基于多算法融合的医学图像零水印生成算法

1.本发明涉及图像数据处理方法领域，具体涉及基于多算法融合的医学图像零水印生成算法。


背景技术：

2.随着互联网和医疗成像技术的飞速发展，数字化技术正广泛的渗透到医学图像领域中，大数据和云计算的发展给医学图像在云中的存储和传输带来了极大的便利。同时也对患者的相关信息和医学图像版权的保护提出了巨大的挑战。数字水印技术是一种信息隐藏技术，利用数字水印技术可以有效地解决这个问题。
3.常用的医学图像无失真的数字水印算法分为两类。第一类是可逆水印，它是将水印隐藏到原始医学图像中，在水印嵌入后能成功地从医学图像中提取隐藏的水印信息，但是它的鲁棒性较差。第二类是零水印，它是利用医学图像的重要特征来构造水印的信息，从而实现零水印。零水印算法很好地解决了不可见数字水印的可感知性和鲁棒性之间的矛盾。
4.目前，利用零水印算法进行医学图像的处理方法例如：基于极复指数变换和逻辑映射的鲁棒零水印算法，利用pcet的几何不变性提高了算法抵抗几何攻击的棒性；基于cnn的鲁棒零水印算法，利用神经网络学习可以快速的提取出每个医学图像的固有特征，从而提高了算法的性能；基于contourlet变换和dct的医学图像鲁棒零水印算法，采用了contourlet变换可在任意尺度上实现任意方向的分解，能够提取出多方向的图像特征，该算法在医学及其他相关领域显示出良好的实用性；基于curvelet-dwt-svd的零水印算法，结合curvelet变换和小波变换表征图像特性和利用二次分块细分的优势克服dwt-svd的缺点，对于常见的几何攻击具有较好抵抗性能和稳定性；基于dtcwt-dct的医学图像零水印算法，将医学图像的视觉特征向量与加密技术和第三方概念相结合，解决了快速嵌入和提取水印的问题，且对于常规攻击和几何攻击都具有很强的鲁棒性。
5.虽然这些算法能够达到一定的处理效果，但是，这些算法对于旋转和平移等几何攻击的鲁棒性都较差。


技术实现要素：

6.本发明意在提供一种基于多算法融合的医学图像零水印生成算法，以解决现有算法对于旋转和平移等几何攻击的鲁棒性较差的问题。
7.本方案中的基于多算法融合的医学图像零水印生成算法，包括以下步骤：
8.步骤1，获取原始医学图像；
9.步骤2，对原始医学图像进行非下采样轮廓波变换得到低频域信息，对低频域信息进行分块并利用多级离散余弦变换获取低频子带的系数矩阵，然后使用双奇异值分解方法构造特征向量，作为从原始医学图像中提取医学特征的特征矩阵；
10.步骤3，获取原始水印图像，并将原始水印图像进行加密处理；
11.步骤4，将加密后的原始水印图像与特征矩阵生成零水印。
12.本方案的有益效果是：
13.通过对原始医学图像进行非下采样轮廓波变换，提取低频域信息，对低频域信息进行多级离散余弦变换，获取系数矩阵并进行双奇异值分解分解构造原始医学图像的特征向量，将特征向量与加密处理后的原始水印图像生成零水印。通过加密处理能够保证原始水印信息的安全，在水印嵌入时，采用零水印技术来确保医学图像的完整性，以及能够有效地提取水印信息，具有良好的不可见性，并且对于普通攻击和几何攻击都具有较强的鲁棒性。
14.进一步，所述步骤2中，对原始医学图像进行二级非下采样轮廓波变换，得到低频子带ll2，作为低频域信息ll2的大小为
15.有益效果是：通过二级非下采样轮廓波对医学图像变换得到低频子带，能够保持传统的小波变换多分辨率特性和时频局部化的分析能力，而且具有更好的方向选择性、平移不变性、有限的数据冗余、高效的计算效率特性，从而有利于提高水印的鲁棒性。
16.进一步，所述步骤2中，对低频域信息进行分块和离散余弦变换的步骤为，对ll2进行一次离散余弦变换，然后取其系数矩阵左上角的系数矩阵块为di1，di1的大小为然后将di1分成大小为4
×
4的不重叠子块，每个子块记为br,r＝1,2,
…
