CN104867100A - 云环境下一种加密医学图像鲁棒多水印实现方法 - Google Patents

Abstract

本发明公开了云环境下一种加密医学图像鲁棒多水印实现方法，属于多媒体信号处理领域。主要步骤如下：首先，对原始医学图像在变换域进行加密，对二值文本水印图片分别进行加密；其次，对加密后的原图进行DCT变换提取特征向量，利用该加密图像的特征向量和混沌加密的水印进行异或运算，嵌入零水印并得到二值逻辑序列；然后，进行水印的提取和水印的还原，利用嵌入水印时生成的二值逻辑序列来提取水印；将提取的水印和二值加密矩阵进行异或运算求得还原的水印；最后为加密图像的还原。与传统的直接将置乱水印嵌入到原始图像中的方法相比，本方法实现了，把水印嵌入到加密的图像里，可以保证存贮在云端的原始图像的安全。

Description

云环境下一种加密医学图像鲁棒多水印实现方法

技术领域

本发明属于多媒体信号处理领域，涉及一种基于DCT变换、混沌映射(Logistic Map)和图像视觉特征向量的医学图像数字水印技术，具体是云环境下一种加密医学图像鲁棒多水印实现方法。

背景技术

X光片、CT、MRI、超声波和PET等现代医学图像技术的广泛应用，使得研究人员对医学图像的保密性(仅授权人员能访问病患者的数据)、完整性(表明医学图像未被篡改)和真实性(证明数据来源)开展了深入的研究。互联网云技术的发展，在为医疗技术带来便捷的同时，也对数据的安全提出了挑战。云环境下，为了使用云服务不泄露数据隐私，用户需要对数据进行加密，并希望能在密文域完成数据分析。医学图像包含了病人的重要信息，当它们在因特网上或以其他方式进行存储和传输时，很容易面临安全威胁。因此，迫切需要对患者的医学图像采取保护措施。采用合适的信息隐藏手段便可以防止非授权用户对相关信息进行访问。一些常见的加密方法已经见诸实践，比如DES，IDEA，AES等。但是，当使用这些方法进行加密时，在计算上需要花费大量的时间，同时也只是适用于对文本数据的加密。因为医学图像所具有的数据量大，冗余度高，相邻像素间相关性强的特点，使得传统的加密方法并不适合于用来对图像进行加密。因此，一些新的加密方法被应用到图像加密中来，比如著名的混沌系统。由于混沌系统所具有的遍历性、对初始值/控制参数的高度敏感性、伪随机性、数据混合性等特点，使得它很适合于用来设计安全而又快捷的图像加密算法。

按照加密算法的作用域，可以将基于混沌的图像加密算法分为空域加密算法和频域加密算法。空间域的加密方式一般不需要用到从空间域到频域的变换，计算量相对较少，但其局部随机置乱效果不是很好。频域算法的优势是，在频域中每一点的变化对整个数据集合都会产生一定的影响。如图像数据经过DCT变换得到的DCT系数中如果有一个发生改变，就会通过IDCT逆运算体现在所有的像素点中。相对于空间域算法，频域算法加密效率比较高。

在医学图像中把个人信息作为数字水印嵌入在医学图像中，就可以较好地解决患者的信息隐藏问题。传统方法是直接将置乱后的水印嵌入到原始图像中，这样做可以保护水印信息，但是仍然不能消除当医学图像遭到非授权访问时载体信息泄露的安全隐患。通过在加密图像中嵌入数字水印就能很好地解决这个问题，然而，相关研究目前还未见任何报道。

基于此，本发明提出了一种将数字水印嵌入到加密医学图像中的方法。首先对原始医学图像进行加密，再将病人的重要信息作为水印信号，置乱后嵌入到加密医学图像中。这样一来，即使病人的信息受到有意或者无意的攻击，只要非授权用户不知道密钥，便无法破解出医学图像和水印，使得患者的个人信息真正得到保护。

