CN102930500A - 一种基于Arnold置乱变换和DCT的医学图像鲁棒水印方法 - Google Patents

Abstract

本发明公开了一种基于Arnold置乱变换和DCT的医学图像鲁棒水印技术，属于多媒体信号处理领域。本发明的步骤是先进行水印的嵌入，包括：(1)对要嵌入的水印进行Arnold变换，实现预处理；(2)对医学图像进行全图DCT变换，在变换域提取一个特征的向量；(3)利用该特征向量和经过预处理的水印通过Hash函数得到一个二值逻辑序列；然后进行水印提取，包括：(4)对待测医学图像进行全图DCT变换，提取一个特征向量；(5)利用Hash函数性质和存在第三方的二值逻辑序列来提取出水印；(6)经Arnold置乱的逆变换得到原始水印。实验证明本发明具有很好信息隐藏能力。在远程医疗中，对保护患者的信息意义重大。

Description

一种基于Arnold置乱变换和DCT的医学图像鲁棒水印方法

技术领域

本发明属于多媒体信号处理领域，涉及一种基于Arnold置乱变换、离散余弦变换(DCT)和图像视觉特征的医学图像数字水印技术，具体是一种基于Arnold置乱变换和DCT的医学图像鲁棒水印方法。

背景技术

目前，医学图像占整个医院医学信息的70％～80％，数字信息管理系统在现代医疗体系中发挥了越来越重要的作用，但随着网络的推广应用，其信息安全问题逐渐暴露出来。

医学图像在网络上进行远程传输时，记录在医学图片上的病人的个人信息，容易被泄露。若把个人信息作为数字水印嵌入在医学图片中，就可以较好的解决这个难题，这种水印称为医学图像数字水印。

目前对医学图像数字水印领域的研究主要集中在空间域和变换域(DCT、DFT和DWT)两个方面，它们分别通过改变空间域的某些象素的灰度或变换域的一些系数的值来嵌入水印。其中余弦变换(Discrete Cosine Transform，DCT)域水印方法，由于其计算量较小，且与国际数据压缩标准(JPEG，MPEG)兼容，目前研究的比较多，是现有大多数的频率域数字水印算法研究的热点。

鉴于对医学图像病灶区保护的特殊性要求，一般文献中常选择将水印信息嵌入到图像的非感兴趣区域(Region of Non-Interest，RONI)。医学图像中的感兴趣区域(Region of Interest，ROI)指的是那些包含重要病理特征或诊疗信息的病灶区，若在该区域嵌入水印，则有可能造成错误的诊断。但往往人们在寻找ROI时，要花费很长的时间与精力，并且一旦选择有误，则有可能干扰医生的诊断。

在医学图像数字水印研究领域，至今为止几何攻击仍是一个比较难以解决的课题，至于同时能有效抵抗常规攻击和几何攻击，这两种攻击类型的水印方法研究，目前尚未见报道，尚属空白。而实际应用中，医学数字水印图像常常同时受到这两种攻击。

不仅如此，对于医学图像的研究，考虑到病患信息和一些特殊的隐私性，一旦水印被提取后，可能遭受泄露或篡改的危险。故要采取一些预处理的方式，即俗称的加密，进行二次保护，从而加强对水印信息的安全性保护。

发明内容

本发明的目的是提供一种基于Arnold置乱变换和DCT的医学图像鲁棒水印方法，通过将Arnold置乱变换、医学图像的视觉特征向量、加密技术和第三方的概念有机结合起来，不但能够对水印信息进行二次加密保护，而且不需要进行感兴趣区域的选取，也没有容量大小的限制性问题，具有很理想的鲁棒性和不可见性，有效地解决了医学图像的水印的嵌入问题，同时解决了医学图像应用中出现的抗击几何攻击和抗击常规攻击问题，可以有效的保护病患信息的隐秘性。