,n；对每一个子块br进行第二次离散余弦变换，得到dbr,r＝1,2,
…
,n；对每一个子块dbr进行zigzag排序，取前9个系数重组为3
×
3大小的块矩阵。
17.有益效果是：通过离散余弦变换对医学图像的低频域信息进行处理，能够很好地对医学图像进行能量压缩性和去相关性，及多级离散余弦变换使dct的能量集中特性得到充分利用，从而获得更多数值较大的数据，并且利用多级dct变换可以使算法性能达到最优，使算法具有快速、准确的特征提取能力。
18.进一步，所述步骤2中，双奇异值分解的步骤为，根据第一预设公式对每一个块矩阵进行双对角化分解，得到每一个子块的双对角化矩阵δr,r＝1,2,
…
,n，根据第一预设公式对每一个子块δr进行奇异值分解，并对每一个奇异值矩阵求平均，得到每一个子块的平均奇异值，构成块奇异值均值矩阵r＝1,2,
…
,n，第一预设公式为：
[0019][0020]
根据第二预设公式计算得到整体奇异值均值s
avg
，第二预设公式为：
[0021][0022]
有益效果是：通过对低频子带的系数矩阵进行双奇异值分解，构造特征向量，能够
提高从医学图像中提取出特定特征的准确性，同时也提高了算法的安全性和抵抗几何攻击的鲁棒性。
[0023]
进一步，所述步骤2中，通过比较块奇异值均值与整体奇异值均值s
avg
的大小生成二值特征向量t，计算公式为：
[0024][0025]
有益效果是：通过生成二值特征向量，能够对数据进行标准化处理，并减少数据量。
[0026]
进一步，所述步骤3中，将原始水印图像w进行二值化处理，得到二值水印图像，然后通过逻辑斯谛映射产生混沌序列，对二值水印图像进行logistic混沌位置置乱，得到置乱后的二值水印图像w1，置乱的密钥为k1。
[0027]
有益效果是：通过对原始水印图像进行二值化处理，去除掉冗余信息，用混沌序列对水印置乱，能够消除像素之间的关联性，提高水印的安全性。
[0028]
进一步，所述步骤4中，将置乱后的二值水印图像w1和二值特征向量t进行异或运算，生成零水印，并将生成的零水印，异或运算表达式为：z＝xor(w1,t)。
[0029]
有益效果是：将从医学图像中提取的独特的特征向量以异或运算方式加入加密后的水印图像中，生成零水印，提高安全性。
[0030]
进一步，还包括步骤5，对医学图像进行普通攻击，将经过攻击后的医学图像重复步骤2得到二值特征向量t
′
；将步骤4中得到的零水印z和二值特征向量t
′
进行异或运算，提取出置乱的水印信息w1′
，计算公为：w1′
＝xor(z,t
′
)；将得到的置乱的水印信息w1′
根据密钥k1进行逻辑斯谛混沌位置还原，得到解密后的水印信息w
′
，采用归一化相关系数对解密后的水印信息与步骤4中得到的零水印进行相似度评价，当归一化相关系数大于0.9时，所提取的水印信息与步骤4中得到的零水印相似，采用峰值信噪比评价经过攻击后的医学图像的损坏程度，当峰值信噪比大于10％时，零水印在普通攻击下的提取有效。
[0031]
有益效果是：在生成零水印后，通过施加普通攻击并进行水印信息的提取，保证零水印的有效性。
附图说明
[0032]
图1为本发明基于多算法融合的医学图像零水印生成算法实施例一的示意图；
[0033]
图2为本发明基于多算法融合的医学图像零水印生成算法实施例一中非下采样轮廓波变换的实现结构图；
[0034]
图3为本发明基于多算法融合的医学图像零水印生成算法实施例一中dct系数频率分布图；
[0035]
图4为本发明基于多算法融合的医学图像零水印生成算法实施例一中提取水印的示意狂徒；
[0036]
图5(a)为本发明基于多算法融合的医学图像零水印生成算法实施例二中添加零水印前的原始医学图像；
[0037]
图5(b)为本发明基于多算法融合的医学图像零水印生成算法实施例二中添加零
水印前的二值水印图像；
[0038]
