改进CNN-Based散列加密的图像检索

文摘

随着越来越多的图像数据的加密的形式存储在云计算环境中,它已经成为一个迫在眉睫的问题,如何有效地检索图像加密领域。最近,卷积神经网络(CNN)特性取得了有前途的性能在图像检索领域,但CNN的高维度特征会导致检索效率低。另外,不适合直接应用加密域的图像检索。为了解决上述问题,本文提出了一种改进的CNN-based散列加密的图像检索方法。首先,图像大小增加时,输入到CNN来提高表达能力。然后,介绍了一个轻量级的模块来代替一部分CNN减少模块的参数和计算成本。最后,一个散列层添加到生成一个紧凑的二进制哈希代码。在检索过程中,散列码用于加密的图像检索,从而大大提高了检索效率。实验结果表明,该计划允许一个有效和高效的加密图像检索。

1。介绍

随着云计算的发展,越来越多的企业和个人将图像数据存储在云服务器。因此,如何有效地获取图像在云中成为一个迫在眉睫的问题。云计算(1)是一种新兴的计算模式和高效的图像存储,图像检索的一个有吸引力的选择。尽管好处,图像信息隐私与图像检索成为主要关注云计算。

为了保护图像信息,有必要对图像进行加密之前提交给云。广泛使用的加密方法包括混沌图像加密(2和Arnold变换3]。然而,它是不适合直接应用图像检索技术在明文域加密域图像检索。因此,如何保护图像信息在云计算快速检索图像,用户需要的是一个紧急的问题,需要解决领域的加密的图像检索。

在图像检索领域,大多数先前的方法利用频域特性(4,5],筛选[6]。然而,这些方法都是基于手工功能不能代表了图像内容全面的检索精度较低。

随着深度学习的发展,美国有线电视新闻网(7- - - - - -11]显示显著改善性能的各种任务。然而,最cnn通常有数百层,从而使网络变得效率低下。最先进的轻量级架构,比如MobileNet [12]和ShuffleNet [13),变得更有效率,因为他们的网络体系结构。这些网络可以及时进行计算有限的平台。

尽管CNN-based表示是一个有吸引力的解决方案在明文图像检索领域,它是低效的直接计算两个CNN特征之间的相似性,如4096维向量AlexNet完整的连接层的。最近,一些方法使用深架构已经散列学习图像检索(14,15]。不过,它们中的大多数都是用于文本域,但缺乏研究加密域。

为了解决上述问题,本文提出了一种改进的CNN-based散列加密的图像检索方法(DLHEIR)。在我们的方法中,我们增加CNN输入图像的大小来获得更好的特性和替换的一部分DenseNet网络的结构与倒残块降低计算成本和参数。改进的cnn生成哈希码用于加密的图像检索。

我们的主要贡献如下:(1)本文提出了一种改进的CNN-based散列加密的图像检索方法(DLHEIR)。这个网络可以学习图像表示生成的二进制哈希代码快速图像检索。(2)我们使用与大尺寸作为CNN的输入图像,获得更好的特性。此外,倒残块引入我们的方法,可以降低计算成本和参数。

的其余部分组织如下。部分2讨论了相关的工作。部分3介绍了该方法。部分4展示了我们的实验结果,我们得出本文的部分5。

2。相关工作

基于内容的图像检索(CBIR)指的是在大规模的多媒体数据检索所需的信息根据图像的内容。最近,图像检索已经应用于许多领域,如图像搜索(16,17)和图像隐写术(18]。然而,它不能应用在云计算中由于隐私的图片。

可搜索加密(SE)方法允许用户存储加密数据在云计算和支持数据搜索加密域。夏et al。19)提出了一个加密的图像检索方案(PSSE)在云环境中,它使用MPEG-7视觉与图像特征描述符。资讯是用来保护功能,和当地敏感散列用于提高检索效率。秦et al。20.)提出了一个加密的图像检索方法在云计算环境中,采用改进的哈里斯算法和当地敏感哈希(激光冲徊化)检索加密图像。沈et al。21)提出了一个安全的基于内容的图像检索方法,它使用一个安全多方计算技术加密图像的特性。程等。4)提出了一个加密的JPEG图像检索方案基于马尔可夫过程,它使用加密加密JPEG图像的DCT系数,以保护保密内容。夏et al。22)提出了一个外包CBIR方案基于BOEW模型。费雷拉et al。23)提出了一个安全外包封闭式框架在大型共享存储和检索图像库。陆et al。24]提出了一种基于加密的隐私保护图像检索方法图像集合,使用一组视觉单词来表示图像,和Jaccard距离是用来衡量图像之间的相似性。夏et al。25)提出了一个保护隐私基于尺度不变特征变换的图像检索方法(筛选)特性和挖土机的距离(EMD)。翁et al。26)提出了一个隐私保护框架为应用程序称为外包媒体搜索。框架依赖于多媒体散列和对称加密来保护图像信息。然而,这些方法都是基于手工的特性,不考虑图像的全局信息,导致低精度加密的图像检索。