为了实现上述目的，本发明是这样进行的：首先利用置乱变换技术对水印信息进行加密，再对全图进行DCT变换，在DCT变换系数中，提取一个抗几何攻击的医学图像视觉特征向量，并将水印技术与密码学有机结合起来，实现了数字水印的抗几何和常规攻击。本发明所采用的方法包括水印嵌入和水印提取两大部分，第一部分为水印嵌入算法，包括：(1)通过对二值图像W(i，j)经Arnold置乱变换得到BW(i，j)；(2)通过进行全图DCT变换，得到医学图像的一个视觉特征向量V(j)；(3)将已经经过置乱的水印信息BW(i，j)，和在医学图像中提取的特征向量V(j)，通过Hash函数运算，生成二值逻辑序列Key(i，j)，然后将二值逻辑序列Key(i，j)存在第三方。第二部分为水印提取算法，包括：(4)求出待测医学图像的视觉特征向量V’(j)；(5)利用已存在第三方的二值逻辑序列Key(i，j)和待测医学图像的特征向量V’(j)，提取出水印BW’(i，j)；(6)根据置乱变换的周期和迭代次数，利用Arnold置乱逆变换将提取的水印BW’(i，j)进行还原，得到待测图像的水印W’(i，j)。

现对本发明的方法进行详细说明如下：

首先用一幅有意义的二值图像来作为水印，用W表示，F代表原始医学图像。则W＝{w(i，j)|w(i，j)＝0，1；1≤i≤M1，1≤j≤M2}作为数字水印，而原始医学图像记为F＝{f(i，j)|f(i，j)∈R；1≤i≤N1，1≤j≤N2}，w((i，j))和f(i，j)分别表示水印图像及原始医学图像的像素灰度值，设M1＝M2＝M，N1＝N2＝N。

第一部分：水印嵌入算法

1)通过对二值图像W(i，j)经Arnold置乱变换得到BW(i，j)。

BW(i，j)＝AT(W(i，j))

2)通过进行全图DCT变换，得到医学图像的视觉特征向量V(j)。

先对原图F(i，j)进行全图DCT变换，得到DCT系数矩阵FD(i，j)，再对DCT系数矩阵FD(i，j)，在低中频系数中，取前L个系数，并通过DCT系数符号运算得到该图像的视觉特征向量V(j)，具体做法是当DCT系数为正或零时我们用“1”表示，系数为负时用“0”表示，程序描述如下：

FD(i，j)＝DCT2(F(i，j))

V(j)＝-Sign(FD(i，j))

3)根据已经过预处理的水印BW(i，j)和图像的视觉特征向量V(j)生成一个二值逻辑序列Key(i，j)。

$\mathrm{Key}(i,j)=V\left(j\right)\⊕\mathrm{BW}(i,j)$

Key(i，j)是由图像的视觉特征向量V(j)和水印W(i，j)，通过密码学常用的Hash函数生成。保存Key(i，j)，在以后提取水印时需用。通过将Key(i，j)作为密钥向第三方申请，以获得原图像的所有权，从而达到保护医学图像的目的。

第二部分：水印提取算法

4)求出待测医学图像的视觉特征向量V’(j)。

设待测医学图像为F’(i，j)，经过全图DCT变换后得到DCT系数矩阵为FD’(i，j)，按上述Step1方法，求得待测图像的视觉特征向量V’(j)；

FD’(i，j)＝DCT2(F’(i，j))

V’(j)＝-Sign(FD’(i，j))