图5(c)为本发明基于多算法融合的医学图像零水印生成算法实施例二中添加零水印前加密的水印图像；
[0039]
图6(a)为本发明基于多算法融合的医学图像零水印生成算法实施例二中的零水印图像；
[0040]
图6(b)为本发明基于多算法融合的医学图像零水印生成算法实施例二中提取的水印图像；
[0041]
图7为本发明基于多算法融合的医学图像零水印生成算法实施例二中普通攻击下的医学图像和提取的水印图像；
[0042]
图8为本发明基于多算法融合的医学图像零水印生成算法实施例二中几何攻击下的医学图像和提取的水印图像；
[0043]
图9为发明基于多算法融合的医学图像零水印生成算法实施例二中在普通攻击下不同方法的nc柱状图；
[0044]
图10为发明基于多算法融合的医学图像零水印生成算法实施例二中在几何攻击下不同方法的nc柱状图。
具体实施方式
[0045]
下面通过具体实施方式进一步详细说明。
[0046]
实施例一
[0047]
基于多算法融合的医学图像零水印生成算法，如图1所示，包括以下步骤：
[0048]
步骤1，获取原始医学图像，通过从医学数据中选择mri脑部图的第十个切片作为原始医学图像。假设i为原始医学图像，大小为m
×
m，w为原始水印图像，大小为n
×
n。
[0049]
步骤2，如图2所示，原始医学图像i进行非下采样轮廓波变换得到低频域信息，使用非下采样减少了因采样操作导致在滤波器中的失真，从而获得了很好的平移不变的特性，并且在每个尺度方向上的子图大小均与原始图像相同，其图像细节保真度和图像重构精度较高，对原始医学图像进行二级非下采样轮廓波变换，得到低频子带ll2，作为低频域信息，ll2的大小为：
[0050]
非下采样轮廓波变换能够保持多分辨率特性和时频局部化的分析能力，而且具有更好的方向选择性、平移不变性、有限的数据冗余、高效的计算效率特性，从而有利于提高水印的鲁棒性。
[0051]
对低频域信息进行分块并利用多级离散余弦变换获取低频子带的系数矩阵，离散余弦变换(dct)避免了复杂的复数运算，具有较快的计算速度，对低频域信息进行分块和离散余弦变换的步骤为：
[0052]
对ll2进行一次离散余弦变换，然后取其系数矩阵左上角的系数矩阵块为di1，di1的大小为然后将di1分成大小为4
×
4的不重叠子块，每个子块记为br,r＝1,2,
…
,n；对每一个子块br进行第二次离散余弦变换，得到dbr,r＝1,2,
…
,n；对每一个子块dbr进行zigzag排序，取前9个系数重组为3
×
3大小的块矩阵。
[0053]
离散余弦变换的原理是：
[0054]
对于一个大小为n
×
n的矩阵f(x,y)。其中f(x,y)表示图像，f(u,v)表示对应的dct系数，则二维离散余弦正变换(2d-dct)和二维离散余弦反变换(2d-idct)的公式如下所示：
[0055][0056]
其中当u＝0,v＝0时，当u≠0,v≠0时，且u＝0,1,
…
,n-1；v＝0,1,
…
,n-1。
[0057]
图像经过离散余弦变换之后得到一个频率系数矩阵，频率系数的分布如图3示。其中左上角为直流系数(dc)，这些系数的特点是幅值最大，频率最低；以直流系数为坐标原点，当向右和向下延伸时，各方向系数值呈递减的趋势，频率呈递增的趋势，这些区域统称为交流系数(ac)。图像的大部分信息集中在直流系数及其低频系数上，离直流系数越远的区域包含的图像信息越少。离散余弦变换具有很好的能量压缩性和去相关性。
[0058]
然后使用双奇异值分解方法构造特征向量，作为从原始医学图像中提取医学特征的特征矩阵，其中双奇异值分解过程如下：双奇异值分解首先对图像进行双对角化操作，例如对矩阵am×n进行双对角化分解，得到双对角矩阵如下式所示：
[0059][0060]
其中u1为正交矩阵，v
1t
为酉矩阵，δ1为双对角矩阵。
[0061]