cnn最近许多版本的任务提供一个有吸引力的解决方案。前面的方法是归因于CNN的能力学习丰富的图像表示,可应用于图像检索领域的(27,28]。然而,由于成本的高昂计算计算两个CNN特征之间的相似性,一些方法使用CNN自动学习二进制哈希码(29日- - - - - -31日]。然而,这些方法只适用于纯文本域,还有一些关注CNN-based加密图像检索的方法。

摘要cnn应用于加密图像检索领域。cnn的强大的表现能力的特性,提高加密的图像检索的准确性。同时,检索效率大大提高了使用哈希代码。

3所示。该方法

3.1。系统模型

系统模型如图1,系统模型主要由三部分组成:数据所有者,云服务器,查询用户。

数据所有者的图像数据集 。保存图像内容,数据需要加密,生成加密的数据集 。在哪里是图像数据集的数量。为了实现快速图像检索,数据所有者需要生成散列码对应的图像数据集。加密的图像和散列码都是外包到云服务器。数据所有者还需要发送查询的关键用户当收到检索请求。

云服务器从数据存储加密的数据集和散列码的所有者。当收到查询用户的检索请求,云服务器需要计算散列码之间的相似性的数据所有者和活板门查询图像和返回顶部查询用户检索结果。

查询用户生成查询的活板门图像和上载到云服务器。我们定义的活板门的散列码查询图像,利用相同的方法作为数据所有者。接受由此产生的图像后,查询用户发送一个请求到数据所有者和获得的关键,用户可以解密加密的图像和关键。

3.2。该方法的概述

该方法主要包括六个功能,执行数据所有者,云服务器,查询用户。

数据所有者执行以下功能:(1)密钥生成。 。函数的输入参数 ,它返回的关键 。用户授权后,数据所有者发送的关键用户的解密加密的图像。(2)图像加密。 。函数的输入是关键和图像数据集 ,然后返回加密的图像数据集 。(3)哈希代码生成。 。采用我们的方法,输入函数的图像数据集 ,和这个函数返回哈希代码 。

查询用户执行以下功能:(1)活板门的一代。 。这个函数的输入查询的形象 。构造活板门和生成哈希代码查询的形象。(2)图像解密。 。这个函数的输入是关键和类似的加密图像云服务器返回的,解密相似的加密图像返回一个类似的图像 。

云服务器执行以下功能:(1)搜索。 。函数计算相似性图像和相应的查询对应的加密图像数据集,它会返回类似的加密图像集 。

3.3。提高卷积神经网络散列

在本节中,我们将介绍我们的方法,由两个主要组件、图像预处理和网络架构。

3.3.1。图像预处理

前培训或测试网络,输入图像应该调整到相同的大小。DenseNet例如,当培训和测试,所有的图片都应该调整到224×224之前喂到网络。

大图像的大小为224×224或299×299年种植或扭曲。图像的裁剪可能失去重要的信息,而翘曲会改变图像的长宽比,这将影响特征提取的CNN。

因此,在这篇文章中,我们增加cnn的输入图像大小。专门为Corel10K数据集,我们计算最大图像的高度和宽度,然后,最大高度和宽度值作为图像大小。例如,为Corel10K数据集,Corel10K数据集的最大图像的高度和宽度是384年和256年,所以输入图像的大小的大小为384×384。

3.3.2。网络体系结构

倒残块。我们的方法的网络体系结构如图2。具体来说,图像的大小为384×384 DenseNet201作为输入。然后,介绍了倒残块代替DenseNet架构的一部分,它可以大大降低计算成本和参数。

倒残块包括切除分离卷积。计算成本切除的分离卷积所示以下方程:

的参数切除分离卷积计算的以下方程:

标准曲线玲珑,计算成本和参数计算由以下方程:

假设的输入特性映射切除分离卷积的大小 地图的大小和输出特性 ,在哪里和是地图的信道特性,和功能图的宽度,和是地图的高度特性,分别和 表示内核大小。计算成本比率切除的卷积分离卷积标准所示以下方程:

参数的成本比率切除的卷积分离卷积标准所示以下方程:

方程(4)和(5)表明,深度分离卷积计算成本和参数使用低于标准的卷积。

Densenet201密度由四个街区,由6,12日,48岁和32 BN-ReLU-Conv (1×1) -BN-ReLU-Conv(3×3)结构,分别在BN表明批正常化,ReLU表明线性整流功能,Conv(1×1)表明Conv2D层过滤器的内核大小1×1。为了减少计算成本和网络参数,过去14 BN-ReLU-Conv (1×1) -BN-ReLU-Conv(3×3)取而代之的是一个倒置的残块。然后添加一个散列层,它包含一个卷积层,批处理规范化、乙状结肠激活,池层。最后,SoftMax添加到我们的网络形式。

散列层。在本节中,我们将系统地描述了散列层。它由三个主要的层,这是一个卷积层,一批标准化层,激活函数,和一个全球平均池层。卷积层是Conv2D层过滤器的内核大小1×1。对于激活函数,我们选择乙状结肠这参数近似(0,1)。

假设输入特性图的大小 ,在哪里 , ,和高度,宽度,分别和通道特性的映射。的输出特性映射层散列的大小 ,和特性 是获得。

在特征提取,首先,所有图像大小为384×384被送入网络之前,和功能全球平均池层是提取,获得了二进制编码binarize的哈希函数一个阈值。哈希函数所示以下方程: 在哪里的参数是和哈希函数的阈值。

4所示。实验结果和分析

Corel10K数据集上的实验研究[32]。Corel10K是图像检索的一个基准数据集。它包括100个类别,每个类别包含了100个类似的图像。

实验代码编写的Python和Matlab R2016a Windows 10系统下使用英特尔(R) (TM)核心i7 - 9700 kf CPU @ 3.60 ghz 16.00 GB RAM和Nvidia GeForce GTX 2080 ti GPU。

在这项实验中,80个图像被随机选中Corel10K每个类别的数据集作为训练集,剩下的图像作为测试集。DenseNet201被选为骨干网络。在微调,我们使用pretrain模型训练ImageNet数据集。随机梯度下降法(SGD)作为网络优化器,学习速度设置为0.01,势头被设置为0.9,批量大小设置为64,和时代都设置为200。

4.1。检索精度

在我们的实验中,“精度”作为评价指标,定义为 ,在哪里是真正的类似的图片吗检索到的图像。在实验中,我们使用测试集的查询图像和训练集的查询图像收集测试检索精度。我们比较我们的方法与其他方法(6,17]。实验结果如图3。

如图3,很明显,我们的方法优于传统的方法(6,17]。这是因为这些方法都利用工艺品特性,这限制了他们的表现。特别是,性能差距并不明显增加,除了 。同时,请注意,我们的方法与48位与他人有更好的性能比模型。

我们也评估图像大小为检索精度的作用。实验结果如表所示1。

很明显从表1增加图像在不同的哈希位比例持续提高检索精度。这是因为使用较大的图像有利于提高性能。规模大于我们的方法而不是增加GPU的内存消耗和计算成本和参数。

4.2。比较的模型参数和MFLOPs

在本节中,我们比较我们的方法的参数和MFLOPS与原CNN结合散列层。实验结果被发表在表2。

每秒浮点运算(失败)是衡量计算机的性能,被广泛用于测量计算成本在CNN模型,如ShuffleNet [13]。从表可以看出2,我们可以发现我们的方法有参数和MFLOPs少。

4.3。效率

检索的时间消耗、特征提取、索引构建和活板门代本节相比。

检索的时间消耗。为了利用强大的云服务器的计算能力,云服务器的检索应用,最相似的返回的图像之间的欧氏距离计算两个哈希码。表3介绍了检索时检索图像的时间消耗 。

从表可以看出3检索,检索收集时间消耗的增加而增加。很明显,我们的方法达到更好的效率6,17]。这是因为我们的方法利用了低维二进制哈希码,实现了图像检索的效率。

特征提取的时间消耗。我们还比较了特征提取的时间消耗CSD和化合物描述符(MPEG-7特征提取方法的17),和筛选特征提取的时间消耗6]。实验结果如图所示4。

图4显示了不同数量的图像特征提取的时间收集。相比之下,(6,17),我们的方法是短的时间消耗不同数量的图像集合在大多数情况下。这是因为时间消费的特征提取方法主要包括两个部分:负荷模型的时间消耗和散列。与复杂的传统方法相比,我们的方法更有效。