5)在待测图像中提取出水印BW’(i，j)。

根据在嵌入水印时生成的Key(i，j)和待测图像的视觉特征向量V’(j)，利用Hash性质可以提取出待测图像的水印BW’(i，j)。

${\mathrm{BW}}^{,}(i,j)=\mathrm{Key}(i,j)\⊕V^{,}\left(j\right)$

6)利用Arnold置乱逆变换将提取的水印BW’(i，j)进行还原，得到待测图像的水印W’(i，j)。

再根据W(i，j)和W’(i，j)的相关程度来判别待测图像的所有权和病人的隐藏信息。

本发明与现有的医学水印技术比较有以下优点：

由于本发明是基于Arnold置乱变换和DCT的医学图像数字水印技术，不仅能够对水印信息实现二次加密的保护，进一步提高了其安全可靠性，而且计算速度快，精度高，有较好的兼容性，有较强的抗几何攻击能力和抗常规攻击能力；不需要人为的进行感兴趣区域的选取，从而解决了水印嵌入的快捷性问题；嵌入的水印是一种零水印，不影响原始医学图像质量，在医疗方面具有很高的实用价值，并且该算法可适用于其他领域；利用第三方的概念，适应了现今网络推广的实用化和规范化；以下从理论基础和试验数据说明：

1)Arnold置乱变换

鉴于医学图像的用途，嵌入图像中的通常是病人序列号、病人住院号、病人姓名、医师姓名、诊断报告等文本字段或其他一些有意义的信息。考虑到这些病患信息隐私性，一旦水印被提取后，可能遭受泄露或篡改的危险。故要进行预处理，即俗称的加密，进行二次保护。

置乱变换技术通常作为加密的一种手段应用在水印的预处理阶段。一幅有意义的水印图像经过置乱变换以后，就变成一幅毫无意义、杂乱无章的图像。如果不知道置乱算法和密钥，即使攻击者从嵌有水印的图像中提取出水印，也不能从中恢复水印，从而对数字产品起到了二次加密的作用。另外，一幅图像经过置乱变换后，就打乱了像素空间位置间的关联关系，能使其均匀地分布在载体图像的所有空间，提高了算法的鲁棒性，二维Arnold置乱变换定义如下：

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]=\left[\begin{array}{cc}1& 1\\ 1& 2\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]\mathrm{mod}N$ x，y∈{0，1，2，…，N-1}

其中，x、y为原始空间像素点的坐标；x’、y’为经过迭代运算置乱后像素点的坐标；N为方形图像的大小，也称为阶数。

由上式可以得到相应的逆变换公式(当k+1时)：

$\left[\begin{array}{c}x\\ y\end{array}\right]=(\left[\begin{array}{cc}2& -1\\ -1& 1\end{array}\right]\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]+\left[\begin{array}{c}N\\ N\end{array}\right])\mathrm{mod}N$ x′，y′∈{0，1，2，…，N-1}

此逆变换公式经过相应的迭代次数就可以还原出原始图像。Arnold变换具有周期性，即当迭代到某一步时，将重新得到原始图像。所以不知道其周期和迭代的次数也就无法对图像进行恢复。因此，在置乱变换中，周期和迭代次数可以作为私钥存在。与此同时，不同的图像，因为所需要的置乱效果不同，所以迭代次数也应根据需要相应的改变。

2)离散余弦变换

DCT用于图像编码是目前广泛使用的JPEG压缩和MPEG-1/2的标准。DCT是在最小均方差条件小得出的仅次于K-L变换的次最佳正交变换，是一种无损的酋变换。它运算速度快，精度高，以提取特征成分的能力和运算速度之间的最佳平衡而著称。

二维离散余弦正变换(DCT)公式如下：

$F(u,v)=c\left(u\right)c\left(v\right)\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)\cos \frac{\mathrm{\π}(2x+1)u}{2M}\cos \frac{\mathrm{\π}(2y+1)v}{2N}$

u＝0，1，…，M-1；    v＝0，1，…，N-1；

式中

$c\left(u\right)=\left\{\begin{array}{cc}\sqrt{1/M}& u=0\\ \sqrt{2/M}& u=\mathrm{1,2},\·\·\·,M-1\end{array}\right.$ $c\left(v\right)=\left\{\begin{array}{cc}\sqrt{1/N}& v=0\\ \sqrt{2/N}& v=\mathrm{1,2},\·\·\·,N-1\end{array}\right.$