然后对双对角矩阵进行奇异值分解，得到第一预设公式，如下式所示：
[0062][0063]
双奇异值分解不仅提高了水印的安全性，而且可以用较少的系数来描述图像的特征信息，从而构造出鲁棒性较好的零水印。
[0064]
双奇异值分解的步骤为，根据第一预设公式对每一个块矩阵进行双对角化分解，得到每一个子块的双对角化矩阵δr,r＝1,2,
…
,n，根据第一预设公式对每一个子块δr进行奇异值分解，并对每一个奇异值矩阵求平均，得到每一个子块的平均奇异值，构成块奇异值均值矩阵r＝1,2,
…
,n；
[0065]
根据第二预设公式计算得到整体奇异值均值s
avg
，第二预设公式为：
[0066][0067]
通过比较块奇异值均值与整体奇异值均值s
avg
的大小生成二值特征向量t，计算公式为，以二值特征向量作为特征向量：
[0068][0069]
步骤3，获取原始水印图像，并将原始水印图像进行加密处理，具体为，将原始水印图像w进行二值化处理，得到二值水印图像，然后通过逻辑斯谛映射产生混沌序列，对二值水印图像进行逻辑斯谛(logistic)映射混沌位置置乱，置乱的密钥为k1，根据密钥进行随机置乱，置乱技术为现有技术，在此不再赘述，得到置乱后的二值水印图像w1。
[0070]
步骤4，将加密后的原始水印图像与特征矩阵生成零水印进行存储，即为：将置乱后的二值水印图像w1和二值特征向量t进行异或运算，生成零水印，并将生成的零水印，异或运算表达式为：z＝xor(w1,t)。
[0071]
步骤5，在生成零水印后，对添加了零水印的医学图像进行水印提取，印提取的过程就是水印生成的逆过程，水印提取算法需要从存储的信息中提取零水印，然后从受攻击后的医学图像中提取出的特征矩阵结合提取出水印信息。i
′
为受攻击后的医学图像，大小为m
×
m。水印提取算法，如图4所示，具体步骤如下：
[0072]
(1)将受攻击后的医学图像i
′
重复步骤2得到二值特征向量t
′
。
[0073]
(2)将步骤4得到的零水印z和二值特征向量t
′
进行xor运算，提取出置乱的水印信息w1′
。计算公式如下所示：
[0074]
w1′
＝xor(z,t
′
)。
[0075]
(3)将得到的置乱的水印信息w1′
根据密钥k1进行logistic混沌位置还原，得到解密后的水印信息w
′
。
[0076]
实施例二
[0077]
基于多算法融合的医学图像零水印生成算法，与实施例一的区别在于，为了验证实施例一算法的有效性，在64位windows 10操作系统和matlab r2019b平台上进行仿真实验。
[0078]
本实施例二从大量医学数据中选择了mri脑部图的第十个切片作为原始医学图像，大小为128
×
128像素，如图5(a)所示。原始水印图像为64
×
64像素的有效二进制图像，如图5(b)所示。在logistic混沌置乱中使用的密钥为x0＝0.6,μ＝4，图5(c)显示了logistic混沌加密后的水印。从图中可以清楚地看到，水印图像发生了肉眼无法识别的变化，这使水印的安全性得到了显著提高。图6(a)是零水印图像，在水印嵌入之前和之后图像都保持不变，且带水印的医学图像在不受攻击时与原始图像保持一致，提取的相应水印的nc值为1.00，如图5(b)所示。
[0079]
通过鲁棒性来评价实施例一的算法，采用归一化相关系数(nc)作为评价标准来评价提取水印图像与原始水印图像之间的相似程度，采用峰值信噪比(psnr)评价受攻击后医学图像的损坏程度。nc和psnr的计算公式如下：
[0080][0081][0082]
其中，w(i,j)为原始水印图像像素值，w
′
(i,j)为提取水印图像像素值，n为水印图像的大小，mse为原始医学图像与受攻击后医学图像的均方误差。
[0083]