发明内容

本发明是云环境下一种加密医学图像鲁棒多水印实现方法，通过将医学图像的视觉特征向量、密码学和零水印技术结合起来，弥补了传统的数字水印方法不能对医学图像本身进行保护的缺点，嵌入的水印具有很强的鲁棒性和不可见性，能同时保护病人的隐私信息和医学图像的数据安全。

为实现上述目的，本发明是这样进行的：对医学图像进行全图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，再将置乱水印嵌入到加密医学图像中。本方法不仅将普通的水印技术与混沌加密、“第三方概念”有机结合起来，实现了数字水印的抗几何和常规攻击，而且使得原始图像也具有了很好的保密性。本发明所采用的方法包括原始图像加密、水印置乱、水印嵌入、水印提取、水印还原和加密医学图像还原六大部分。

现对本发明的方法进行详细说明如下：

选择三个有意义的二值文本图像作为嵌入加密医学图像的三个水印，记为W^k＝{W^k(i,j)|W^k(i,j)＝0,1；1≤i≤32,1≤j≤32,1≤k≤3}。同时，我们选取一个医学体数据的第十片作为原始医学图像，记为，I(i,j),W^k(i,j)和I(i,j)分别表示水印和原始医学图像的像素灰度值。

第一部分：在变换域对原始医学图像I(i,j)加密，生成加密图像EI(i,j)

1)对原始医学图像I(i,j)进行全图DCT变换，获取系数矩阵D(i,j)

D(i,j)＝DCT(I(i,j))

2)根据初始值y₀，应用Logistic Map生成一个混沌序列L(j)；

3)通过对L(j)升维运算得到二维矩阵，然后将混沌矩阵通过符号运算，将大于等于0.5的数，赋值为“1”，其余赋值为“-1”，以得到二值混沌矩阵C'(i,j))；

4)将原图的DCT系数矩阵D(i,j)和二值混沌矩阵C'(i,j)进行点乘运算，获得加密后的DCT系数矩阵ED(i,j)；

ED(i,j)＝D(i,j).*C'(i,j)

5)对系数矩阵ED(i,j)进行DCT反变换，得到加密医学图像EI(i,j)；

EI(i,j)＝IDCT(ED(i,j))

第二部分：多重水印的加密

6)获取二值混沌矩阵

首先根据初始值x₀生成一维混沌序列X(j)，通过升维运算得到二维矩阵；然后，将混沌序列X(j)通过符号运算，将大于等于0.5的元素赋值为“1”，其余赋值为“0”，以得到二值混沌矩阵C(i,j)。

7)得到混沌加密的水印

将二值水印W^k(i,j)和二值混沌矩阵C(i,j)经过异或运算得到加密的多重水印EW^k(i,j)；

${\mathrm{EW}}^k(i,j)=W^k(i,j)\⊕C(i,j)$

第三部分：多重水印EW^k(i,j)的嵌入

8)提取加密医学图像EI(i,j)的特征向量

对加密医学图像EI(i,j)进行DCT变换，得到DCT系数矩阵ED(i,j)，选取系数中前L个，通过符号运算得到加密图像的视觉特征向量EV(j)＝{ev(j)|ev(j)＝0,1；1≤j≤L}，L为所取的DCT变换系数的个数，表示如下：

ED(i,j)＝DCT2(EI(i,j))

EV(j)＝sign(ED(i,j))

9)嵌入水印并得到逻辑密钥

将特征向量EV(j)和加密后的多重水印EW^k(i,j)逐位进行异或运算，便可将水印嵌入到加密图像中，同时得到逻辑密钥Key^k(i,j)；

${\mathrm{Key}}^k(i,j)={\mathrm{EW}}^k(i,j)\⊕\mathrm{EV}\left(j\right)$

保存Key^k(i,j)，这在后面提取水印时要用到。通过将Key^k(i,j)作为密钥向第三方申请，可以获得原始医学图像的所有权和使用权，从而达到保护医学图像的目的；

第四部分：多重水印的提取

10)提取待测加密医学图像EI'(i,j)的特征向量

对待测的加密医学图像进行DCT变换，得到DCT系数矩阵ED'(i,j)，选取系数中前L个，通过符号运算得到待测加密图像的视觉特征向量EV'(j)＝{v(j)|v(j)＝0,1≤j≤L}。L为所取的DCT变换系数的个数，本文为32个；

