基于DO-VGG网络的医学图像鲁棒零水印算法制造技术

本发明专利技术涉及医疗信息安全领域的图像数据处理方法，具体涉及基于DO

【技术实现步骤摘要】
基于DO
‑
VGG网络的医学图像鲁棒零水印算法


[0001]本专利技术涉及医疗信息安全领域的图像数据处理方法，具体涉及基于DO
‑
VGG网络的医学图像鲁棒零水印算法。

技术介绍

[0002]得益于互联网和智能医学的蓬勃发展，磁共振成像和其他医学技术进行诊断已经成为现代医学诊断不可或缺的辅助手段。医学图像能够更准确、更形象的反映出病人具体的病理信息，也方便了医院与医院之间进行远程或者实时的信息交流。由于公共网络固有的安全风险，使用网络在实现信息共享的同时，新的威胁如非法拷贝、篡改等问题也随之出现。因此，如何存储海量医学数据和保障跨科室或跨区域传输共享医疗资源在一个安全的环境下是及其重要的问题。更重要的是，怎样防止篡改和泄露这些医疗数据中所包含的患者或医院隐私。为了更好地保护医学图像和隐藏在医学图像中的重要信息的安全传输，医学图像水印技术以其独特的鲁棒性和安全性成为解决这种信息安全问题的有效手段，在保护版权和隐私等方面发挥着尤为重要的作用。
[0003]随着医学影像技术的发展，数字化医学图像已经成为医生获得患者病理信息的重要依据。与自然图像相比，医学图像具有数据量大、分区域特征明显、像素相关性高、直方图分布不均匀等特点。MRI成像的多参数性使得其处理方法更加丰富。MRI图像具有非常高的空间分辨率，这可能导致在存储和压缩过程中降低医学图像细节的可见性。此外，MRI图像在成像时可能会出现来自被检测物体或机器的高斯噪声，或者信号转换时会存在加性高斯噪声，导致医学图像质量下降。为了更好的辅助医生诊断，MRI医学图像大多都经过中值滤波等处理。最重要的是，在医学领域，对患者的病理医学数据质量要求极其严格，任何微小的改动都有可能会影响医生的诊疗或判断。因此，对无损的医学图像数字水印算法的研究显得尤为重要。
[0004]现有的无损数字水印有两类：可逆水印和零水印。可逆水印的实现需要经过原始图像的改变和恢复两个过程，一旦操作不当，仍有可能造成原始图像无法无损恢复，这种损坏对医学图像来说是不能接受的。与可逆水印算法不同，零水印使用医学图像特征构造特征序列，不对医学图像做任何修改，保证医学图像的完整性，使医学图像具有良好的不可感知性，而且零水印算法具有鲁棒性强的优点，可以有效抵抗多种攻击，故而零水印非常适合用于医学图像。
[0005]随着研究的不断深入，越来越多的新型零水印方法被提出。基于双树复数小波变换(Dual
‑
tree complex wavelet transform,DTCWT)和离散余弦变换(Discrete cosine transform,DCT)的医学图像零水印算法，该算法使用DTCWT变换提取医学图像的视觉特征图像；再使用DCT变换集中图像能量，最后根据与均值比较大小构造特征矩阵，该算法在抵抗几何攻击方面的鲁棒性有所提升。基于Contourlet变换和DCT变换的医学图像鲁棒零水印算法，该算法使用Contourlet变换提取图像的多尺度的纹理特征，然后利用DCT变换构造零水印。该算法使用零水印来保护医学图像的版权信息，具有良好的不可见性。基于能量关
系的鲁棒零水印算法，该算法通过比较分块能量与原始图像平均能量之间大小关系的构造零水印，使用Logistic映射对水印进行加密，提高算法的安全性，该算法的计算复杂度较低。基于Curvelet变换、离散小波变换(Discrete wavelet transform,DWT)和奇异值分解(Singular value decomposition,SVD)的零水印算法，该算法在子块上使用Curvelet变换和DWT变换得到每个子块的低频子带，然后在低频子带上使用分块SVD实现零水印的构造，该算法对于常见的鲁棒性攻击具有较好抵抗性能。基于多通道医学图像零水印算法，该算法使用多通道位移格根鲍尔分数阶矩(Multi
‑
channels shifted gegenbauer moments offractional orders,FrMGMs)提取医学图像的特征，再通过比较精确FrMGMs矩的大小构造特征向量。该算法在所有攻击下都表现出较好的鲁棒性。基于Zernike
‑
DCT的医学图像零水印算法，该算法对原始医学图像进行Zernike矩得到精确的边缘特征，再对其进行DCT变换来构造零水印。该算法是一种具有稳定性的边缘检测算法。基于KAZE
‑
DCT的零水印算法，该算法使用KAZE
‑
DCT提取医学图像的特征，利用感知哈希法构造特征向量。基于离散傅里叶变换(Discrete fourier transform,DFT)和DCT变换的零水印算法，该算法使用DFT变换提取图像的高频系数，对高频系数进行DCT变换后得到与水印图像大小一致的低频系数，最后利用低频系数生成特征序列实现零水印嵌入。实验结果表明，该算法提取的水印图像较为完整。对于这些提出的零水印算法，在抵抗普通攻击时具有较强的鲁棒性，但是在几何攻击下鲁棒性仍不理想。
[0006]从上述研究成果来看，医学图像水印算法面临的主要问题是抵抗几何攻击的鲁棒性低。由于医学图像的信噪比低，且绝大多数同部位、同体态的医学图像既有整体结构的高度相似性，同时又有细节上的多样性。这些特点致使现有算法提取的医学图像特征多为浅层特征，在几何攻击下，提取数值具有不稳定性，导致医学图像水印的鲁棒性较差。因此，如何从医学图像中提取能够抵抗几何攻击的特征图像仍是一个难点。
[0007]随着人工智能的飞速发展，用机器学习和深度学习解决医学图像水印技术的鲁棒性难题已经成为可能。基于K邻点均值的零水印算法，该算法利用K邻点均值算法得到的子图均值与图像均值的关系来构造零水印。算法表现出较强的鲁棒性。基于卷积神经网络的零水印算法，该算法使用深度神经网络快速提取图像的深层高维特征，使用全连接层的特征向量构造零水印，算法表现出较强的鲁棒性。基于深度残差网络的鲁棒可逆医学图像水印算法，该算法利用深度残差模型提取医学图像的深度特征信息，自适应确定最优嵌入强度，均衡水印的不可见性和鲁棒性。基于VGG19的鲁棒医学图像水印算法，该算法利用VGG19提取图像的抽象特征，再使用DFT结合感知哈希算法构造特征向量。该算法可以准确提取水印信息，表现出较强的鲁棒性。
[0008]医学图像具有数据量大的特点，机器学习适合应用于特征数量较少时，当特征数量较大时，深度神经网络性能更好。深度神经网络使用多层卷积滤波来分析局部特征。随着深度的增加，网络可以通过非线性映射从原始训练数据中自动学习鲁棒和独特的特征，避免了传统方法的人工特征提取。并且深度神经网络能在处理图像时提取更多抽象的特征，有效提高算法的鲁棒性。
[0009]虽然这些算法能够达到一定的处理效果，但由于大多数医学图像是单通道的灰度图像，背景组织中的细微变动都有可能代表着某种特定的病变。这些特点致使现有算法提取的医学图像特征多为浅层特征，在几何攻击下，提取数值的稳定性极容易被破坏，导致算
...

