CN108022197A

CN108022197A - 一种基于多纹理度划分的医学图像可逆信息隐藏方法

Info

Publication number: CN108022197A
Application number: CN201711163520.4A
Authority: CN
Inventors: 杨杨; 才雪
Original assignee: Anhui University
Current assignee: Anhui University
Priority date: 2017-11-21
Filing date: 2017-11-21
Publication date: 2018-05-11
Anticipated expiration: 2037-11-21
Also published as: CN108022197B

Abstract

本发明涉及一种基于多纹理度划分的医学图像可逆信息隐藏方法，解决了暂无针对医学图像特性进行可逆信息隐藏的缺陷。本发明包括以下步骤：原始图像的获取，获取待处理的原始医学图像；嵌入过程，对原始医学图像进行直方图拉伸，区分出高纹理度等级像素和低纹理度等级像素，分别进行高纹理度等级信息、低纹理度等级信息、辅助信息的嵌入处理；载密图像的获得，通过嵌入过程获得处理后的载密图像。本发明实现不依赖嵌入率、具有高嵌入容量特性的对比度增强可逆信息隐藏方法。

Description

一种基于多纹理度划分的医学图像可逆信息隐藏方法

技术领域

本发明涉及图像信息隐藏技术领域，具体来说是一种基于多纹理度划分的医学图像可逆信息隐藏方法。

背景技术

近年来，可逆信息隐藏受到了广泛的关注。可逆信息隐藏是向原载体中(如图像、视频)嵌入秘密信息，得到与原载体质量相同或者高于原载体视觉质量载密载体，然后解密方从载密载体中将秘密信息提取出来，并无损的恢复原始载体。简而言之，可逆信息隐藏就是将信息嵌入到载体中同时保证解密方能够提取出秘密信息并且无损恢复原始载体。可逆信息隐藏技术可以确保提取信息后无损恢复载体，该技术可用于军事、司法、医学等图像的认证或标注，在这些应用中图像很敏感，轻微的修改也是不允许的。尤其在医学图像中，可逆信息隐藏可用来保护病人隐私。目前，具有对比度增强效果的可逆信息隐藏算法是信息隐藏领域的一个研究热点方向，大多数的算法均是用来在数字图像中嵌入不可见数据。

当原始载体为图像时，信息的嵌入率和图像的失真率是衡量可逆信息隐藏方法的两个重要标准。然而，高嵌入率和低失真率二者相互矛盾，实现较高的嵌入率的同时会引起更大的图像失真，反之亦然。峰值信噪比(PSNR)是衡量图像失真的一个常用指标，目前大多数的可逆信息隐藏方法都以追求较高的峰值信噪比为目标。在嵌入过程中，图像会产生失真，因此，尽管通过这些方法能够实现较高的峰值信噪比，但是图像视觉质量并没有提高甚至变差，导致已有的相关算法受到嵌入率的影响，未能实现较好的对比度增强效果。

医学图像是一类比较特殊的图像，其细微的改变都有可能影响到医生的诊断，因此对于这类图像，图像的视觉质量往往比峰值信噪比要重要的多。提高医学图像的对比度能使得图像的细节部分得以显现，从而提高诊断的精准性。

传统的可逆信息方法是通过语义无损压缩实现的，将图像进行无损压缩以便为嵌入多余的数据提供空间。这种方法压缩的图像与原图像应保持高度相似，从而保证载密图像的图像质量。新兴的针对医学图像可逆信息隐藏方法是利用传统的分割方法将医学图像的前后背景分离开，前景为包含医学图像关键信息的部分，背景为灰度值较为单一的部分，然后对前景和背景分别处理。

目前，根据运用的载体类型可分为基于像素直方图以及基于预测误差直方图的具有对比度增强效果的可逆信息隐藏方法。基于像素直方图的对比度增强的可逆信息隐藏方法主要为实现对比度增强的可逆信息隐藏方法，由于医学图像的背景中含有大量灰度单一的像素点，选取像素直方图中像素个数最多的灰度值多轮信息嵌入，会首先增强背景像素点的对比度，但这对于提高关键信息的细节并没有帮助。基于预测误差直方图的对比度增强的可逆信息隐藏方法包括基于复杂区域对比度增强的可逆信息隐藏方法，其目的在于通过增强纹理区域的对比度来提高图像边缘部分的分辨率，并且同时实现可逆信息隐藏方法。然而该方法并非从灰度上进行操作，因此其对比度增强效果有限。

对于普通的医学图像来讲，包含关键信息的部分一般图像纹理度较高，另一部分纹理度较低，不包含任何关键信息。高纹理度等级的像素点构成了医学图像的关键部分，其中包含大量影响医生诊断的信息；低等级的像素点构成了医学图像灰度较为单一的部分，不包含图像的关键信息。

因此，如何针对医学图像的实际特点实现一种不依赖高嵌入率的可逆信息隐藏方法已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中暂无针对医学图像特性进行可逆信息隐藏的缺陷，提供一种基于多纹理度划分的医学图像可逆信息隐藏方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于多纹理度划分的医学图像可逆信息隐藏方法，包括以下步骤：

11)原始图像的获取，获取待处理的原始医学图像；

12)嵌入过程，对原始医学图像进行直方图拉伸，区分出高纹理度等级像素和低纹理度等级像素，分别进行高纹理度等级信息、低纹理度等级信息、辅助信息的嵌入处理；

13)载密图像的获得，通过嵌入过程获得处理后的载密图像。

还包括原始图像的恢复，其步骤为针对载密图像提取出辅助信息，根据辅助信息先恢复高纹理度等级的像素并提取出秘密信息，再恢复低纹理度等级的像素并提取出秘密信息；根据高纹理度等级的像素和低纹理度等级的像素恢复拉伸前的原始图像。