ED'(i,j)＝DCT2(EI'(i,j))

EV'(j)＝sign(ED'(i,j))

11)提取多重水印EW^k'(i,j)

将待测加密图像的特征向量EV'(j)和逻辑密钥Key^k(i,j)进行异或运算，便提取出加密的多重水印EW^k'(i,j)；

${\mathrm{EW}}^{k\′}(i,j)={\mathrm{Key}}^k(i,j)\⊕{\mathrm{EV}}^{\′}\left(j\right)$

该算法在提取水印时只需要密钥Key^k(i,j)，不需要原始图像参与，是一种盲水印提取算法；

第五部分：多重水印的还原

12)获取二值混沌加密矩阵C(i,j)

利用和水印加密同样的方法，得到相同的二值混沌矩阵C(i,j)；

13)还原提取出的加密水印

将二值混沌矩阵C(i,j)和提取出的加密多重水印EW^k(i,j)经过异或运算便得到还原的多重水印W^k'(i,j)；

$W^{k\′}(i,j)=C(i,j)\⊕{\mathrm{EW}}^k(i,j)$

通过计算W^k(i,j)和W^k'(i,j)的相关系数NC，确定医学图像的所有权和嵌入的水印信息；

第六部分：加密原始医学图像EI(i,j)的还原

14)生成二值加密矩阵

利用和原始图像加密同样的方法，生成相同的二值混沌矩阵C'(i,j)；

15)获取加密医学图像的DCT系数矩阵

对加密医学图像进行DCT变换，得到DCT系数矩阵ED'(i,j)；

ED(i,j)＝DCT(EI(i,j))

16)得到解密的原始医学图像I(i,j)

将加密图像的DCT系数矩阵ED(i,j)和二值混沌加密矩阵C'(i,j)进行点乘运算，得到解密的DCT系数矩阵D'(i,j)，再对其进行DCT反变换，便可得到解密还原的待测的医学图像I(i,j)；

D(i,j)＝ED(i,j).*C'(i,j)

I(i,j)＝IDCT(D(i,j))

本算法基于DCT和Logistic混沌映射，兼顾了DCT计算速度快，精度高，兼容性好的优点和混沌系统遍历性、对初始值的高度敏感性、伪随机性、数据混合性等特点，对水印和医学图像都进行加密，相对于传统的只是将水印信息加密的技术相比，对于医学图像本身具有更高的安全性。医学图像作为一类特殊图像，要求原始数据具有完整性。本算法由于采用零水印嵌入技术，很好地解决了传统的水印嵌入技术对原图数据修改造成的缺陷，保证了医学图像的质量。利用第三方的概念，适应了现今网络技术的实用化和规范化。

以下从理论基础和试验数据说明：

1)离散余弦变换(DCT)

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

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

二维离散余弦反变换(IDCT)公式如下：

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

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。

2)Logistic Map

混沌是一种貌似无规则的运动，指在确定性系统中出现的类似随机的过程。因此，有了它的初始值和参数，我们就能够生成这个混沌系统。最著名的一种混沌系统是Logistic Map，它是由以下公式给出的非线性映射：

x_k+1＝μx_k(1-x_k)

其中，0≤μ≤4称为增长参数，x_k∈(0,1)为系统变量，k是迭代次数。混沌动力系统的研究工作指出，当增长参数3.569945≤μ≤4时，Logistic Map工作于混沌状态。可以看到初始值有一个小小的不同将会导致混沌序列的显著差异。因此，以上的序列是一个理想的密钥序列。本文中设定μ＝4，不同的混沌序列由不同的初始值产生。

