图像作为记录生活、分享信息的重要手段，是大数据时代最主要的非结构化数据形态，其应用领域已经深入到人类生活和工作的方方面面，然而，一方面，随着手机、平板电脑、摄像头等各种图像采集设备的广泛使用，图像的规模正呈现出爆炸性增长的趋势；另一方面，图像的处理和分析（如特征提取、物体检测、目标识别、图像检索等）通常包含非常复杂的计算过程。因此，大规模图像数据已经远远超过了资源受限的终端设备的存储和计算能力。
　　云计算技术具有高可靠性、强通用性、易扩展性以及超大规模等特性，近年来得到了快速发展并日趋成熟，越来越多个人、企业和组织选择将数据迁移至云端，为存储和管理大规模图像数据提供了可行的解决方案。不过，安全问题始终是阻碍云计算推广和普及的主要因素之一，将数据存储在云端意味着将数据交给并不完全可信的第三方，从而使用户对数据失去有效的控制，造成隐私泄漏的风险。对数据进行加密虽然可以有效保护数据的安全性，但是却大大降低了数据的可用性。因此，云环境下如何同时确保数据的安全性和可用性，成为我们面临的重大挑战，在学术界及工业界正受到越来越多的关注和研究。
　　本文深入分析了不同层次的图像处理任务所面临的安全问题，从图像的获取及恢复、特征提取、特征分析以及图像检索等四个方面开展隐私保护问题的关键技术研究。
　　本文的主要研究内容和贡献包括以下几个方面：
　　1．针对图像数据在获取过程中的安全问题，提出了一种支持隐私保护的图像获取及恢复方案。方案在利用压缩感知技术获取图像信号的基础上，采用秘密共享技术对图像信号进行加密处理，将大规模图像数据存储在云服务器中，有效降低了终端设备在图像采集和加密过程中的存储和计算开销；同时，基于混淆电路技术，提出了一种新的协同式正交匹配追踪(COMP)协议，允许两个云服务器以协同的方式执行图像的恢复任务，在此过程中用户端无需与云服务器进行任何交互，从而最大限度地降低了通信开销。
　　2．针对移动感知场景下图像特征提取过程中的安全问题，提出了一种支持隐私保护的CNN特征提取框架。首先采用秘密共享技术将图像数据以密文形式存储在边缘服务器中；接着针对边缘服务器之间的安全计算问题，设计了一系列基于秘密共享的高效安全计算模块；在此基础上，面向卷积神经网络的不同网络层，提出了一系列安全交互协议，允许两个边缘服务器以协同的方式执行密文图像的CNN特征提取任务。与已有方案相比，不仅可以有效保证卷积神经网络的准确性和用户数据的安全性，还可以大大降低移动终端设备的开销和时延。
　　3．针对图像特征分析过程中的聚类问题，提出了一种支持隐私保护的谱图分析方案。首先采用秘密共享技术将数据分割成随机的两部分，并分别发送给两个云服务器：接着面向实数域的各种基本运算设计了一系列高效的安全运算协议，支持两个云服务器以协同的方式在收到的密文数据上进行谱图分析；用户解密得到的图结构属性可用于支持聚类等不同的数据挖掘应用。方案不仅为谱图分析过程中的原始数据、中间消息以及特征值、特征向量等结构属性提供了全面的隐私保护，还有效降低了终端设备的存储和计算开销以及与云服务器之间的通信开销。
　　4．针对图像检索这一典型图像应用的安全问题，提出了一种支持隐私保护的图像检索方案。方案有效结合了局部聚合描述符向量、基于双线性投影的二值编码以及非对称内积保持加密等技术，允许数据拥有者将图像数据以密文形式存储在云服务器中，并支持用户在加密的图像数据库中对图像进行检索。形式化的安全分析表明方案可以达到已知明文攻击模型下的安全要求，同时，实验结果表明方案具有较高的检索精度和检索效率。
　　本文开展的云环境下支持隐私保护的图像处理关键技术的研究，将从技术层面满足用户对海量图像数据存储外包情况下数据安全与数据操作的需求，同时，对于促进云计算及其应用的健康发展也具有理论价值和现实意义。