所述的嵌入过程包括以下步骤：

31)对原始图像进行直方图拉伸，设定L_max和L_min的值，L_max为拉伸后的灰度最大值，L_min为拉伸后的灰度最小值，其拉伸公式如下所示：

其中，I_max为原始图像中像素点灰度值的最大值，I_min为原始图像中像素点灰度值的最小值，u_i,j为原始像素点灰度值，u′_i,j为直方图拉伸后对应像素点灰度值,round[]表示对公式结果四舍五入；

32)计算像素的纹理度，

定义一个像素点X_i,j周边每两个相邻像素点差的绝对值为此像素点的纹理度，则X_i,j的纹理度计算表达式如下：

其中，为在X_i,j周围12个像素点中两两垂直相邻的像素点的绝对差值，为在X_i,j周围12个像素点中两两水平相邻的像素点的绝对差值，为X_i,j周围12个像素点中两两垂直以及两两水平的相邻的像素点的绝对差值；

每一个纹理度的像素点对应生成一个集合h(n)，其表示如下：

h(n)＝#{1≤i≤N：n＝n_i}，

其中，#代表像素点的集合，N为图像像素点的总个数，n_i为像素点的纹理度，h(n)代表纹理度为n的像素点的集合；

33)对像素纹理度进行分级处理，其具体步骤如下：

331)计算出原始图像中每一个像素点的纹理度；

332)找出满足纹理度小于或等于n的像素点的个数，其表达式如下：

其中，N为图像像素点的个数，i表示为第i个像素点，#定义为在图像的像素点中，纹理度小于等于n的像素点的集合，S_j为满足右式中最小像素点个数对应的最小纹理度；

333)得到[0,S₀],[S₀₊₁,S₀],……[S_M-3+1,S_M-2]以及[S_M-2+1,∞]共M个区间，按照图像像素点的纹理度将该像素点对应到相应的区间中；

若根据纹理度像素点被划分到第j个区间，则该像素点的纹理度记为j，得到纹理度分为M个等级的像素点；

34)高、低纹理度等级的分类，

35)信息的嵌入，进行高纹理度等级信息的嵌入、低纹理度等级信息的嵌入和辅助信息的嵌入。

所述高、低纹理度等级的分类包括以下步骤：

41)假设纹理度等级为M，则像素的纹理度分为{0、1、2、3，…、M-2、M-1}共M个等级；

42)利用医学图像的纹理特点将图像划分为关键部分与灰度单一部分，其划分方法表示如下：

421)当M为偶数时，

其中，h_high(n)代表为纹理度等级大于等于M/2的所有像素点的集合，h_low(n)代表为纹理度等级小于M/2的所有像素点的集合；

422)当M为奇数时，

43)生成一幅全局定位图WholeLM对像素点进行标记，其中，高纹理度等级的像素点标记为1，低纹理度等级的像素点标记为0，并使用JBIG2的标准对其进行压缩；

44)生成局部定位图，若M为偶数，生成幅局部定位图；若M为奇数，生成幅局部定位图；其中，表示向上取整。

所述低纹理度等级信息的嵌入包括以下步骤：

51)将图像分为dot“o”和cross“x”两类像素，在嵌入时，先修改cross“x”的像素值，再对dot“o”进行信息嵌入；

52)像素点预测值的生成，

u_i,j的预测值u′_i,j通过其周围的四个dot“o”类型像素点求得，其表达式如下：

其预测误差d_i,j为：

d_i,j＝u_i,j-u′_i,j

若v_i,j-1为高纹理度等级，在计算u′_i,j时，使用的是未进行信息嵌入的v_i,j-1；即在计算预测误差时，若使用高纹理度等级的像素点，则使用的高纹理度等级像素点为嵌入信息之后的高纹理度等级像素点；

53)低纹理等级中所有cross“x”预测误差直方图的计算，

选出低纹理等级中预测误差个数最多的两个预测误差T_n和T_p进行信息嵌入，并且T_n<T_p；预测误差在区间[T_n,T_p]内用来嵌入的信息，不在区间内的预测误差进行平移；

其嵌入方法如下：

其中，d_i,j为原始预测误差,D_i,j是修正后的预测误差；

嵌入结束后，初始像素值u_i,j被修正为U_i,j：

U_i,j＝D_i,j+u′_i,j；

54)重复低纹理等级中所有cross“x”预测误差直方图的计算步骤，直到所有需要在cross“x”像素中嵌入的信息嵌入完成。

所述辅助信息的嵌入包括以下步骤：

61)取前图像第一行前十六个像素点的最低有效位构成序列S_LSB，确定直方图需要平移的轮数L，L最大为64，将轮数L以及序列S_LSB作为辅助信息的一部分嵌入到图像中；

62)计算出除这十六个像素之外的图像四周h行h列像素的灰度直方图；

63)找出灰度直方图中的具有最大像素个数的灰度值I_peak，

灰度值大于I_peak的向右平移，灰度值小于I_peak的保持不变，

按照以下表达式进行嵌入：

其中，要嵌入的辅助信息为M_Auxiliary∈{0,1}，i为原始灰度值，i′为嵌入信息后的灰度值；

64)前一轮的I_peak作为辅助信息的一部分嵌入到图像中，重复L-1次上述62)至63)步骤直到所有的辅助信息嵌入完成，从最后一轮的I_peak以及h各取出8位的信息替代前十六个像素的最低有效位。

所述信息提取以及原始图像的恢复包括以下步骤：

71)提取出图像第一行前十六个像素的最低有效位，从而得到最后一轮具有最大像素个数的灰度值I_peak以及h；

72)提取出最后一轮嵌入的关于直方图平移的辅助信息，其提取公式如下：

根据以下表达式恢复像素值，

恢复出在外周像素点中嵌入的所有辅助信息，其中包括WholeLM_Compress、PartLM_Compress、高纹理度等级中每个等级的最后一轮嵌入时具有最大像素个数的灰度值i_peak、低纹理度等级中的溢出定位图LML_Compress、L、前1轮的灰度值I_peak、以及前十六个像素点的最低有效位序列S_LSB；