3)医学图像视觉特征向量的选取方法

目前，大部分的数字水印算法是直接将水印嵌入在图像的像素或者变换系数中。当含水印的图像受到轻微的局部扭曲，常常导致像素值或者变换系数值的突然变化。这样，嵌入的水印便会轻而易举地受到攻击。研究表明，对图像特征而言，相位比幅度更加重要；只要图像是相似的，其相位应该不会有太大的差异。我们通过对大量图像的DCT系数(低中频)观察发现，当对图像进行常见的几何变换时，DCT低中频部分系数的值可能会发生变化，但其符号基本保持不变。根据人的视觉特性(HVS)，低中频信号对人的视觉影响较大，代表着图像的主要特征，因此我们所选取医学图像的低中频系数符号作为视觉特征向量。

对原始医学图像图1进行Logistic加密，得到如图9所示的加密图像，再对其进行相应的图像操作，数据结果如表1所示。将加密后的医学图像进行全局DCT变换，在得到的DCT系数矩阵中取出C(1,1)～C(1,10)这十个低中频系数，并将正的DCT部分系数用“1”表示，负的系数和值为零的系数用“0”表示，从而得到对应的系数符号序列。我们发现，无论是常规攻击(高斯噪声，JPEG压缩，中值滤波)还是几何攻击(旋转，缩放，平移，剪切)，该符号序列和原图的符号序列都能保持较大的相关系数。

为了进一步验证符号序列可以作为图像的一个视觉特征向量，我们对不同的原始医学图像(图1-图8)，以及相应的Logistic混沌加密后的医学图像(图9-图16)进行DCT变换并得到DCT中低频部分系数符号序列后，计算它们之间的归一化相关系数。

表1.加密医学图像DCT变换低中频部分系数及受不同攻击后的变化值

部分系数单位：1.0e+003

另外，在计算相关系数时，为了保证统计特性，在对加密图像图9-图16中的图像进行测试时，符号序列个数取DCT系数矩阵左上角8x8子块共64个系数，数据处理结果见表2。可以发现，不同加密的测试图像之间的相关系数较小。按照本发明的基于变换域的图像加密方法，原始图像相似度较大的，加密后的相似度也较大。

综上所述，我们通过对全图DCT系数的分析，发现可利用DCT低中频系数的符号序列作为医学图像的视觉特征向量。

表2.不同加密图像间DCT部分系数符号序列相关系数

	V1	V2	V3	V4	V5	V6	V7	V8
									V1	1.00	0.32	0.09	0.08	0.07	-0.20	0.03	0.52
V2	0.32	1.00	0.40	-0.21	0.12	0.31	-0.09	0.21
									V3	0.09	0.40	1.00	-0.31	0.21	0.22	0.06	0.18
V4	0.08	-0.21	-0.31	1.00	-0.21	-0.15	-0.06	0.12
									V5	0.07	0.12	0.21	-0.21	1.00	-0.12	0.02	-0.02
V6	-0.20	0.31	0.22	-0.15	-0.12	1.00	0.03	-0.15
									V7	0.03	-0.09	0.06	-0.06	0.02	0.03	1.00	-0.06
V8	0.52	0.21	0.18	0.12	-0.02	-0.15	-0.06	1.00

附图说明

图1为用于测试的标准医学图像mri-1

图2为用于测试的标准医学图像mri-2

图3为用于测试的标准医学图像mri-3

图4为用于测试的标准医学图像engine

图5为用于测试的标准医学图像head

图6为用于测试的标准医学图像teddy bear

图7为用于测试的标准医学图像mri1-1 back1

图8为用于测试的标准医学图像mri1-1 back2

图9为mri-1混沌加密后的医学图像

图10为mri-2混沌加密后的医学图像

图11为mri-3混沌加密后的医学图像

图12为engine混沌加密后的医学图像

图13为head混沌加密后的医学图像

图14为teddy bear混沌加密后的医学图像

图15为mri1-1 back1混沌加密后的医学图像

图16为mri1-1 back2混沌加密后的医学图像

图17为原始水印1

图18为原始水印2

图19为原始水印3

图20为混沌加密的水印1

图21为混沌加密的水印2

图22为混沌加密的水印3

图23为图1混沌加密加密后的医学图像(未攻击)

图24为未攻击时提取的水印1(未攻击)

图25为未攻击时提取的水印2(未攻击)

图26为未攻击时提取的水印3(未攻击)

