1.一种基于深度卷积网络特征的可搜索加密图像检索方法，其特征在于：在数据拥有设备端，将图像加密并将加密后的图像集存储在服务器端；

在服务器端，由服务器提供CBIR服务；根据用户的查询请求对加密的查询图像提取特征，再计算相似度，最后将检索到的检索结果返回给查询用户；

在授权查询业务端，向服务器提出查询请求，由服务器返回检索结果后，用户使用密钥对检索结果对应的图像进行解密还原。

2.根据权利要求1所述的基于深度卷积网络特征的可搜索加密图像检索方法，其特征在于，加密过程生成的密钥组可表示为： 其中，key1是RGB通道像素随机置乱的密钥，key2是Zig-Zag扫描置乱的密钥，RandNum是一个随机数生成器，用于生产一个随机的整数，将该整数，对6做除法其余数的范围为[0，5]，RGB通道置换的

6种通道置换方式与该余数一一对应； 表示确定哪一种通道置换方式，具体的6种通道置换方式如下：(1)R→R，G→G，B→B；

(2)R→R，G→B，B→G；

(3)R→G，G→R，B→B；

(4)R→G，G→B，B→R；

(5)R→B，G→R，B→R；

(6)R→B，G→R，B→G；

rgb*是保护图像颜色信息，置换RGB通道的加密函数，其定义如下：*

randperm是RGB通道像素转为八位二进制随机置乱的加密函数，其定义如下：randperm*←(key1)；

zig*是对像素Zig-Zag扫描加密置乱的函数，其定义如下：zig*←(key2)。

3.根据权利要求2所述的基于深度卷积网络特征的可搜索加密图像检索方法，其特征在于，Zig-Zag扫描后P″＝{PR″，PG″，PB″}表示图像m″的RGB三通道像素向量集合，即PR″＝[1，

2，...，ImgSize]，PG″＝[1，2，...，ImgSize]，PB″＝[1，2，...，ImgSize]分别表示三通道的一维像素向量，其中ImgSize是图像m″每个颜色通道的像素点个数，然后将P″向量集合按三个颜色通道的顺序恢复为ImgSize大小的像素矩阵，Zig-Zag扫描后图像加密完成得到e。

4.根据权利要求1所述的基于深度卷积网络特征的可搜索加密图像检索方法，其特征在于，首先在Keras中导入由ILSVRC2012数据集预训练的DenseNet模型，然后使用加密后的图像数据集对预训练模型进行微调训练，全连接层的神经元的节点数为1024，而在实验中对模型微调训练之后提取1024-dim的全连接层特征向量；

训练过程中，使用的Corel10k和Holidays两个公开的数据集，其图像数量分别为10000和8946，微调训练模型时分别按6∶4，6.5∶3.5，7∶3，7.5∶2.5；8∶2五种比例对两个数据集进行训练集和测试集划分，按训练集和测试集划分的不同比例在Corel10k数据集上进行实验，最后将微调训练的DenseNet模型上传到云服务器。

5.根据权利要求1-4任一项所述的基于深度卷积网络特征的可搜索加密图像检索方法，其特征在于，相似度计算是指用加密查询图像特征向量fq与图像库的所有特征向量进行欧氏距离的相似度计算，计算公式如下：sim(eq，E)＝||fq-fi||2，其中，i＝1，2，...，n；

sim(eq，E)为相似度，eq表示加密查询图像，fq表示加密查询图像的特征向量，而fi表示检索图像库E中第i幅图像的特征向量，n是图像库中所有加密图像的数量。根据sim(eq，E)的值，取相似度最大的k幅图像作为查询结果返回给查询用户。