将S_LsB中的值代替前十六个像素的最低有效位，最外周的像素恢复并提取出了所有的辅助信息；

73)将WholeLM_Compress、PartLM_Compress解压，根据WholeLM分辨出高低纹理度等级的像素点，根据PartLM分辨出每一个高纹理度等级的像素点，根据像素点对应等级中的每一个i_peak按下式恢复未嵌入信息的像素值，同时提取出嵌入的秘密信息；

74)低纹理度等级像素值的恢复，根据解压后的溢出定位图和T_n以及T_p恢复低纹理度等级的像素值并提取出秘密信息；

75)根据辅助信息中拉伸前的灰度最大值I_max、最小值I_min、拉伸后的最大值L_max以及最小值L_max恢复拉伸前的像素值，其计算公式如下：

所述低纹理度等级像素值的恢复包括以下步骤：

81)计算此时像素点的预测误差，其计算公式如下：

D_i,j＝U_i,j-u′_i,j

U_i,j为载密图像中的像素点，u′_i,j为载密图像中像素的预测值，D_i,j为载密图像的预测误差；

82)根据嵌入信息之后的预测误差提取出秘密信息，其计算公式如下：

b＝D_i,jmod2

mod表示用2整除D_i,j取余数，b为从载密图像中提取的秘密信息；

83)根据辅助信息中的阈值T_n、T_p恢复对比度增强之后的预测误差，其计算公式如下：

d_i,j为原始像素点的预测误差；

84)恢复对比度增强之后的像素值，其计算公式如下：

u_i,j＝u′_i,j+d_i,j

u_i,j为原始像素值。

有益效果

本发明的一种基于多纹理度划分的医学图像可逆信息隐藏方法，与现有技术相比通过对比度拉伸的方法实现图像对比度增强，再利用医学图像纹理度的自身特点，将医学图像划分为高、低两类纹理度等级，并对不同的纹理度等级像素采用不同的嵌入方法，从而实现不依赖嵌入率、具有高嵌入容量特性的对比度增强可逆信息隐藏方法。

本发明通过对直方图的拉伸有效地增强了图像对比度；通过纹理度等级的划分步骤，利用像素点的纹理度将医学图像中包含关键信息的部分和灰度单一的部分区别开；通过高纹理度等级和低等级部分采用不同的嵌入方式，保证了关键部分的图像质量并且提高了图像的整体嵌入率；同时为了防止辅助信息影响整体的嵌入率，本发明使用图像最外周的像素进行辅助信息的嵌入。本发明与多个传统的具有对比度增强效果可逆信息隐藏方法相比，载密图像的对比度增强效果均为最好。