时间消耗的索引结构。在我们的方法中,相似性是直接计算两个哈希码没有索引结构,所以没有时间消费指数构建的方法。指标建设的时间消耗比较夏和秦如图5。

时间消耗的活板门代时间。类似于特征提取,活板门的一代所生成的散列码数据所有者,所以活板门建设的时间消耗的哈希代码生成时间查询图像。实验结果如图所示6。

我们测试的时间消耗活板门代相比(6,17)在图6。我们的方法有更多的时间消耗这些方法。这是因为,在特征提取时,我们需要提取特征的深层DenseNet,所以消耗的时间比6,17]。

4.4。安全分析

(我)图像内容的隐私。在我们的方法中,图像存储在云服务器加密的加密方法。关键是生成的数据所有者。因此,图像的隐私内容在我们的方案中也能得到很好的保护。(2)散列码的隐私。哈希代码可能揭示了图像内容的信息。在我们的方法中,特征向量的散列码映射受到单向散列函数的保护。因此,哈希代码也能得到很好的保护。

5。结论

本文提出了一种改进的CNN-based散列加密的图像检索方法。在我们的方法中,我们增加CNN输入图像的大小来获得更好的功能和DenseNet结构网络的一部分替换为倒残块,以减少计算成本和参数,和哈希散列层添加代码生成。这些哈希码用于加密的图像检索。实验结果表明,该方法实现更好的性能,大大提高了检索效率。在未来,我们打算设计更有效的方法来减少用户的负担。

数据可用性

Corel10K数据用于支持这项研究的结果已经存入”http://www-db.stanford.edu/∼wangz / image.vary.jpg.tar。”

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持下由中国国家自然科学基金批准号。61972205,U1836208, U1836110,下的中国国家重点研发项目授予2018 yfb1003205,优先级的学术程序开发(PAPD)江苏高等教育机构基金,协同创新中心的大气环境和设备技术(CICAEET)基金,中国,和科学技术部(大部分),台湾,在格兰特号。108 - 2221年- e - 259 - 009 - my2和109 - 2221 - e - 259 - 010。

