一种图像敏感信息的保护方法、系统、设备及介质与流程

本发明涉及图像保护，特别涉及一种图像敏感信息的保护方法、系统、设备及介质。

背景技术：

1、目前大多数图像中的个人身份信息或者部分敏感信息数据属于隐私信息，而背景内容属于公开信息，保护图像中的个人身份和敏感信息的隐私安全也是图像信息隐藏。信息隐藏技术是将信息秘密地隐藏在另一个公开载体中，通过公开载体传输秘密信息，通常是指隐写术、匿名通讯及数字水印及等。信息隐藏可以是指信息的存在性隐藏，或是信息的不可见，或者信息传输的信道隐藏。

2、隐写术是把要传输的信息嵌入到图像或文本等载体信号内部，嵌入秘密信息的载体信号与原始信号十分相似，只有隐写者和接受者知道信息的存在。匿名通讯是根据“被匿名”对象，发送信息方、接受信息或者两者的身份。数字水印是将某些标识信息嵌入到被保护的数字多媒体信号。这些方法可以实现信息的隐藏和保护，但是容易被攻击者检测到或者被窃取，例如利用单像素攻击和深度学习就可以轻松对这些方法进行破解。这就导致被保护图像的信息泄露。

3、鉴于此，需要一种图像敏感信息的保护方法、系统、设备及介质。

技术实现思路

1、本申请实施例提供了一种图像敏感信息的保护方法、系统、设备及介质，用于解决被保护图像的信息容易泄露的问题。

2、本申请实施例第一方面提供了一种图像敏感信息的保护方法，包括：

3、获取图像信息；

4、对所述图像信息进行数据预处理，生成样本图像；

5、构建生成对抗网络模型，并输入所述样本图像训练所述生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；

6、利用卷积神经网络对所述样本图像进行特征提取，得到对应的目标特征，基于所述目标特征确定训练后的目标图像保护模型；

7、当获取到待保护的图像，利用所述目标图像保护模型生成对应的保护图像。

8、更进一步地，对所述图像信息进行数据预处理，包括：

9、所述数据预处理包括灰度转换、裁剪图像、缩放图像、增强图像对比度、图像翻转以及归一化处理。

10、更进一步地，所述灰度转换的表达式如下：

11、igray＝0.299r+0.587g+0.144b；

12、式中：igray为灰度图像，r、g和b分别是原始彩色图像的红色、绿色和蓝色通道。

13、更进一步地，所述构建生成对抗网络模型，并输入所述样本图像训练所述生成对抗网络模型，包括：

14、基于生成对抗网络确定生成器和判别器；

15、基于所述生成器和判别器进行对抗训练；

16、同时对所述生成器和判别器进行反向传播，计算损失函数的梯度，并更新所述生成对抗网络的参数。

17、更进一步地，所述生成器的损失函数表达式如下：

18、

19、式中：g(z)为生成器生成的图像，d为判别器输出的图像，为真实样本，pdata为真实数据的分布；

20、所述判别器的损失函数的表达式如下：

21、ld＝―iex～pdata(x)[log(d(x))]―iez～pz(z)[log(1―d(g(z)))]；

22、式中：x为真实样本，z为随机噪声，pz为噪声的分布。

23、更进一步地，所述目标图像保护模型的表达式如下：

24、

25、式中：x为保护图像，yi为样本图像，fi为神经网络，d(x)为离散剂量变化特征，gi为剩余卷积网络的预测，gi为正确的类别标签，μ为平衡不同损失项的权重。

26、更进一步地，在所述输出目标保护图像之后，所述方法还包括：

27、验证所述目标保护图像的质量和效果。

28、本申请实施例第二方面提供了一种图像敏感信息的保护系统，包括：

29、图像信息获取单元，用于获取图像信息；

30、数据预处理单元，用于对所述图像信息进行数据预处理，生成样本图像；

31、生成对抗网络模型训练单元，用于构建生成对抗网络模型，并输入所述样本图像训练所述生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；

32、目标图像保护模型确定单元，用于利用卷积神经网络对所述样本图像进行特征提取，得到对应的目标特征，基于所述目标特征确定训练后的目标图像保护模型；

33、保护图像生成单元，用于当获取到待保护的图像，利用所述目标图像保护模型生成对应的保护图像。

34、本申请实施例第三方面提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任意一项所述图像敏感信息的保护方法的步骤。

35、本申请实施例第四方面提供了一种可读存储介质，所述可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述任意一项所述图像敏感信息的保护方法的步骤。

36、从以上技术方案可以看出，本申请实施例具有以下优点：

37、本申请首先在获取到待保护图像信息后进行数据预处理，生成样本图像，构建生成对抗网络模型，输入样本图像训练所述生成对抗网络模型；训练过程中同时利用卷积神经网络对样本图像进行特征提取，得到训练后的目标图像保护模型，当获取到待保护的图像，利用目标图像保护模型生成对应的保护图像。通过卷积神经网络对图像进行特征提取可以提高敏感图像的精准度，通过生成对抗网络进行训练，经过多层优化结构的叠加，从而提高模型训练的鲁棒性，减轻敏感信息被攻击的影响，进一步提高敏感信息的安全性。

技术特征：

1.一种图像敏感信息的保护方法，其特征在于，包括：

2.根据权利要求1所述的图像敏感信息的保护方法，其特征在于，对所述图像信息进行数据预处理，包括：

3.根据权利要求1所述的图像敏感信息的保护方法，其特征在于，所述灰度转换的表达式如下：

4.根据权利要求1所述的图像敏感信息的保护方法，其特征在于，所述构建生成对抗网络模型，并输入所述样本图像训练所述生成对抗网络模型，包括：

5.根据权利要求4所述的图像敏感信息的保护方法，其特征在于，所述生成器的损失函数表达式如下：

6.根据权利要求1所述的图像敏感信息的保护方法，其特征在于，所述目标图像保护模型的表达式如下：

7.根据权利要求1所述的图像敏感信息的保护方法，其特征在于，在所述输出目标保护图像之后，所述方法还包括：

8.一种图像敏感信息的保护系统，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至7任意一项所述图像敏感信息的保护方法的步骤。

10.一种可读存储介质，所述可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至7任意一项所述图像敏感信息的保护方法的步骤。

技术总结
本发明适用于图像保护技术领域，提供了一种图像敏感信息的保护方法、系统、设备及介质，其方法包括：获取图像信息；对所述图像信息进行数据预处理，生成样本图像；构建生成对抗网络模型，并输入所述样本图像训练所述生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器；利用卷积神经网络对所述样本图像进行特征提取，得到对应的目标特征，基于所述目标特征确定训练后的目标图像保护模型；当获取到待保护的图像，利用所述目标图像保护模型生成对应的保护图像。本发明通过生成对抗网络模型进行训练的同事通过卷积神经网络对图像进行特征提取，有效提高了模型的精度，同时减轻了敏感信息被攻击的影响。

技术研发人员：符华,韦思思,蒙亮,孟椿智,谭钰,罗世坚,陈丽娜,孟春辰
受保护的技术使用者：广西电网有限责任公司南宁供电局
技术研发日：
技术公布日：2024/9/23