UKBench, COREL, UCID

本研究使用了三个数据集：UKBench、COREL和UCID。UKBench数据集包含1000张图像，分为250组，每组四张图像，用于评估隐私保护的图像检索方案。COREL和UCID数据集用于生成代码书，这些数据集独立于上传的加密图像，有助于提高检索准确性。整个数据集创建过程涉及图像分割、特征提取和代码书生成，旨在解决云环境中图像隐私保护和高效检索的问题。

This study employs three datasets: UKBench, COREL, and UCID. The UKBench dataset consists of 1000 images divided into 250 groups, with four images per group, and is used to evaluate privacy-preserving image retrieval schemes. The COREL and UCID datasets are utilized to generate codebooks; these datasets are independent of the uploaded encrypted images and help improve retrieval accuracy. The entire dataset creation process involves image segmentation, feature extraction, and codebook generation, aiming to address the issues of image privacy protection and efficient retrieval in cloud environments.

搜集汇总

数据集介绍

构建方式

UKBench数据集的构建方式基于图像检索领域的研究，旨在为隐私保护图像检索方案提供一个独立的训练数据集。该数据集的构建过程包括：首先，将训练数据集中的每张图像分割成非重叠的16×16像素块；其次，从每个块中提取一个修改后的颜色和边缘方向性描述符（mCEDD）作为块描述符；然后，对所有提取的块描述符应用k-means聚类，将聚类中心定义为视觉单词，并存储这些视觉单词作为码本；最后，使用码本和图像块描述符计算每个图像的直方图向量，并通过加权直方图向量和l2归一化得到扩展的SIMPLE描述符（E-SIMPLEs）。

特点

UKBench数据集的特点在于其独立性。该数据集是从与上传的加密图像（EtC图像）无关的普通图像数据集中生成的码本，使得码本无需重新计算，且能够持续提供高检索精度。此外，UKBench数据集通过使用扩展的SIMPLE描述符（E-SIMPLEs）来避免图像加密步骤的影响，从而在加密图像检索中表现出优异的性能。

使用方法

UKBench数据集的使用方法如下：首先，由第三方（云服务提供商）使用独立的训练数据集生成码本；其次，图像所有者将生成的加密图像上传至第三方，并由第三方计算图像描述符；最后，当用户向第三方发送查询图像时，第三方使用查询图像的图像描述符和存储的描述符进行图像检索，并将检索到的图像和所有者信息返回给用户。用户随后请求数据所有者发送密钥集以解密从第三方收到的加密图像。

背景与挑战

背景概述

隐私保护图像检索是云计算时代的重要研究课题，随着云端存储和图片共享的普及，如何保护图片中包含的敏感信息，同时保证图像检索的高效性和准确性，成为了研究的热点。本文所涉及的数据集UKBench, COREL, UCID，均为图像检索领域的常用数据集，在隐私保护图像检索研究中扮演着关键角色。创建这些数据集的目的是为了评估和比较不同图像检索算法的性能，为隐私保护图像检索研究提供数据支持。

当前挑战

隐私保护图像检索领域面临着诸多挑战。首先，如何在保护图像内容不被泄露的前提下，实现高效的图像检索，是一个亟待解决的问题。其次，加密图像的压缩和解压缩过程，可能会影响图像检索的准确性。此外，如何构建一个能够适应不同加密图像的通用代码簿，也是一个挑战。本文提出了一种基于独立明文图像数据集的隐私保护图像检索方案，通过使用独立于上传图像的代码簿，实现了对加密图像的高效检索，并在实验中验证了该方案的有效性。

常用场景

经典使用场景

在隐私保护的图像检索领域，UKBench、COREL和UCID数据集常用于评估基于内容的图像检索（CBIR）方法的性能。这些数据集包含各种图像，可以模拟真实环境中图像检索的场景，例如从云端存储中检索图像。使用这些数据集，研究者可以测试他们的方法在保护图像隐私的同时，是否能够保持较高的检索精度。

衍生相关工作

基于UKBench、COREL和UCID数据集的研究工作，衍生出了许多相关的经典工作。例如，一些研究者提出了基于局部描述符的图像检索方法，如SIFT、SURF等，这些方法在图像检索领域得到了广泛的应用。此外，一些研究者还提出了基于深度学习的图像检索方法，如CNN、RNN等，这些方法在图像检索领域也取得了很好的效果。

数据集最近研究

最新研究方向

在云存储和图像共享日益普遍的背景下，隐私保护图像检索已成为研究的热点。传统的隐私保护图像检索方案通常依赖于从用户上传的加密图像中生成码本，这可能导致检索性能的下降，尤其是在加密图像数量不足时。针对这一问题，本研究提出了一种新型的隐私保护图像检索方案，该方案利用与上传的加密图像独立的普通图像数据集生成码本。实验结果表明，即使在码本由独立的普通图像数据集生成的情况下，该方案仍能保持较高的检索性能。此外，该方案还与传统的CBIR方案进行了比较，结果显示，即使在码本由独立的普通图像数据集生成的情况下，该方案的性能与传统方案相当。因此，该研究为隐私保护图像检索领域提供了一个新的研究方向，具有重要的理论和实践意义。

相关研究论文

• A Privacy-Preserving Image Retrieval Scheme Using A Codebook Generated From Independent Plain-Image Dataset

  东京都立大学 · 2021年