随着互联网的飞速发展以及具有摄像功能的个人设备的日益普及,数字图像得以广泛的传播并在人们的日常生活中占据了重要的地位。由于图像中蕴含着丰富的个人信息,在图像的分享和应用中隐私泄露的问题也愈发凸显,因此需要对图像进行隐私保护处理。而传统的图像隐私保护方案,如访问控制,K-匿名化,马赛克,在最新技术的不断冲击下,已经变得不再可靠。而差分隐私技术由于能够提供严格的可证明的隐私保护,自从被提出以来就得到了广泛的关注和应用。而在现有采用差分隐私的图像隐私保护方案中,往往以直接对于整张图像添加噪声进行处理,图像的视觉可用性大幅下降,破坏图像数据的可用性。基于此,根据差分隐私两个不同的研究方向,本文提出了两种基于差分隐私的图像隐私保护方案。为了尽可能减少实现差分隐私机制带来的噪声干扰,使得发布的数据兼顾可用性和安全性。本文提出了一个基于中心化差分隐私的图像发布方案,首先以图像中典型的敏感内容人脸和行人为例,提供给用户手动选择和自动识别这两种不同的方式,利用图像处理技术将图像中含有相关敏感内容的区域利用进行定位并分割,将图像分为两部分。其次,对于分割出的含有敏感内容的图像,设计了一个满足差分隐私的隐私保护算法并对其进行处理。最后将两部分图像重新组合并发布。通过实验分析了不同的隐私预算参数和不同的识别方式对可用性带来的影响。与现有方案相比,该方案不仅能够降低实际的隐私风险,防止图像中的隐私泄露,而且发布图像的视觉可用性得到了提高。同时为了克服传统的中心化差分隐私需要依赖于可信数据收集者这一假设的缺陷,本文提出了一种基于本地化差分隐私的图像隐私保护方案,在将图像数据发送给不可信的数据收集者之前,首先在用户端对图像进行随机响应扰动处理,然后在数据收集者端进行统计和校正来恢复收集统计数据。本文分析并证明了随机响应扰动处理过程满足ε-差分隐私,并通过实验表明,经该方案处理后的图像,图像的视觉效果被大幅度降低,使得无论图像传输过程中的攻击者还是数据收集者均无法直接获取隐私信息,并保留足够的统计信息,供数据收集者发布。保证了安全性的同时保留了较好的数据可用性。