点(x,y)视为候选点,用C表示候选点集合;

步骤2:计算每个候选点的响应函数CRF,定义阈值 为最大CRF值的 倍,即根据最大角点响应函数 对候选点进行筛选,确定提取的预筛选特征点总数c1,预筛选特征集C1;

步骤3:结合Frostner算法确定最佳候选点集G 以及最佳候选点总数c2;

首先,以预筛选特征集C1任意一点(xi,yi)为中心建立3*3窗口,对该窗口内的每个点计算协方差矩阵cov:

其中, 是Robert梯度算子;

是灰度函数, 表示点(x,y)的灰度值;

接着,计算特征点的权值ω和圆度τ;

其中det(cov)是协方差矩阵cov的行列式,trace(cov)是协方差矩阵cov的迹;然后,将ω、τ分别与给定阈值 比较,将满足 且 的备选点加入特征集C2;最后在一定窗口内,依据权值ω将满足条件ω(x,y)=max{ω(x,y)}的点加入最佳候选点集G,最佳候选点集G中的候选点的个数即为c2。

2.根据权利要求1所述的云环境下的密文图像检索方法,其特征在于,Genfeature(.)是指结合SURF算法描述Harris特征点,并结合词袋模型生成图像的特征向量。

3.根据权利要求1所述的云环境下的密文图像检索方法,其特征在于,Buildindex(.)是指构建哈希索引;采用基于ρ稳定的LSH函数族构建哈希表,作为哈希索引。

4.根据权利要求2所述的云环境下的密文图像检索方法,其特征在于:生成图像的特征向量的步骤如下:

步骤s1:用 聚类算法对局部特征 进行聚类,形成一个视觉单词; 是在聚类中的表示;

步骤S1a,随机选择 个点作为聚类中心 然后,用下式计算特征集G中的每个数据点到这 个聚类中心的距离 并将数据点按距离分配到最近的聚类中心,形成个簇

其中,(xi,yi)是C2中的点,(xj,yj)是 个点作为聚类中心中的点;

步骤S1b,用下式计算簇的平均值 指定这些值为新的聚类中心,即视觉单词其中, 表示第j个视觉单词 的平均值,即 的总和与簇 的个数的比值, 的总和是指簇中的特征点的特征值相加, 是 的个数;

步骤S1c:重复以上步骤S1a和S1b,直到聚类中心的值满足最小化均方误差MSE函数收敛;此时视觉单词表示为 每个 是一个 特征向量;

步骤S2:得到视觉单词之后,将局部特征 按下式对应到视觉单词中;

其中 表示 对应到视觉单词 的权重;

统计整幅图像的视觉单词出现频率,视觉单词出现频率即统计每个视觉单词在局部特征出现的个数,生成图像特征向量fi,所有图像的特征向量表示为

5.根据权利要求3所述的云环境下的密文图像检索方法,其特征在于,采用基于ρ稳定的LSH函数族构建哈希表作为哈希索引的步骤如下:数据拥有者选取L个LSH函数{h1,h2,...,hL},并对所有的特征向量 应用函数表示哈希函数族;为了提高准确率,重复这个过程λ遍,从而生成λ个哈希表;用{Di,j},i∈[1,λ],j∈[1,Ni]表示由局部敏感哈希函数生成的桶值集,Ni表示第i个哈希表中的总桶数;ID(mt)表示图像mt将自身的ID关联至相应的桶值Di,j,形成加密哈希表。

6.一种云环境下的密文图像检索系统,其特征在于,包括数据上传终端、云服务器和查询终端;

(1)数据上传终端用于对图像拥有者将图像进行处理,将处理后的图像的加密特征上传到云服务器;

(2)云服务器用于存储数据上传终端上传的图像以及图像的加密特征;云服务器还用于执行检索操作,将检索结果返回到查询终端;

(3)查询终端用于查询用户输入待查询的图像,以及用于显示云服务器返回的查询结果;

采用权利要求1‑5任一项所述的云环境下的密文图像检索方法实施图像检索。