【技术保护点】

【技术特征摘要】
1.基于DO
‑
VGG网络的医学图像鲁棒零水印算法，其特征在于，包括以下步骤(假设原始医学图像为F(M
×
M)，原始水印图像W(N
×
N)：步骤1，获取原始医学图像；步骤2，用数据集训练DO
‑
VGG网络得到预训练的模型。利用预训练的DO
‑
VGG网络提取原始医学图像的高维鲁棒特征，使用特征融合和均值感知哈希算法生成二值特征向量；步骤3，使用改进的Logistic混沌加密算法对原始水印图像进行加密，得到加密的水印图像；步骤4，将步骤3中得到的加密的水印图像与步骤2中得到的二值特征向量进行异或运算构造零水印密钥；步骤5，利用预训练的DO
‑
VGG网络提取受攻击的医学图像的鲁棒特征，并生成二值特征向量；步骤6，从步骤4中获取零水印密钥，通过零水印密钥与步骤5中得到的二值特征向量进行异或运算得到提取的水印图像；步骤7，通过输入密钥对水印图像进行解密，利用Logistic混沌解密算法得到最后的解密图像，最后将解密的水印图像与原始水印图像进行NC值计算。2.根据权利要求1所述的基于DO
‑
VGG网络的医学图像鲁棒零水印算法，其特征在于：所述步骤2中，将原始医学图像F(i,j)输入到预训练的DO
‑
VGG网络中，提取最后一个卷积层的深层复杂特征图像FA(p,q,l)。得到特征FA(p,q,l)公式为：F(i,j)
→
DO
‑
VGG
→
FA(p,q,l)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)3.根据权利要求2所述的基于DO
‑
VGG网络的医学图像鲁棒零水印算法，其特征在于：所述步骤2中，融合深层复杂特征图像FA(p,q,l)得到特征矩阵FG(p,q)，融合方式如公式2所示。4.根据权利要求3所述的基于DO
‑
VGG网络的医学图像鲁棒零水印算法，其特征在于：所述步骤2中，采用均值感知哈希算法提取医学图像特征矩阵FG(p,q)的哈希序列，生成64位二进制哈希序列FV(k),k＝1,2,...,64。得到二进制哈希序列FV(k)的公式为：5.根据权利要求4所述的基于DO
‑
VGG网络的医学图像鲁棒零水印算法，其特征在于：所述步骤3中，将原始水印图像W进行二值化处理，得到原始二值水印图像，然后使用改进的Logistic混沌加密算法对原始水印图像进行加密，得到加密的水印图像W1，密钥为K1。改进的Logistic混沌系统的定义公式为：其中，μ∈[0,4]为混沌系统的控制参数，x
k
∈(0,1)为系统变量，k是迭代次数，ν是增长参数，|

【专利技术属性】
技术研发人员：黄同愿，闵婕，徐嘉，黄柏雄，张智星，胡传新，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：