图像在传输和处理过程中会引起诸多安全问题,例如图像窃取,伪造等。同时随着数据挖掘、机器学习等技术的兴起与发展,海量的图像数据得到了进一步的分析和利用,但会造成用户敏感信息的泄露。图像加密和图像隐私保护技术是实现图像安全保护的重要途径。针对图像保护方案的安全性分析体现在抗密码分析攻击能力及视觉安全性两个方面。视觉安全性衡量的是非授权用户在不破解密钥的情况下进行视觉分析攻击来获取有价值信息的难度。现有的一些视觉安全评估算法大都在图像质量较好或者图像质量很差的时候评估效果较好,而基于安全性和处理代价的综合考量,不同的应用需求希望图像达到的视觉安全性不同,这些评估算法存在应用上的局限性。差分隐私是一种有效的隐私保护手段,因此持续得到了国内外学者的关注并开始将其应用到图像隐私保护上。现有的图像差分隐私发布方案只是保证了图像像素的安全,并没有从视觉安全的角度去评估,也没有验证隐私保护强度和图像视觉泄露程度的关系。论文主要研究如何准确地评估图像的视觉安全性,并提出了一种图像差分隐私发布策略。本文的主要研究内容如下:（1）构建图像视觉信息量计算模型,并基于该模型提出了基于边缘相似度和信息熵融合的评估算法,根据图像像素分布的混乱程度,自适应地给两者分配不同的权重,综合得到最后的视觉安全指标。最后在典型加密图像、视频帧上验证算法的可行性和鲁棒性。（2）为了对视觉安全评估算法性能进行定量评估,通过Log-Gabor滤波器和局部二值模式（LBP）算子进一步提取图像的局部纹理分布,并利用支持向量回归（SVR）将边缘相似度,局部纹理分布和局部熵进行融合映射得到客观评估分数。在多个图像质量库上选取中低质量的图像进行实验,对评估算法的准确性,单调性,稳定性和鲁棒性进行验证分析。（3）提出了一种基于本地化差分隐私的图像发布策略,确保了发布的图像有严格的隐私定义,同时从视觉安全的角度对发布图像进行评估,保证了隐私保护强度与图像视觉安全的一致性,为图像差分隐私保护提供了视觉安全测度。实验结果表明,与基于像素化处理的图像相比,该方案抗重识别攻击的能力得到了很大提升,同时处理效率高,能够满足实时性要求,是一种有效的图像隐私保护发布策略。本文从图像的视觉信息量的计算出发,提出了评估范围更广的衡量图像视觉安全性的评估算法,并为图像差分隐私保护提供了新的研究思路。