附图说明

图1为本发明的方法顺序图；

图2为本发明中像素的纹理度计算示意图；

图3a、图3b为随机选取的两幅医学图像图；

图4a为纹理度等级划分为2时图3a的第一等级像素即高纹理度等级像素分布情况；

图4b为纹理度等级划分为2时图3b的第一等级像素即高纹理度等级像素分布情况；

图5a为纹理度等级划分为3时图3a的第1等级像素分布情况；

图5b为纹理度等级划分为3时图3a的第2等级像素分布情况；

图5c为纹理度等级划分为3时图3a的高纹理度等级像素分布情况；

图5d为纹理度等级划分为3时图3b的第1等级像素分布情况；

图5e为纹理度等级划分为3时图3b的第2等级像素分布情况；

图5f为纹理度等级划分为3时图3b的高纹理度等级像素分布情况；

图6a为纹理度等级划分为4时图3a的第2等级像素分布情况；

图6b为纹理度等级划分为4时图3a的第3等级像素分布情况；

图6c为纹理度等级划分为4时图3a的高纹理度等级像素分布情况；

图6d为纹理度等级划分为4时图3b的第2等级像素分布情况；

图6e为纹理度等级划分为4时图3b的第3等级像素分布情况；

图6f为纹理度等级划分为4时图3b的高纹理度等级像素分布情况；

图7a为纹理度等级划分为5时图3a的第2等级像素分布情况；

图7b为纹理度等级划分为5时图3a的第3等级像素分布情况；

图7c为纹理度等级划分为5时图3a的第4等级像素分布情况；

图7d为纹理度等级划分为5时图3a的高纹理度等级像素分布情况；

图7e为纹理度等级划分为5时图3b的第2等级像素分布情况；

图7f为纹理度等级划分为5时图3b的第3等级像素分布情况；

图7g为纹理度等级划分为5时图3b的第4等级像素分布情况；

图7h为纹理度等级划分为5时图3b的高纹理度等级像素分布情况；

图8a为纹理度等级划分为6时图3a的第3等级像素分布情况；

图8b为纹理度等级划分为6时图3a的第4等级像素分布情况；

图8c为纹理度等级划分为6时图3a的第5等级像素分布情况；

图8d为纹理度等级划分为6时图3a的高纹理度等级像素分布情况；

图8e为纹理度等级划分为6时图3b的第3等级像素分布情况；

图8f为纹理度等级划分为6时图3b的第4等级像素分布情况；

图8g为纹理度等级划分为6时图3b的第5等级像素分布情况；

图8h为纹理度等级划分为6时图3b的高纹理度等级像素分布情况；

图9a为纹理度等级划分为7时图3a的第3等级像素分布情况；

图9b为纹理度等级划分为7时图3a的第4等级像素分布情况；

图9c为纹理度等级划分为7时图3a的第5等级像素分布情况；

图9d为纹理度等级划分为7时图3a的第6等级像素分布情况；

图9e为纹理度等级划分为7时图3a的高纹理度等级像素分布情况；

图9f为纹理度等级划分为7时图3b的第3等级像素分布情况；

图9g为纹理度等级划分为7时图3b的第4等级像素分布情况；

图9h为纹理度等级划分为7时图3b的第5等级像素分布情况；

图9i为纹理度等级划分为7时图3b的第6等级像素分布情况；

图9j为纹理度等级划分为7时图3b的高纹理度等级像素分布情况；

图10a为纹理度等级划分为8时图3a的第4等级像素分布情况；

图10b为纹理度等级划分为8时图3a的第5等级像素分布情况；

图10c为纹理度等级划分为8时图3a的第6等级像素分布情况；

图10d为纹理度等级划分为8时图3a的第7等级像素分布情况；

图10e为纹理度等级划分为8时图3a的高纹理度等级像素分布情况；

图10f为纹理度等级划分为8时图3b的第4等级像素分布情况；

图10g为纹理度等级划分为8时图3b的第5等级像素分布情况；

图10h为纹理度等级划分为8时图3b的第6等级像素分布情况；

图10i为纹理度等级划分为8时图3b的第7等级像素分布情况；

图10j为纹理度等级划分为8时图3b的高纹理度等级像素分布情况；

图11a为纹理度等级划分为2嵌入率为0.1bpp时图3a的载密图像；

图11b为纹理度等级划分为3嵌入率为0.1bpp时图3a的载密图像；

图11c为纹理度等级划分为4嵌入率为0.1bpp时图3a的载密图像；

图11d为纹理度等级划分为5嵌入率为0.1bpp时图3a的载密图像；

图11e为纹理度等级划分为6嵌入率为0.1bpp时图3a的载密图像；

图11f为纹理度等级划分为7嵌入率为0.1bpp时图3a的载密图像；

图11g为纹理度等级划分为8嵌入率为0.1bpp时图3a的载密图像；

图11h为纹理度等级划分为2嵌入率为1bpp时图3a的载密图像；

图11i为纹理度等级划分为3嵌入率为1bpp时图3a的载密图像；

图11j为纹理度等级划分为4嵌入率为1bpp时图3a的载密图像；

图11k为纹理度等级划分为5嵌入率为1bpp时图3a的载密图像；

图11l为纹理度等级划分为6嵌入率为1bpp时图3a的载密图像；

图11m为纹理度等级划分为7嵌入率为1bpp时图3a的载密图像；

图11n为纹理度等级划分为8嵌入率为1bpp时图3a的载密图像；

图11o为纹理度等级划分为2嵌入率为2bpp时图3a的载密图像；

图11p为纹理度等级划分为3嵌入率为2bpp时图3a的载密图像；

图11q为纹理度等级划分为4嵌入率为2bpp时图3a的载密图像；

图11r为纹理度等级划分为5嵌入率为2bpp时图3a的载密图像；

图11s为纹理度等级划分为6嵌入率为2bpp时图3a的载密图像；

图11t为纹理度等级划分为7嵌入率为2bpp时图3a的载密图像；

图11u为纹理度等级划分为8嵌入率为2bpp时图3a的载密图像；

图12a为纹理度等级划分为2嵌入率为0.1bpp时图3b的载密图像；

图12b为纹理度等级划分为3嵌入率为0.1bpp时图3b的载密图像；

图12c为纹理度等级划分为4嵌入率为0.1bpp时图3b的载密图像；

图12d为纹理度等级划分为5嵌入率为0.1bpp时图3b的载密图像；

图12e为纹理度等级划分为6嵌入率为0.1bpp时图3b的载密图像；

图12f为纹理度等级划分为7嵌入率为0.1bpp时图3b的载密图像；

图12g为纹理度等级划分为8嵌入率为0.1bpp时图3b的载密图像；

图12h为纹理度等级划分为2嵌入率为1bpp时图3b的载密图像；

图12i为纹理度等级划分为3嵌入率为1bpp时图3b的载密图像；

图12j为纹理度等级划分为4嵌入率为1bpp时图3b的载密图像；

图12k为纹理度等级划分为5嵌入率为1bpp时图3b的载密图像；

图12l为纹理度等级划分为6嵌入率为1bpp时图3b的载密图像；

图12m为纹理度等级划分为7嵌入率为1bpp时图3b的载密图像；

图12n为纹理度等级划分为8嵌入率为1bpp时图3b的载密图像；

图12o为纹理度等级划分为2嵌入率为2bpp时图3b的载密图像；

图12p为纹理度等级划分为3嵌入率为2bpp时图3b的载密图像；

