差分隐私结合GAN的图像数据保护方法仿真

图像数据的过度挖掘会对图像隐私性带来影响，使得数据被泄露或滥用的风险不断增加。为避免图像隐私数据泄露，提出差分隐私结合GAN的图像隐私数据保护算法研究。针对当前图像数据参杂的不确定性，通过对图像数据清洗，获取的图像重要隐私区域，有利于后续噪声的加入，便于实现图像隐私数据的保护；根据差分隐私与生成对抗网络(Generative Adversarial Networks, GAN)结合，构建图像数据差分隐私保护的GAN模型，依据拉普拉斯实现机制，对清洗后的图像数据扰动，达到隐私数据保护的目的；由于模型在迭代期间会对图像数据隐私性产生侵犯，所以进一步对图像隐私性侵犯程度度量，令上述算法在实际应用时有效兼顾图像隐藏数据的安全性及隐私性。实验结果表明，所提方法对图像的加密和解密时间短，且隐私性高。