图27为图1混沌加密加密后的医学图像(高斯噪声3％)

图28为提取的水印1(高斯噪声3％)

图29为提取的水印2(高斯噪声3％)

图30为提取的水印3(高斯噪声3％)

图31为图1混沌加密加密后的医学图像(JPEG压缩40％)

图32为提取的水印1(JPEG压缩40％)

图33为提取的水印2(JPEG压缩40％)

图34为提取的水印3(JPEG压缩40％)

图35为图1混沌加密加密后的医学图像(中值滤波[3,3],20次)

图36为提取的水印1(中值滤波[3,3],20次)

图37为提取的水印2(中值滤波[3,3],20次)

图38为提取的水印3(中值滤波[3,3],20次)

图39为图1混沌加密加密后的医学图像(顺时针旋转5度)

图40为提取的水印1(顺时针旋转5度)

图41为提取的水印2(顺时针旋转5度)

图42为提取的水印3(顺时针旋转5度)

图43为图1混沌加密加密后的医学图像(顺时针旋转5度)

图44为提取的水印1(顺时针旋转5度)

图45为提取的水印2(顺时针旋转5度)

图46为提取的水印3(顺时针旋转5度)

图47为图1混沌加密加密后的医学图像(水平左移5％)

图48为提取的水印1(水平左移5％)

图49为提取的水印2(水平左移5％)

图50为提取的水印3(水平左移5％)

图51为图1混沌加密加密后的医学图像(垂直上移4％)

图52为提取的水印1(垂直上移4％)

图53为提取的水印2(垂直上移4％)

图54为提取的水印3(垂直上移4％)

图55为图1混沌加密加密后的医学图像(垂直下移4％)

图56为提取的水印1(垂直下移4％)

图57为提取的水印2(垂直下移4％)

图58为提取的水印3(垂直下移4％)

图59为图1混沌加密加密后的医学图像(Y方向剪切4％)

图60为提取的水印1(Y方向剪切4％)

图61为提取的水印2(Y方向剪切4％)

图62为提取的水印3(Y方向剪切4％)

具体实施方式

下面结合附图对本发明作进一步说明，图1为进行测试时所选用的原始医学图像。选择三个有意义的二值图像作为嵌入加密医学图像的三个水印，如图17-图19所示，记为W^k＝{w^k(i,j)|w^k(i,j)＝0,1；1≤i≤32,1≤j≤32,1≤k≤3}。在本次实验中，用于加密二值水印图片的Logistic混沌序列初始值为0.2，增长参数为4，迭代次数为32；用于加密原始医学图像的Logistic混沌序列初始值为0.135，增长参数为4，迭代次数为98999。原始水印图片和原始医学图像经过Logistic Map混沌加密后发生了很大的改变，这使得相关数据的安全性大大提高，如图9-图16及图20-图22所示。

通过水印算法检测出W^k'(i,j)后，再通过计算W^k(i,j)和W^k'(i,j)的归一化相关系数NC来判断是否有水印嵌入。简便起见，用NC1，NC2，NC3来表示与提取出的三个水印对应的三个相关系数，NC值越大，表明提取出的水印和原始水印相似度越高。

嵌入水印后的加密医学图像在没有受到攻击时，图片质量非常清晰，且提取出的三个水印的NC值均为1，可以准确地提取出嵌入的水印。为检验该水印算法的鲁棒性，接下来我们对嵌入水印的加密医学图像进行常规攻击和几何攻击实验。

(1)高斯噪声干扰

由图27-图30可知，当对含水印的加密医学图像进行强度为3％的高斯噪声攻击时，图像的PSNR值为16.077dB，和未受到攻击之前(90.1722dB)相比，尽管图像质量有明显的衰减，但提取出的水印图片仍然清晰可辨，且NC1＝0.9328，NC2＝0.9382，NC3＝0.9395。