图12q为纹理度等级划分为4嵌入率为2bpp时图3b的载密图像；

图12r为纹理度等级划分为5嵌入率为2bpp时图3b的载密图像；

图12s为纹理度等级划分为6嵌入率为2bpp时图3b的载密图像；

图12t为纹理度等级划分为7嵌入率为2bpp时图3b的载密图像；

图12u为纹理度等级划分为8嵌入率为2bpp时图3b的载密图像；

图13a为使用自适应阈值分割方法分割图3a的前后背景；

图13b为使用自适应阈值分割方法分割图3b的前后背景；

图14a为嵌入率为0.1bpp时使用传统方法一图3a的载密图像；

图14b为嵌入率为0.1bpp时使用传统方法二图3a的载密图像；

图14c为嵌入率为0.1bpp时使用传统方法三图3a的载密图像；

图14d为嵌入率为0.1bpp时使用传统方法四图3a的载密图像；

图14e为嵌入率为0.1bpp时使用本发明最佳纹理度等级时图3a的载密图像；

图14f为嵌入率为1bpp时使用传统方法一图3a的载密图像；

图14g为嵌入率为1bpp时使用传统方法二图3a的的载密图像；

图14h为嵌入率为1bpp时使用传统方法三图3a的的载密图像；

图14i为嵌入率为1bpp时使用传统方法四图3a的的载密图像；

图14j为嵌入率为1bpp时使用本发明最佳纹理度等级时图3a的载密图像；

图14k为嵌入率为2bpp时使用传统方法一图3a的载密图像；

图14l为嵌入率为2bpp时使用传统方法二图3a的的载密图像；

图14m为嵌入率为2bpp时使用传统方法三图3a的的载密图像；

图14n为嵌入率为2bpp时使用传统方法四图3a的的载密图像；

图14o为嵌入率为2bpp时使用本发明最佳纹理度等级时图3a的载密图像；

图15a为嵌入率为0.1bpp时使用传统方法一图3b的载密图像；

图15b为嵌入率为0.1bpp时使用传统方法二图3b的载密图像；

图15c为嵌入率为0.1bpp时使用传统方法三图3b的载密图像；

图15d为嵌入率为0.1bpp时使用传统方法四图3b的载密图像；

图15e为嵌入率为0.1bpp时使用本发明最佳纹理度等级时图3b的载密图像；

图15f为嵌入率为1bpp时使用传统方法一图3b的载密图像；

图15g为嵌入率为1bpp时使用传统方法二图3b的的载密图像；

图15h为嵌入率为1bpp时使用传统方法三图3b的的载密图像；

图15i为嵌入率为1bpp时使用传统方法四图3b的的载密图像；

图15j为嵌入率为1bpp时使用本发明最佳纹理度等级时图3b的载密图像；

图15k为嵌入率为2bpp时使用传统方法一图3b的载密图像；

图15l为嵌入率为2bpp时使用传统方法二图3b的的载密图像；

图15m为嵌入率为2bpp时使用传统方法三图3b的的载密图像；

图15n为嵌入率为2bpp时使用传统方法四图3b的的载密图像；

图15o为嵌入率为2bpp时使用本发明最佳纹理度等级时图3b的载密图像；

图16为低纹理度等级信息嵌入时使用的菱形预测方法；

图17为辅助信息嵌入时采用的四周h行h列像素示意图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的一种基于多纹理度划分的医学图像可逆信息隐藏方法，包括以下步骤：

第一步，原始图像的获取，获取待处理的原始医学图像。

第二步，嵌入过程。对原始医学图像进行进行直方图拉伸，区分出高纹理度等级像素和低纹理度等级像素，分别进行高纹理度等级信息、低纹理度等级信息、辅助信息的嵌入处理。其具体步骤如下：

(1)对原始图像进行直方图拉伸。为了使医学图像的对比度增强效果不受信息的嵌入率限制，本发明首先对图像进行直方图拉伸，可以使图像在不同嵌入率下均能有效增强图像对比度。由于高纹理度区域含有医学图像的大量的细节信息，因此本发明采用具有直方图均衡化效果的嵌入方式进一步增强高纹理度区域的对比度。

设定L_max和L_min的值，L_max为拉伸后的灰度最大值，L_min为拉伸后的灰度最小值，其拉伸公式如下所示：

其中，I_max为原始图像中像素点灰度值的最大值，I_min为原始图像中像素点灰度值的最小值，u_i,j为原始像素点灰度值，u′_i,j为直方图拉伸后对应像素点灰度值,round[]表示对公式结果四舍五入。

一般来说，医学图像中包含关键信息的部分纹理度较高，另一部分灰度较为单一，纹理度较低，不包含任何关键信息，这也是医学图像的本身特性，因此，本发明中用纹理度等级的划分，是利用像素点的纹理度将医学图像中包含关键信息的部分和灰度单一的部分区别开，其包括计算像素的纹理度步骤和对像素纹理度进行分级处理步骤。

(2)计算像素的纹理度。

一般来说，医学图像中包含关键信息的部分纹理度较高，另一部分灰度较为单一，纹理度较低，不包含任何关键信息，这也是医学图像的本身特性，因此，本发明中用纹理度等级的划分，是利用像素点的纹理度将医学图像中包含关键信息的部分和灰度单一的部分区别开，其包括计算像素的纹理度步骤和对像素纹理度进行分级处理步骤。计算像素的纹理度步骤如下所述：

定义一个像素点X_i,j周边每两个相邻像素点差的绝对值为此像素点的纹理度，则如图2所示，X_i,j的纹理度计算表达式如下：

每一个纹理度的像素点对应生成一个集合h(n)，其表示如下：

h(n)＝#{1≤i≤N：n＝n_i}，

其中，#代表像素点的集合，N为图像像素点的总个数，n_i为像素点的纹理度，h(n)代表纹理度为n的像素点的集合。

(3)对像素纹理度进行分级处理。在本发明中，嵌入时计算出每一个集合的灰度直方图进行处理。因此为了减少后续直方图的个数，减少纹理度的等级数，方便后续根据纹理度对像素进行处理，在此对像素纹理度进行分级处理。其具体步骤如下：

A、计算出原始图像中每一个像素点的纹理度；

B、找出满足纹理度小于或等于n的像素点的个数，其表达式如下：

C、得到[0,S₀],[S₀₊₁,S₀],……[S_M-3+1,S_M-2]以及[S_M-2+1,∞]共M个区间，按照图像像素点的纹理度将该像素点对应到相应的区间中；

若根据纹理度像素点被划分到第j个区间，则该像素点的纹理度记为j，得到纹理度分为M个等级的像素点。

(4)高、低纹理度等级的分类。以上直方图拉伸的目的是为了有效增强图像对比度；纹理度等级的划分是利用像素点的纹理度将医学图像中包含关键信息的部分和灰度单一的部分区别开，高纹理度等级和低等级部分采用不同的嵌入方式的目的是为了保证关键部分的图像质量并且提高图像的整体嵌入率；纹理度等级越高，含有的细节信息越多，故本发明从最高纹理度等级的像素点依次开始进行嵌入，直到所有的高纹理度等级全部嵌入完成。

目前有些技术采用传统的阈值分割方法将医学图像的前后背景分离开，但是传统阈值分割方法并不能精确的将医学图像的关键部分与灰度单一的部分分离开，这就造成了在某些嵌入率下，医学图像的前景与背景差异过大，从而影响到后续图像的使用。高、低纹理度等级的分类具体步骤如下：