对医学图像进行普通攻击，常见的普通攻击包括噪声攻击、压缩攻击和滤波攻击。图7显示了医学图像经过普通攻击后的图像以及提取的水印图像，其中：(a)均值为0，方差为0.01的高斯噪声攻击下的医学图像；(b)均值为0，方差为0.01的高斯噪声攻击下提取的水印图像；(c)均值为0，方差为0.3的高斯噪声攻击下的医学图像；(d)均值为0，方差为0.3的高斯噪声攻击下提取的水印图像；(e)压缩质量为2％的jpeg压缩攻击下的医学图像；(f)压缩质量为2％的jpeg压缩攻击下的提取的水印图像；(g)滤波窗口为[7x7]，20times的中值滤波攻击下的医学图像；(h)滤波窗口为[7x7]，20times的中值滤波攻击下的提取的水印图像。
[0084]
由图7可知，医学图像在受到普通攻击之后提取的水印图像仍然很清晰，尤其是在高斯噪声攻击和中值滤波攻击的情况下，医学图像在形状和细节上都发生了巨大的变化，与原始医学图像相比几乎无法识别，但是提取出的水印图像仍然具有较好的视觉效果。
[0085]
为了进一步分析算法在不同强度的普通攻击下的鲁棒性，对医学图像进行不同程度的普通攻击，实验结果如表1所示。
[0086]
表1mri脑部图在普通攻击下的nc值和psnr值
[0087][0088]
从表1的数据可以看出，对于高斯噪声攻击，随着噪声强度的增加，nc值只发生了细微的变化，且都保持在0.98以上；对于jpeg压缩攻击，即使在压缩质量为2％的情况下，nc值仍然可以高达0.98，且压缩质量大于5％时，得到的nc值均为1；对于中值滤波攻击，在模板大小为7
×
7，重复20次的情况下，nc值仍可以达到0.95，仍然可以较为完整的提取水印信息。通过实验表明，在不同强度的普通攻击下，算法具有较好的鲁棒性。因为dtcwt变换具有很好的去噪性能，同时得到的低频子带具有很强的稳定性，所以本文算法在抵抗普通攻击方面表现出较强的鲁棒性。
[0089]
对医学图像进行几何攻击，几何攻击是指使图像发生不可恢复的改变，常见的几何攻击包括缩放攻击、旋转攻击、平移攻击和裁剪攻击。图8为医学图像经过几何攻击后的图像以及提取的水印图像，其中：(a)顺时针旋转30
°
的医学图像；(b)顺时针旋转30
°
的攻击下提取的水印图像；(c)缩小0.125倍再放大8倍的医学图像；(d)缩小0.125倍再放大8倍的攻击下提取的水印图像；(e)向左平移25％的医学图像；(f)向左平移25％的攻击下提取的水印图像；(g)向下平移25％的医学图像；(h)向下平移25％的攻击下提取的水印图像；(i)在x轴方向裁剪30％的医学图像；(j)在x轴方向裁剪30％的攻击下提取的水印图像；(k)在y轴方向裁剪25％的医学图像和提取的水印图像；(l)在y轴方向裁剪25％的攻击下提取的水印图像
[0090]
由图9可以看出，经过几何攻击后的医学图像发生了严重的失真，尤其是在裁剪攻
击和平移攻击的情况下，医学图像的大部分信息都丢失了，已经不能以其原始形式出现，但提取的水印图像依然清晰易识别，nc值均保持在0.9以上。
[0091]
实验结果如表2所示。
[0092]
表2mri脑部图在几何攻击下的nc值和psnr值
[0093][0094][0095]
从表2的数据可以看出，对于缩放攻击，在一般缩放攻击下，得到的nc值均为1，在高强度缩放情况下，nc值都保持在0.95以上；对于旋转攻击，在顺时针旋转40
°
的情况下，nc都保持在0.89以上；对于平移攻击，当向左平移23％或者向下平移25％时，nc值仍可以达到0.92以上。由于旋转攻击何平移攻击都会使图像像素的整体位置发生改变，会造成特征缺少的情形，因此，相比于非几何攻击得到nc值要低，但是整体nc值仍保持在0.9左右。主要原因在于本文算法使用了dtcwt和双奇异值分解，使得构造的特征矩阵具有平移不变性和旋