观察表3中的数据，在高斯噪声强度高达30％时，三个水印的NC值都接近0.6，表明依然能提取出水印，表明本算法有较好的抗高斯噪声干扰能力。

表3.水印抗高斯噪声数据

噪声强度(％)	1	3	5	7	10	20	30
								PSNR(dB)	20.4574	16.077	14.1916	12.9944	11.7635	9.5736	8.6271
NC1	0.9455	0.9328	0.8162	0.8137	0.7365	0.6870	0.5921
								NC2	0.9124	0.9382	0.7874	0.7767	0.7637	0.6593	0.6143
NC3	0.9450	0.9395	0.8324	0.8269	0.7555	0.6841	0.6154

(2)JPEG压缩

由图31-图34可知，对含水印的加密图像进行压缩质量为40％的JPEG攻击，此时PSNR值为31.0869dB，加密图片出现方块效应，但提取出的三个水印的NC值分别为NC1＝0.85562,NC2＝0.88414,NC3＝0.88186。从表4中数据也可以看到，当压缩质量为10％时，提取出的三个水印的NC值均为1；当JPEG压缩质量为8％时，提取出的三个水印的NC值仍能达到0.7左右，表明本算法有较强的抗JPEG压缩能力。

表4.水印抗JPEG压缩数据

压缩质量(％)	8	10	20	40	60	80	100
								PSNR(dB)	25.5817	26.3970	28.9464	31.0869	32.5374	35.1678	58.9044
NC1	0.7314	1.0000	0.8086	0.8556	1.0000	0.9480	1.0000
								NC2	0.7698	1.0000	0.8026	0.8841	1.0000	0.9352	1.0000
NC3	0.7363	1.0000	0.8187	0.8819	1.0000	0.9533	1.0000

(3)中值滤波

由图35-图38可知，对含水印的加密图像进行[3,3]，20次中值滤波，此时PSNR值为25.7624dB，提取出的三个水印的NC值均为1；继续分析表5中的数据发现，在[3x3],[5x5],[7x7]下分别进行1，10和20次滤波，提取出的水印均具有较高的NC值，表明本算法有较强的抗中值滤波攻击能力。

表5.水印抗中值滤波数据

(4)旋转

如图39-图42，对含水印的加密图像顺时针旋转5度，PSNR值为17.746dB，提取出的水印NC值分别为0.72385，0.74965，0.74726。从表6可知，当旋转度数为20度时，提取的水印NC值还能达到0.6左右，表明本算法有较好的抗顺时针旋转攻击能力。

表6.水印抗顺时针旋转攻击数据

旋转度数(度)	-5	-10	-15	-20
					PSNR(dB)	17.7460	15.9073	14.9338	14.2165
NC1	0.7239	0.6819	0.6300	0.5627
					NC2	0.7470	0.7004	0.6540	0.5739
NC3	0.7473	0.7060	0.6648	0.5769

(5)缩放

由图43-图46，对含水印的加密图像进行0.5倍缩放(即缩小为原来的0.5倍)，发现提取出的水印NC值较高，依次为0.90764，0.94892，0.92858；进一步观察表7中的数据，当缩放因子为4(对原图放大4倍)时，提取出的多重水印NC值全为1，表明本算法具有较强的抗缩放攻击能力。

表7.水印抗缩放攻击数据

缩放因子	0.2	0.5	0.8	1	1.5	2	4
								NC1	0.8556	0.9076	0.9076	1.0000	1.0000	1.0000	1.0000
NC2	0.8902	0.9489	0.9489	1.0000	1.0000	1.0000	1.0000
								NC3	0.8627	0.9286	0.9686	1.0000	1.0000	1.0000	1.0000

(6)水平左移

由图47-图50，对含水印的加密图像进行水平左移5％，此时加密图像的PSNR值为14.547dB,提取出的三个水印的NC值依次为0.72385，0.75457和0.75274。再进一步观察表8中测得的数据，发现当图像水平左移百分比达到8％时，提取出的三个水印的NC值依然能达到0.6左右。由此可见，本算法具有很好的抗平移攻击能力。

表8.水印抗水平移动(左移)攻击数据

移动百分比(％)	4	6	8	10
					PSNR(dB)	14.7573	14.2976	13.5456	13.0452
NC1	0.7239	0.7239	0.5996	0.4603
					NC2	0.7546	0.7546	0.6524	0.5305
NC3	0.7527	0.7527	0.6319	0.5055