引用

1. l . Wang g·冯·Laszewski a·杨格et al .,“云计算:一个角度的研究,”新一代计算,28卷,不。2、137 - 146年,2010页。视图:出版商的网站|谷歌学术搜索
2. X.-Y。王、杨l . r . Liu, A Kadir也“混沌图像加密算法基于感知器模型,”非线性动力学,卷62,不。3、615 - 621年,2010页。视图:出版商的网站|谷歌学术搜索
3. w·陈,c, c·j·泰,“光学基于Arnold变换的彩色图像加密和干扰方法,”光学通信,卷282,不。18日,第3685 - 3680页,2009年。视图:出版商的网站|谷歌学术搜索
4. 张x h . Cheng, j . Yu和f·李,“马尔可夫为加密的JPEG图像,基于流程检索”EURASIP在信息安全》杂志上,卷2016,不。1,1页,2016。视图:出版商的网站|谷歌学术搜索
5. r . Bellafqira g . Coatrieux d . Bouslimi g . Quellec和m . Cozic”获得外包基于内容的图像检索是基于加密签名提取homomorphically加密图像,”2017年,arXiv预印本arXiv: 1704.00457。视图:谷歌学术搜索
6. 曹j .秦y、x, y Tan l .香和j·张,“基于SimHash加密的图像检索方法在云计算,“电脑,材料和连续,卷62,不。3、389 - 399年,2020页。视图:出版商的网站|谷歌学术搜索
7. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”ACM的通信,60卷,不。6,84 - 90年,2017页。视图:出版商的网站|谷歌学术搜索
8. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,arXiv预印本arXiv: 1409.1556。视图:谷歌学术搜索
9. c . Szegedy w·刘,y贾et al .,“要更深的曲线玲珑,”《IEEE计算机视觉与模式识别会议美国,页1 - 9,波士顿,MA, 2015年6月。视图:出版商的网站|谷歌学术搜索
10. c . Szegedy诉Vanhoucke约飞,j . Shlens和z . b . Wojna“反思初始计算机视觉架构,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页2818 - 2826年,NV,美国,2016年6月。视图:谷歌学术搜索
11. k . x张,他任美国,j .太阳,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
12. a·g·霍华德·m·朱b . Chen等人“Mobilenets:高效移动视觉卷积神经网络应用程序,”2017年,arXiv预印本arXiv: 1704.04861。视图:谷歌学术搜索
13. 张x, x周、m·林和j .太阳”Shufflenet:卷积神经网络在移动设备上非常有效,”《IEEE计算机视觉与模式识别会议,页6848 - 6856,犹他州,盐湖城2018年6月。视图:谷歌学术搜索
14. 林k, h·f·杨,j·h·萧,c。陈,“深度学习二进制哈希码的快速图像检索,”《IEEE计算机视觉与模式识别会议研讨会美国,页27-35,波士顿,MA, 2015年6月。视图:出版商的网站|谷歌学术搜索
15. h·刘,s, r . Wang和x陈,“深监督快速图像检索的哈希”《IEEE计算机视觉与模式识别会议拉斯维加斯,页2064 - 2072年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
16. z周,问:m·j·吴和太阳x, y . Yang”区域层次上的视觉一致性验证大规模partial-duplicate图片搜索,“ACM交易多媒体计算、通信和应用程序,16卷,不。2,页1 - 25,2020。视图:出版商的网站|谷歌学术搜索
17. a . Gordo j . Almazan j . Revaud, d . Larlus“深度图像检索:学习全球表示图片搜索,”欧洲计算机视觉的诉讼257年,页241 -阿姆斯特丹,荷兰,2016年10月。视图:谷歌学术搜索
18. z周,yμ,问:m . j .吴“Coverless图像隐写术使用partial-duplicate图像检索”软计算,23卷,不。13日,4927 - 4938年,2019页。视图:出版商的网站|谷歌学术搜索
19. 王x, z夏l .张秦z、x的太阳,和k .任“保护隐私和copy-deterrence在云计算中基于内容的图像检索方案,“IEEE取证和安全信息,11卷,不。11日,第2608 - 2594页,2016年。视图:出版商的网站|谷歌学术搜索
20. j .秦h . Li x湘et al .,“基于哈里斯角落的一个加密的图像检索方法在云计算、优化和激光冲徊化”IEEE访问7卷,第24633 - 24626页,2019年。视图:出版商的网站|谷歌学术搜索
21. m .沈g . Cheng l .朱x Du, j·胡,“基于内容的多源加密图像检索与隐私保护云,“未来一代计算机系统卷,109年,第632 - 621页,2020年。视图:出版商的网站|谷歌学术搜索
22. l . l .江z夏,d . Liu,和b .全“BOEW:一个基于内容的图像检索方案在云计算,使用bag-of-encrypted-words”IEEE服务计算,没有。1,p。2019。视图:出版商的网站|谷歌学术搜索
23. b·费雷拉,j·罗德里格斯,j . Leitao和h·多明戈”实际保护隐私基于内容的检索云映像存储库”,IEEE云计算,7卷,不。3、784 - 798年,2019页。视图:出版商的网站|谷歌学术搜索
24. a . w . Lu Swaminathan, a·l·瓦尔纳和m .吴”,使搜索加密的多媒体数据库。媒体取证和安全。”国际社会对光学和光子学,第7254卷,第725418页,2009年。视图:出版商的网站|谷歌学术搜索
25. 朱y, z夏x太阳,詹,和k .任”对保护隐私在云计算、基于内容的图像检索”IEEE云计算》第六卷,没有。1,第286 - 276页,2018。视图:出版商的网站|谷歌学术搜索
26. l·翁、l . Amsaleg和t . Furon“保护隐私外包媒体搜索”IEEE工程知识和数据,28卷,不。10日,2738 - 2751年,2016页。视图:出版商的网站|谷歌学术搜索
27. a . s . Razavian j·沙利文,美国,和a . Maki”(纸)与深卷积网络可视化的实例检索,“尽管交易媒体技术和应用程序,4卷,不。3、251 - 258年,2016页。视图:出版商的网站|谷歌学术搜索
28. m . Tzelepi和a . Tefas相关性反馈深陷卷积神经网络基于内容的图像检索,”《9日希腊有关人工智能的会议2016年5月,页1 - 7,希腊塞萨洛尼基,。视图:出版商的网站|谷歌学术搜索
29. 诉答:阮和m . n .做“深度学习基础监督有效的图像检索的哈希”点火发动机2016年IEEE国际会议多媒体和世博会(ICME)美国,页1 - 6、西雅图、佤邦,2016年7月。视图:出版商的网站|谷歌学术搜索
30. r, l .林w·左r . Zhang和l .张“Bit-scalable深散列正规化相似性学习图像检索和人地,“IEEE图像处理,24卷,不。12日,第4779 - 4766页,2015年。视图:出版商的网站|谷歌学术搜索
31. 李x、问:雪和m . c . Chuah”CASHEIRS:云协助可扩展的基于分层加密的图像检索系统,”点火的IEEE 2017 - IEEE计算机通讯大会上信息通信,页1 - 9,亚特兰大,乔治亚州,美国,2017年5月。视图:谷歌学术搜索
32. j . z .王Semantics-sensitive综合匹配图像库和生物医学图像数据库美国斯坦福大学,斯坦福大学,2000年。

版权

版权©2021闻堰锅等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。