转不变性，在几何攻击下的变化较小，同时子块映射方式有效减少了与医学图像直接接触的面积，在一定程度上提升了算法抵抗旋转攻击和平移攻击的鲁棒性。对于裁剪攻击，在裁剪25％的情况下，nc值仍能保持在0.95左右。这是由于裁剪攻击只改变剪切位置的像素值大小，只有小部分的特征受到影响，故该算法能够抵抗不同位置的裁剪攻击。所以本文算法在抵抗几何攻击方面表现出较强的鲁棒性。
[0096]
将实施例一的算法与现有的方法进行对比，以验证实施例一的鲁棒性，选择大小为128
×
128的mri脑部医学图像的第10个切片作为原始医学图像，水印图像选择大小为64
×
64的二值图像与文献[1]，江泽涛,陈微.基于dwt-dct-svd的彩色图像零水印算法[j].微电子学与计算机,2016,33(08):107-111、文献[12]asaad f.qasim,farid meziane,and rob aspin,digital watermarking:applicability for developing trust in medical imaging workflows state ofthe art review[j].computer science review 27,45(2018)、文献[15]liu j,li j,zhang k,et al.zero-watermarking algorithm for medical images based on dual-tree complex wavelet transform and discrete cosine transform[j].journal of medical imaging and health informatics,2019,9:188-194、文献[28]曲长波,吴德阳.基于curvelet-dsvd和视觉密码的强鲁棒零水印算法[j].计算机应用研究,2019,36(02):532-537进行对比实验，具体不同攻击下的仿真实验结果列于表3，其对应的nc值的变化趋势如图9和图10所示，图9中，(a)为高斯噪声；(b)为jpeg压缩；(c)为中值滤波，图10中，(a)为顺时针旋转；(b)为缩放；(c)为左平移；(d)为下平移；(e)为x轴裁剪；(f)为y轴裁剪。
[0097]
表3本文算法与文献在不同攻击下的对比实验数据表(nc值)
[0098][0099][0100]
由表3可知，本文算法对于抵抗普通攻击和几何攻击相比于文献[1]、文献[12]、文
献[15]和文献[28]表现出更强的鲁棒性。对于高斯噪声攻击和压缩攻击，从图9可以看出，五种算法得到的nc值相差无几，但是本文算法仍有微小的提高。对于中值滤波攻击，本文的算法略低于文献[28]，但是对比文献[1]、文献[12]、文献[15]有提升。其中文献[1]的鲁棒性相对较差，这是因为文献[1]使用的小波变换不具有方向性，因此在受到普通攻击时，会丢失一些图像的轮廓信息。而本文算法和文献[12]、文献[15]和文献[28]使用的contourlet变换、dtcwt变换和curvelet变换具有方向选择性，有效增强了图像的轮廓信息，因此图像在抵抗普通攻击时鲁棒性更强。
[0101]
对于几何攻击，本文算法相比于文献[1]、文献[12]、文献[15]和文献[28]具有较大程度的提升，特别是在旋转攻击、平移攻击和裁剪攻击方面。从图10可以看出，对于不同角度的旋转攻击，本文算法的nc值一直比文献[1]、文献[12]、文献[15]和文献[28]要高，且当顺时针旋转15％时，本文算法的nc值仍保持在0.93左右，文献[1]、文献[12]、文献[15]的nc值都低于0.9，鲁棒性较差。对于平移攻击和裁剪攻击，本文算法的nc值相比于文献文献[1]、文献[12]、文献[15]和文献[28]提高了5％-20％左右。
[0102]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。