(7)垂直上移

由图51-图54，当对加密图像进行垂直上移4％攻击时，PSNR值变为17.6819dB，提取的水印NC值分别为0.67434，0.66542，0.67858，水印仍然可以辨别出来。观察表9中的数据，发现当上移百分比为8％时，NC值还能达到0.5左右，表明该算法具有很好的抗垂直上移攻击能力。

表9.水印抗垂直平移(上移)攻击数据

移动百分比(％)	4	6	8	10
					PSNR(dB)	17.6819	17.2043	16.4616	16.0538
NC1	0.6743	0.6743	0.5275	0.4133
					NC2	0.6654	0.6654	0.5571	0.3956
NC3	0.6786	0.6786	0.5303	0.4094

(8)垂直下移

由图55-图58，对含水印的加密图像进行垂直下移4％，此时PSNR值为18.051dB，提取的多水印NC值分别为0.82376，0.81478，0.85708；再进一步观察表10中的数据，发现当移动百分比达到10％时，提取出的水印NC值能达到0.6375，表明本算法具有较好的抗垂直下移攻击能力。

表10.水印抗垂直平移(下移)攻击数据

移动百分比(％)	4	6	8	10
					PSNR(dB)	18.0510	17.4042	16.9163	16.6233
NC1	0.8238	0.7717	0.7298	0.6375
					NC2	0.8148	0.7561	0.7096	0.6585
NC3	0.8571	0.7912	0.7499	0.6785

(9)Y方向剪切

由图59-图62，对含水印的加密图像进行Y方向剪切4％，提取出的水印NC值依次为0.94798，0.93522，0.95328，继续分析表11中的数据，可以看到，当剪切百分比为12％时，提取出的水印的NC值依次为0.7415，0.7637，0.7857，表明本算法具有较好的抗Y方向剪切攻击能力。

表11.水印抗剪切(Y方向)攻击数据

剪切百分比(％)	2	4	6	8	10	12
							NC1	0.9480	0.9480	0.8758	0.8758	0.7415	0.7415
NC2	0.9352	0.9352	0.8613	0.8613	0.7637	0.7637
							NC3	0.9533	0.9533	0.8683	0.8983	0.7857	0.7857

Claims (1)

1.云环境下一种加密医学图像鲁棒多水印实现方法其特征在于：基于全图DCT变换，在变换域中对原图进行加密，再将置乱后的水印嵌入到加密医学图像中，不仅将普通的水印技术与混沌加密、“第三方概念”有机结合起来，实现了数字水印的抗几何和常规攻击，而且使得原始图像也具有了很好的保密性；本发明所采用的方法包括原始图像加密、水印置乱、水印嵌入、水印提取、水印还原和加密图像还原六大部分；

第一部分：在变换域对原始医学图像I(i,j)加密，生成加密图像EI(i,j)

1)对原始医学图像I(i,j)进行全图DCT变换，获取系数矩阵D(i,j)

D(i,j)＝DCT(I(i,j))

2)根据初始值y₀，应用Logistic Map生成一个混沌序列L(j)；

3)通过对L(j)升维运算得到二维矩阵，然后将混沌矩阵通过符号运算，将大于等于0.5的数，赋值为“1”，其余赋值为“-1”，以得到二值混沌矩阵C'(i,j))；

4)将原图的DCT系数矩阵D(i,j)和二值混沌矩阵C'(i,j)进行点乘运算，获得加密后的DCT系数矩阵ED(i,j)；

ED(i,j)＝D(i,j).*C'(i,j)

5)对系数矩阵ED(i,j)进行DCT反变换，得到加密医学图像EI(i,j)；

EI(i,j)＝IDCT(ED(i,j))

第二部分：多重水印的加密

6)获取二值混沌矩阵

首先根据初始值x₀生成一维混沌序列X(j)，通过升维运算得到二维矩阵；然后，将混沌序列X(j)通过符号运算，将大于等于0.5的元素赋值为“1”，其余赋值为“0”，以得到二值混沌矩阵C(i,j)。