二维离散余弦反变换(IDCT)公式如下：

$f(x,y)=\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{N-1}{\mathrm{\Σ}}}c\left(u\right)c\left(v\right)F(u,v)\cos \frac{\mathrm{\π}(2x+1)u}{2M}\cos \frac{\mathrm{\π}(2y+1)v}{2N}$

x＝0，1，…，M-1；y＝0，1，…，N-1

其中x，y为空间域采样值；u，v为频率域采样值，通常数字图像用像素方阵表示，即M＝N

从上面的公式可知，DCT的系数符号是和分量的相位有关的。

3)医学图像视觉主要特征向量的选取方法

目前大部分医学图像水印算法抗几何攻击能力差的主要原因是：人们将数字水印嵌入在像素或变换系数中，医学图像的轻微几何变换，常常导致像素值或变换系数值的有较大变化。这样便会使嵌入的水印很轻易的就受到攻击。如果能够找到反映图像几何特点的视觉特征向量，那么当图像发生小的几何变换时，该图像的视觉特征值不会发生明显的突变。Hayes研究表明对图像特征而言，相位比幅度更重要。我们对大量的全图DCT数据(低中频)经过观察发现，当对一个医学图像进行常见的几何变换时，低中频系数大小可能发生一些变化，但其系数符号基本保持不变，我们选取一些实验数据见表1所示。表1中用作测试的原始医学图像是图1(a)，是一幅图像医学图像(128x128)。表中第1列显示的是医学图像受到攻击的类型，受到常规攻击后的医学图像见图1(b)-(d)，受到几何攻击后的医学图像见图2(a)-(d)。第3列到第11列，这是在DCT系数矩阵中取的前9个低频系数F(1)-F(9)，分别对应FD(1，1)-FD(3，3)，F(1)对应FD(1，1)表示医学图像的直流分量值。对于常规攻击，这些低中频系数值F(1)-F(9)，基本保持不变，和原始医学图像值近似相等；对于几何攻击，部分系数有较大变化，但是我们可以发现，医学图像在受到几何攻击时，部分DCT低中频系数的大小发生了变化但其符号基本没有发生变化。我们将正的DCT系数用“1”表示(含值为零的系数)，负的系数用“0”表示，那么对于原始医学图像来说，DCT系数矩阵中的F(1)-F(9)系数，对应的系数符号序列为：“110001001”，见表1的第12列，我们观察该列可以发现，无论常规攻击还是几何攻击该符号序列和原始医学图像能保持相似，与原始医学图像归一化相关系数都很大为1.0(见表1第13列)，(方便起见这里取了9个DCT系数符号)。

表1图像全图DCT变换低中频部分系数及受不同攻击后的变化值

*DCT变换系数单位1.0e+003

表2不同医学图像特征向量的相关系数(向量长度32bit)

	Pa	Pb	Pc	Pd	Pe	Pf	Pg	Ph
									Pa	1.00	0.34	0.00	0.31	-0.17	-0.24	0.18	0.38
Pb	0.34	1.00	0.32	0.01	-0.04	0.30	-0.25	0.32
									Pc	0.00	0.32	1.00	-0.19	0.19	0.25	0.31	0.00
Pd	0.31	0.01	-0.19	1.00	-0.01	-0.05	0.00	0.31
									Pe	-0.17	-0.04	0.19	-0.01	1.00	-0.09	0.01	0.06
Pf	-0.24	0.30	0.25	-0.05	-0.09	1.00	-0.18	-0.13
									Pg	0.18	-0.25	0.31	0.00	0.01	-0.18	1.00	-0.06
Ph	0.38	0.32	0.00	0.31	0.06	-0.13	-0.06	1.00

为了进一步证明全图的DCT变换系数符号序列是属于该图的一个视觉重要特征，我们又把不同的测试图像(见图3(a)-(g))，按照上述方法进行全图DCT变换，得到对应的DCT系数，F(1)-F(32)，对应FD(1，1)-FD(4，8)，并且求出与原图的符号序列的相关系数，计算结果如表2所示。