A、假设纹理度等级为M，则像素的纹理度分为{0、1、2、3，…、M-2、M-1}共M个等级；

B、利用医学图像的纹理特点将图像划分为关键部分与灰度单一部分，其划分方法表示如下：

B1、当M为偶数时，

B2、当M为奇数时，

如图3a、图3b、图3c所示，以医学图像原图进行测试，随机选出用来说明高、低纹理度等级的区分情况。

图4、图5、图6、图7、图8、图9和图10可以看出，其分别为两幅图像在纹理度等级M从2依次取到8时的像素分布情况。为了便于观察，图中的黑色部分为所有的低纹理度等级，图4a、图5a、图5b、图5d、图5e、图6a、图6b、图6d、图6e、图7a、图7b、图7c、图7e、图7f、图7g、图8a、图8b、图8c、图8e、图8f、图8g、图9a、图9b、图9c、图9d、图9f、图9g、图9h、图9i、图10a、图10b、图10c、图10d、图10f、图10g、图10h以及图10i的白色部分为高纹理度等级的各个等级的像素，而图4b、图5c、图5f、图6c、图6f、图7d、图7h、图8d、图8h、图9e、图9j、图10e以及图10j的白色部分为所有的高纹理度等级像素。

以M＝8时为例，图10a、图10b、图10c、图10d、图10e为M＝8时图3a的像素分布情况。图10a中的白色部分为第4等级的像素点分布，图10b中的白色部分为第5等级的像素点分布，图10c中的白色部分为第6等级的像素点分布，图10d中的白色部分为第7等级的像素点分布，图10e中的白色部分为所有高纹理等级像素点分布，即图10e的白色部分为图10a～图10d所有白色部分的集合；从图中可以直观的观察出，除去图像的黑色部分，其余白色部分基本上构成了图像的核心部分。

在实际应用中，为了在后续信息提取时可以分辨出高、低纹理度等级的像素点，在此过程中可以生成一幅全局定位图WholeLM对像素点进行标记，其中，高纹理度等级的像素点标记为1，低纹理度等级的像素点标记为0，并使用JBIG2的标准对其进行压缩。

同时，为了区分出每个高纹理度等级的像素点，需要生成(若M为奇数，则需要表示向上取整)幅局部定位图。以M＝8为例，此时需要区分的较高等级为第4等级、第5等级、第6等级以及第7等级的像素点，共需要产生8/4＝2幅局部定位图PartLM1以及PartLM2；则在这两幅局部定位图中，各位置坐标标记方法如表1M＝8时局部定位图定义表所示。在第三行二进制中，把PartLM1作为二进制的最高位，PartLM2作为二进制的次高位(此处为最低)，若还有PartLM3，则把它作为二进制的最低位。简而言之，PartLM1作为二进制最高位，然后依次递减。生成局部定位图之后，采用JBIG2的标准对其进行压缩。

表1 M＝8时局部定位图定义表

PartLM1	0	0	1	1
					PartLM2	0	1	0	1
二进制	00	01	10	11
					对应十进制	0	1	2	3
对应纹理度等级	第4等级	第5等级	第6等级	第7等级

(5)信息的嵌入，进行高纹理度等级信息的嵌入、低纹理度等级信息的嵌入和辅助信息的嵌入。

其中，高纹理度等级信息的嵌入可以使用传统已公开方法。

提取出一幅图像的所有高纹理度等级的像素点。在嵌入时，要对每一个纹理度等级的像素进行嵌入：

h(n)＝#{1≤i≤N：n＝n_i}

当M为偶数时，n依次取为M-1、M-2、…、M/2，当M为奇数时，n依次取为M-1、M-2、…、(M-1)/2，然后从纹理度M-1到M/2(或(M-1)/2)依次进行信息嵌入，具体步骤如下：

A、计算出该等级的灰度直方图；

B、选出相邻灰度值像素个数为0的具有最大像素个数的灰度值，设其中i_peak为最大像素个数对应的灰度值，h(i_peak)为灰度值为i_peak的像素点的个数。

C、将信息嵌入到具有最大像素个数的灰度值中，对应的灰度值为i_peak，为了防止溢出，灰度值i_peak∈[0,126]的像素点向255方向进行嵌入，灰度值i_peak∈[129,255]向0方向进行嵌入。嵌入公式如下：

其中i为原始像素值，i′为嵌入信息之后的像素值，b∈{0,1}是要嵌入的信息，h(i)为灰度值为i的像素点的个数。

D、重复以上步骤B以及步骤C，直到所有的信息嵌入完成。

为了后续提取信息以及恢复原始像素值，在高纹理度等级进行信息嵌入时可以记录每一轮的具有最大像素个数的灰度值i_peak，并将其作为秘密信息的一部分嵌入到下一轮中，最后一轮的灰度值i_peak作为辅助信息的一部分。

其中，在低纹理度等级信息的嵌入过程中，由于医学图像低纹理度区域不包含任何的关键信息，因此可以不用考虑该区域的图像质量嵌入大量信息。

由于该区域较为平滑，因此其预测误差较为集中，整体呈现拉布拉斯分布，方差较小。在这种情况下，在低纹理度区域本发明采用改进后的Sachnev的方法进行信息嵌入。Sachnev方法用dot“o”像素点的值计算出所cross“x”像素点的预测误差。

如图16所示，u_i,j的预测值可以通过其周围的四个dot“o”类型像素点求得，方法如下：

若v_i,j-1为高纹理度等级，在计算u′_i,j时，使用的是未进行信息嵌入的v_i,j-1，即在计算预测误差时，若使用高纹理度等级的像素点，则使用的为嵌入信息之后的高纹理度等级像素点。