7)得到混沌加密的水印

将二值水印W^k(i,j)和二值混沌矩阵C(i,j)经过异或运算得到加密的多重水印EW^k(i,j)；

${\mathrm{EW}}^k(i,j)=W^k(i,j)\⊕C(i,j)$

第三部分：多重水印EW^k(i,j)的嵌入

8)提取加密医学图像EI(i,j)的特征向量

对加密医学图像EI(i,j)进行DCT变换，得到DCT系数矩阵ED(i,j)，选取系数中前L个，通过符号运算得到加密图像的视觉特征向量EV(j)＝{EV(j)|EV(j)＝0,1；1≤j≤L}，L为所取的DCT变换系数的个数，表示如下：

ED(i,j)＝DCT2(EI(i,j))

EV(j)＝sign(ED(i,j))

9)嵌入水印并得到逻辑密钥

将特征向量EV(j)和加密后的多重水印EW^k(i,j)逐位进行异或运算，便可将水印嵌入到加密图像中，同时得到逻辑密钥Key^k(i,j)；

${\mathrm{Key}}^k(i,j)={\mathrm{EW}}^k(i,j)\⊕\mathrm{EV}\left(j\right)$

保存Key^k(i,j)，这在后面提取水印时要用到。通过将Key^k(i,j)作为密钥向第三方申请，可以获得原始医学图像的所有权和使用权，从而达到保护医学图像的目的；

第四部分：多重水印的提取

10)提取待测加密医学图像EI'(i,j)的特征向量

对待测的加密医学图像进行DCT变换，得到DCT系数矩阵ED'(i,j)，选取系数中前L个，通过符号运算得到待测加密图像的视觉特征向量EV'(j)＝{ev(j)|ev(j)＝0,1≤j≤L}。L为所取的DCT变换系数的个数，本文为32个；

ED'(i,j)＝DCT2(EI'(i,j))

EV'(j)＝sign(ED'(i,j))

11)提取多重水印

将待测加密图像的特征向量EV'(j)和逻辑密钥Key^k(i,j)进行异或运算，便提取出加密的多重水印EW^k'(i,j)；

${\mathrm{EW}}^{k\′}(i,j)={\mathrm{Key}}^k(i,j)\⊕{\mathrm{EV}}^{\′}\left(j\right)$

该算法在提取水印时只需要密钥Key^k(i,j)，不需要原始图像参与，是一种盲水印提取算法；

第五部分：多重水印的还原

12)获取二值混沌加密矩阵C(i,j)

利用和水印加密同样的方法，得到相同的二值混沌矩阵C(i,j)；13)还原提取出的加密水印

将二值混沌矩阵C(i,j)和提取出的加密多重水印EW^k(i,j)经过异或运算便得到还原的多重水印W^k'(i,j)；

$W^{k\′}(i,j)=C(i,j)\⊕{\mathrm{EW}}^k(i,j)$

通过计算W^k(i,j)和W^k'(i,j)的相关系数NC，确定医学图像的所有权和嵌入的水印信息；

第六部分：加密原始医学图像EI(i,j)的还原

14)生成二值加密矩阵

利用和原始图像加密同样的方法，生成相同的二值混沌矩阵C'(i,j)；

15)获取加密医学图像的DCT系数矩阵

对加密医学图像进行DCT变换，得到DCT系数矩阵ED'(i,j)；

ED(i,j)＝DCT(EI(i,j))

16)得到解密的原始医学图像I(i,j)

将加密图像的DCT系数矩阵ED(i,j)和二值混沌加密矩阵C'(i,j)进行点乘运算，得到解密的DCT系数矩阵D'(i,j)，再对其进行DCT反变换，便可得到解密还原的待测的医学图像I(i,j)；

D(i,j)＝ED(i,j).*C'(i,j)

I(i,j)＝IDCT(D(i,j))

本发明与现有的医学水印技术比较有以下优点：本算法对水印和医学图像都进行加密，相对于传统的只是将水印信息加密的技术相比，对于医学图像本身具有更高的安全性。