从表2可以看出，不同医学图像之间，符号序列相差较大，相关度较小，小于0.5。

这更加说明DCT系数的符号序列可以反映该医学图像的主要视觉特征。当水印图像受到一定程度的常规攻击和几何攻击后，该向量基本不变，这也符合DCT“有很强的提取图像特征”能力。根据人的视觉特性(HVS)，低中频信号对人的视觉影响较大，代表着医学图像的主要特征。因此我们所选取的医学图像的视觉特征向量是低中频系数的符号，低中频系数的个数选择与进行全图DCT变换的原始医学图像的大小、以及一次性嵌入的信息量和要求的鲁棒性有关，L值越小，一次性嵌入的信息量越少，但鲁棒性越高。在后面的试验中，我们选取L的长度为32。

综上所述，我们通过对全图DCT系数的分析，可利用低中频系数的符号序列得到一种取得医学图像视觉特征向量的方法。

附图说明

图1(a)是原始医学图像。

图1(b)是经过高斯干扰的图像。

图1(c)是经过JPEG攻击的图像。

图1(d)是经过中值滤波的图像。

图2(a)是经过旋转变换的图像。

图2(b)是经过缩放2.0的图像。

图2(c)是经过缩放0.5的图像。

图2(d)是经过垂直移动的图像。

图3(a)是标准测试图MRI_1。

图3(b)是标准测试图MRI_2。

图3(c)是标准测试图MRI_3。

图3(d)是标准测试图Engine。

图3(e)是标准测试图Head。

图3(f)是标准测试图Teddy bear。

图3(g)是标准测试图Mri_1back1。

图3(h)是标准测试图Mri_1back2。

图4(a)原始的水印。

图4(b)经过n次置乱变换之后的水印。

图4(c)经过置乱反变换之后恢复的水印。

图5(a)没有受到任何攻击时的水印图像。

图5(b)没有受到任何攻击时提取出的水印。

图6(a)有高斯干扰时的水印图像(高斯干扰强度为3％)。

图6(b)有高斯干扰时提取出的水印。

图7(a)JPEG压缩后的水印图像(压缩质量为8％)。

图7(b)JPEG压缩后提取出的水印。

图8(a)中值滤波后的水印图像(经过[3x3]的20次滤波)。

图8(b)中值滤波后提取出的水印。

图9(a)顺时针旋转20度后的水印图像。

图9(b)顺时针旋转20度后提取出的水印。

图10(a)缩放因子为0.5的水印图像。

图10(b)缩放因子为0.5时提取出的水印。

图11(a)缩放因子为4.0的水印图像。

图11(b)缩放因子为4.0时提取出的水印。

图12(a)水平左移6％后的水印图像。

图12(b)水平左移6％后提取出的水印。

图13(a)垂直下移8％后的水印图像。

图13(b)垂直下移8％后提取出的水印。

图14(a)剪切20％的水印图像。

图14(b)剪切20％后提取出的水印。

具体实施方式

下面结合附图对本发明作进一步说明。用一幅有意义的二值图像来作为水印，见图4(a)，大小为32×32。实验所用的原始医学图像，是一幅经过CT扫描后的大脑三维成像，选取其第十个切片的图像(128x128)见图1(a)。首先利用置乱变换对水印进行置乱加密(置乱的次数依据所需要的效果而定，此处置乱次数n＝10，置乱的周期T＝24)，见图4(b)，当然，被置乱后的图像经过相应的迭代次数即可恢复为原图，见图4(c)。我们将置乱后的水印记为BW(i，j)。设原图表示为F(i，j)，其中1≤i≤128，1≤j≤128，对应的全图DCT系数矩阵为FD(i，j)，取其低中频系数为Y(j)，1≤j≤L，第一个值Y(1)代表图像的直流分量，然后由低到高的频率顺序排列。考虑到鲁棒性和一次性嵌入水印的容量，我们选择中低频的4x8＝32个系数做特征向量，即L＝32；选取的DCT系数矩阵为FD(i，j)，1≤i≤4，1≤j≤8。通过水印提取算法提取出BW’(i，j)后，再通过Arnold置乱逆变换得到待测图像的水印图像W’(i，j)。通过算W(i，j)和W’(i，j)的归一化相关系数NC(Normalized CrossCorrelation)，来判断是否有水印嵌入。NC的值越大，表明经过处理后提取的水印W’(i，j)和原始水印W(i，j)越逼近。