首先选出两个阈值T_n和T_p，预测误差在区间[T_n,T_p]内的用来嵌入信息，将不在区间内的预测误差进行平移，以便为信息嵌入留出足够的空间。预测误差属于[T_n,T_p]可以用来嵌入信息，预测误差不属于[T_n,T_p]用来平移。在选取T_n和T_p时，本发明选取的为预测误差直方图中具有最大像素个数的预测误差，然后进行信息嵌入。b∈{0,1}是要嵌入的信息，则嵌入过程如下：

其中，d_i,j为原始预测误差,D_i,j是修正后的预测误差。嵌入完成之后，初始像素值u_i,j被修正为U_i,j：

U_i,j＝D_i,j+u′_i,j

值得注意的是，由于Sachnev方法本身适用于嵌入率小于1的情景，因此为了满足高嵌入率的要求，本发明在低纹理度区域进行多轮预测误差直方图平移嵌入，直到满足要求的嵌入率。

低纹理度等级信息的嵌入具体包括以下步骤：

A、将图像分为dot“o”和cross“x”两类像素，在嵌入时，先修改cross“x”的像素值，再对dot“o”进行信息嵌入；

B、像素点预测值的生成，

u_i,j的预测值通过其周围的四个dot“o”类型像素点求得，其表达式如下：

其中，u′_i,j为u_i,j的预测值；

其预测误差d_i,j为：

d_i,j＝u_i,j-u′_i,j

若v_i,j-1为高纹理度等级，在计算u′_i,j时，使用的是未进行信息嵌入的v_i,j-1，即在计算预测误差时，若使用高纹理度等级的像素点，则使用的高纹理度等级像素点为嵌入信息之后的高纹理度等级像素点。

C、低纹理等级中所有cross“x”预测误差直方图的计算，

选出低纹理等级中预测误差个数最多的两个预测误差T_n和T_p进行信息嵌入，并且T_n<T_p；

设定预测误差在区间[T_n,T_p]内用来嵌入的信息，不在区间内的预测误差进行平移；

其嵌入方法如下：

其中，d_i,j为原始预测误差,D_i,j是修正后的预测误差；

嵌入结束后，初始像素值u_i,j被修正为U_i,j：

U_i,j＝D_i,j+u′_i,j；

D、重复低纹理等级中所有cross“x”预测误差直方图的计算步骤，直到所有需要在cross“x”像素中嵌入的信息嵌入完成。

本发明将像素分为高纹理度等级区域以及低纹理度等级区域，为了进一步增强高纹理度等级的对比度以及实现高嵌入率，本发明对高纹理度等级以及低纹理度等级采用不同的嵌入方式。在对所有高纹理度等级进行嵌入时，按照纹理度由高到低的顺序分别对每个纹理度等级的像素点进行嵌入，低纹理度等级进行嵌入时，将所有的低纹理度等级合并为一个等级进行信息嵌入，因此，为了在信息提取以及图像恢复时区分出高低纹理度等级以及高纹理度等级中的每一个等级的像素点，在嵌入过程中需要生成一些辅助信息。

另外，图像四周区域几乎不包含任何关键信息，为了辅助信息不影响整体的嵌入率，假设图像尺寸为m*n，如图17所示，本发明将辅助信息嵌入到这些最外周h行以及h列的像素点中。需要注意的是，这些像素点不做纹理度分级处理，即既不包含在高纹理度等级中，也不包含在低纹理度等级中。

其中，辅助信息的嵌入包括以下步骤：

A、取前图像第一行前十六个像素点的最低有效位构成序列S_LSB，确定直方图需要平移的轮数L，由于图像四周像素点不包含任何的关键信息，因此可以不考虑该部分的图像质量进行平移，一般来说，最高可取到64，并将轮数L以及序列S_LSB作为辅助信息的一部分嵌入到图像中；

B、计算出除这十六个像素之外的图像四周h行h列像素的灰度直方图；

C、找出灰度直方图中的具有最大像素个数的灰度值I_peak，

灰度值大于I_peak的向右平移，灰度值小于I_peak的保持不变，

按照以下表达式进行嵌入：

D、前一轮的I_peak作为辅助信息的一部分嵌入到图像中，重复L-1次上述B至C步骤直到所有的辅助信息嵌入完成，从最后一轮的I_peak以及h各取出8位的信息替代前十六个像素的最低有效位。

第三步，载密图像的获得，通过嵌入过程获得处理后的载密图像。生成的载密图像具有以下特点：对比度得到显著增强；含有秘密信息；视觉失真并不明显。

第四步，信息提取以及原始图像的恢复。

其步骤为针对载密图像提取出辅助信息，根据辅助信息先恢复高纹理度等级的像素并提取出秘密信息，再恢复低纹理度等级的像素并提取出秘密信息；根据高纹理度等级的像素和低纹理度等级的像素恢复拉伸前的原始图像。其包括以下步骤：

(1)提取出图像第一行前十六个像素的最低有效位，从而得到最后一轮具有最大像素个数的灰度值I_peak以及h；

(2)提取出最后一轮嵌入的关于直方图平移的辅助信息，其提取公式如下：

其中包括L、前1轮的灰度值I_peak以及前十六个像素点的最低有效位序列S_LSB；

根据以下表达式恢复像素值，

恢复出在外周像素点中嵌入的所有辅助信息，其中包括WholeLM_Compress、PartLM_Compress、高纹理度等级中每个等级的最后一轮嵌入时具有最大像素个数的灰度值i_peak、低纹理度等级中的溢出定位图LML_Compress；

(3)将WholeLM_Compress、PartLM_Compress解压，根据WholeLM分辨出高低纹理度等级的像素点，根据PartLM分辨出每一个高纹理度等级的像素点，根据像素点对应等级中的每一个i_peak按下式恢复未嵌入信息的像素值，同时提取出嵌入的秘密信息；