图5(a)是没有受到任何攻击时的水印图像；

图5(b)是没有受到任何攻击时提取出的水印，经计算，NC1＝1.00，明显证明出水印的存在。

下面我们通过具体试验来判断该数字水印方法的抗常规攻击能力和抗几何攻击能力鲁棒性。

先测试该水印算法抗常规攻击的能力。

(1)加入高斯噪声

使用imnoise()函数在水印图像中加入高斯噪音。

图6(a)为当高斯噪声强度为3％时的水印图像，在视觉上已很模糊；

图6(b)是提取出来的水印，通过计算NC值，NC＝0.81，说明与原始的水印图像非常相似。

表3是水印抗高斯干扰时的检测数据。从实验数据可以看到，当高斯噪声强度高达为25％时，水印图像PSNR降至0.12dB，这时检测水印，相关系数NC＝0.58，仍能检测出水印的存在.这说明采用该发明有好的抗高斯噪声能力。

表3水印抗高斯噪声干扰数据

噪声强度(％)	1	3	5	10	15	20	25
								PSNR(dB)	12.35	7.90	5.89	3.23	1.70	0.79	0.12
NC	0.93	0.81	0.76	0.71	0.69	0.64	0.58

(2)JPEG压缩处理

采用图像压缩质量百分数作为参数对水印图像进行JPEG压缩；

图7(a)是压缩质量为8％的图像，该图已经出现方块效应；

图7(b)是提取出的水印，NC＝0.93，与原始的水印非常相似。

表4为水印图像抗JPEG的试验数据。当压缩质量为很差，压缩质量为4％时，仍然可以测得水印的存在，NC＝0.83。说明与原始的水印非常相似，可以看出该算法具有一定的抗JPEG压缩干扰的能力。

表4水印抗JPEG压缩的实验数据

压缩质量(％)	4	8	10	20	40	60	80
								PSNR(dB)	17.61	19.99	20.98	23.04	25.06	26.52	29.27
NC	0.83	0.93	0.69	0.76	1.00	1.00	1.00

(3)中值滤波处理

图8(a)是中值滤波参数为[3x3]，滤波重复次数为20的医学图像，图像已出现模糊；

图8(b)是提取出的水印，NC＝0.89，与原始的水印非常相似。

表5为水印图像抗中值滤波能力，从表中看出，当中值滤波参数为[7x7]，滤波重复次数为20时，仍然可以测得水印的存在，NC＝0.69。说明与原始的水印非常相似，可以看出该算法具有一定的抗中值滤波干扰的能力。

表5水印抗中值滤波实验数据

水印抗几何攻击能力：

(1)旋转变换

图9(a)是对含水印的医学图像进行顺时针旋转20°的图像，这时水印图像的PSNR＝12.38dB，信噪比很低，可以看出旋转带来的倾斜已经很严重，图像已经受旋转干扰比较严重。

图9(b)是提取出的水印，可以计算出NC＝0.82，与原始的水印非常相似。

表6为水印抗旋转攻击试验数据。表中可以看到当水印图像旋转35°时，NC＝0.75，仍然可以检测到水印存在，说明与原始的水印非常相似，可以看出该算法具有一定的抗旋转攻击的能力。Pitas等人提出的抗几何攻击算法，把水印嵌入DFT幅度谱的园环中，只能抵抗不大于3度的旋转。

表6水印抗旋转攻击实验数据

(2)缩放变换

图10(a)是当缩放因子为0.5时的水印图像；

图10(b)为提取出的水印，可以计算出，NC＝1.00.与原水印非常相似。

图11(a)是缩放因子为4.0的水印图像；

图11(b)为提取出的水印，可以计算出，NC＝1.00.与原水印非常相似。

表7为水印缩放攻击试验数据，可以看到当水印图像缩放因子小至0.2时，相关系数NC＝0.87，仍可测得水印。Pereira等采用的在DFT中置入模板的方法，只能抵御缩放因子不小于0.65的缩放，说明该发明有较强的抗缩放能力。

表7水印缩放攻击实验数据

缩放因子	0.2	0.5	0.8	1.0	1.2	2.0	4.0
								NC	0.87	1.00	1.00	1.00	1.00	1.00	1.00

(3)平移变换

图12(a)为图像水平左移6％的情况，这时PSNR＝11.27dB，信噪比很低；

图12(b)是提取出的水印，可以计算出，NC＝0.94，与原水印很相似。

图13(a)为图像垂直下移8％的情况，这时PSNR＝11.96dB，信噪比很低；

图13(b)是提取出的水印，可以计算出，NC＝0.88，与原水印很相似。

表8列出了受平移干扰的含水印的医学图像在其它移动距离下的PSNR和NC的值。从表中得知当垂直移动10％时，NC值仍大于0.5，说明与原始的水印图像非常相似，可以看出该算法具有一定的抗平移攻击的能力。

表8水印抗平移攻击实验数据

(4)剪切试验

图14(a)为对水印图像按Y轴方向进行剪切20％的情况，这时图像已被剪切掉五分之一了；

图14(b)是提取出的水印，可以计算出，NC＝0.88，与原水印很相似。

表9列出了受剪切干扰的含水印的医学图像在Y轴方向其他剪切比例下的NC的值，从表中试验数据可以得知，当含水印的医学图像在受到不剪切比例的剪切攻击时，它的图像像素已经发生了改变，但是提取出的水印图像通过计算NC值，发现都大于0.5，说明与原始的水印非常相似，可以看出该算法具有一定的抗剪切攻击的能力。

表9水印抗剪切攻击实验数据

通过以上的实验说明，该水印的嵌入方法，有较强的抗常规攻击能力和几何攻击能力，并且水印的嵌入不影响医学图像的值，是一种零水印。

Claims (1)

1.一种基于Arnold置乱变换和DCT的医学图像鲁棒水印算法，其特征在于：基于Arnold置乱变换、余弦变换及抗常规和几何攻击的特征向量的提取，并将置乱算法、水印技术、密码学中的Hash函数特性和“第三方”概念有机结合起来，实现了在医学图像中嵌入数字水印的方法，该方法共分两个部分，共计六个步骤：

第一部分是水印嵌入方法：通过对水印的嵌入操作，得到相应的二值逻辑序列key(i，j)；

1)通过对作为水印的二值图像W(i，j)经Arnold变换得到BW(i，j)；

2)对原始医学图像进行全图DCT变换，从DCT系数中，根据低中频系数的符号序列来得到该图的视觉特征向量V(j)；

3)利用Hash函数和要嵌入的已经过预处理的水印BW(i，j)，得到二值逻辑序列Key(i，j)，

保存Key(i，j)，下面提取水印时要用到，通过把Key(i，j)作为密钥向第三方申请，以获得对原始医学图像的所有权；

第二部分是水印的提取：通过二值逻辑序列Key(i，j)和待测医学图像的抗常规和几何攻击的特征向量V’(j)，提取出水印BW’(i，j)；

4)对待测医学图像进行全图DCT变换，在DCT系数中，根据低中频系数的符号提取出待测图像的视觉特征向量V’(j)；

5)利用Hash函数性质，和存在第三方的Key(i，j)，提取出水印， ${\mathrm{BW}}^{,}(i,j)=\mathrm{Key}(i,j)\⊕V^{,}\left(j\right);$

6)利用Arnold置乱逆变换将提取的水印BW’(i，j)进行还原，得到待测图像的水印W’(i，j)，W’(i，j)＝IAT(BW’(i，j))；

将W(i，j)和W’(i，j)进行归一化相关系数计算，来确定医学图像的所有权。

Images