(4)低纹理度等级像素值的恢复，根据解压后的溢出定位图和T_n以及T_p恢复低纹理度等级的像素值并提取出秘密信息。所述低纹理度等级像素值的恢复包括以下步骤：

A、计算此时像素点的预测误差，其计算公式如下：

D_i,j＝U_i,j-u′_i,j

B、根据嵌入信息之后的预测误差提取出秘密信息，其计算公式如下：

b＝D_i,jmod 2

C、根据辅助信息中的阈值T_n、T_p恢复对比度增强之后的预测误差，其计算公式如下：

d_i,j为原始像素点的预测误差；

D、恢复对比度增强之后的像素值，其计算公式如下：

u_i,j＝u′_i,j+d_i,j

u_i,j为原始像素值。

(5)根据辅助信息中拉伸前的灰度最大值I_max、最小值I_min、拉伸后的最大值L_max以及最小值L_max恢复拉伸前的像素值，其计算公式如下：

图3为两幅普通的医学图像库中的图像，图4至图10为这两幅图像在纹理度等级从2依次取到8时高纹理度各个等级的分布情况以及所有的高纹理度等级，从图中可以直观的观察出，高纹理度等级基本可以构成医学图像的关键部分。图11a～图11g、图11h～图11n、图11o～图11u、图12a～图12g、图12h～图12n和图12o～图12u分别为图3a和图3b在嵌入率分别为0.1bpp、1bpp以及2bpp时的载密图像，从图中可以看出，经过本发明处理的图像，对比度得到明显增强，且无明显失真。

现有技术中，部分技术是对医学图像直接进行整体信息嵌入，而不采用将医学图像的前后背景分别处理的算法，这些技术均有一个特点，即图像对比度的增强效果与图像的嵌入率有关。嵌入率越高，对比度增强效果越好。然而随着嵌入率的增加，图像对比度失真也就越严重。

还有些技术采用传统的阈值分割方法将医学图像的前后背景分离开，然后对医学图像的前后背景采用不同的嵌入方式进行信息嵌入。但是该方法使用的传统阈值分割方法并不能精确的将医学图像的关键部分与灰度单一的部分分离开，这就造成了在某些嵌入率下，医学图像的前景与背景差异过大，从而影响到后续图像的使用。

如表2图像11a～图像11u的客观图像质量评价参数结果对比表所示。

表2图像11a～图像11u以及图像12a～图像12u的客观图像质量评价参数结果对比表

表2为本发明在嵌入率分别为0.1bpp、1bpp以及2bpp时图3a以及图3b的客观评价参数，为了选出图像质量最好的纹理度分级,即M的取值，本发明采用针对对比度失真的无参图像质量评价(NR-CDIQA)来决定最终的M值，这是由于NR-CDIQA是一种基于机器学习计算的无参的针对对比度失真的图像质量评价方法，具有较高的统计意义，可以用来高效的评价对比度失真图像的质量；因此NR-CDIQA更能反映出图像的对比度失真情况，NR-CDIQA的值越高，代表图像质量越好。

如表3图像14a～图像14o的客观图像质量评价参数结果对比表和表4图像15a～图像15o的客观图像质量评价参数结果对比表所示。

表3图像14a～图像14o的客观图像质量评价参数结果对比表

表4图像15a～图像15o的客观图像质量评价参数结果对比表

表3和表4分别为使用传统方法以及本发明在M最佳取值时嵌入率分别为0.1bpp、1bpp以及2bpp时图3a以及图3b的客观评价参数，其中峰值信噪比(PSNR)和结构相似性(SSIM)是传统的图像质量评价参数，PSNR是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差，即基于误差敏感的图像质量评价,并未考虑到人眼的视觉特性，所以经常出现评价结果与人的主观感觉不一致的情况。SSIM函数是一种全参考的图像质量评价指标，其中的结构比较函数反映了图像的结构特征，然而SSIM也存在一些不足，比如忽略了人类视觉系统(Human Visual System HVS)的底层视觉特性，简单的线性建模难以描述高层视觉的图像结构信息。由于本发明首先对图像进行直方图拉伸提高对比度，故而对原始图像像素值的改变较大，而PSNR和SSIM是基于原始图像计算的评价结果，因此本发明的PSNR和SSIM值均低于其他方法。而NR-CDIQA是一种基于机器学习计算的无参的针对对比度失真的图像质量评价方法，具有较高的统计意义，可以用来高效的评价对比度失真图像的质量；因此NR-CDIQA更能反映出图像的对比度失真情况，NR-CDIQA的值越高，代表图像质量越好。从表4和表5中的数据来看，本发明的NR-CDIQA基本都高于其他方法。从而无论从主观还是客观来看，本发明的结果均高于其他方法。

究其原因，这是由于Wu的方法是选出图像灰度直方图中具有最大像素个数的两个灰度值嵌入信息，而医学图像中含有大量灰度单一的像素值，因此该方法会优先使用低纹理度的像素点进行信息嵌入，因此当信息的嵌入量较少时，直方图平移的轮数较少，因此图像的对比度没有得到有效增强。Gao的方法是在空间域和小波变换域分别嵌入信息，空间域的嵌入方法是在Wu的基础上选用了一个参数控制对比度增强的效果，因此在低嵌入率下，载密图像对比度增强效果并不明显。Yang的方法是选取图像的预测误差直方图两侧的预测误差进行嵌入，这是由于预测误差直方图两侧的预测误差较大，即纹理度较高的区域，从而实现对比度增强的目的，然而该方法未能较好的从灰度上增强图像的对比度，载密图像的对比度增强效果并不明显。Yang的方法采用的是传统的分割算法来划分ROI区域和NROI区域，前面我们已通过实验证明了本发明的纹理度等级划分对医学图像的关键部分划分更加准确，当M＝2时，本发明与Yang结果非常接近，这是由于高纹理度区域只包含一个等级。当纹理度等级M大于2时，高纹理度等级的划分更为细致，因此本发明的对比度增强效果更好。为了在低嵌入率下图像对比度也能得到显著增强，本发明首先对图像做了直方图拉伸。为了将医学图像的关键部分与其他部分区分开，本发明进一步利用像素的纹理度将图像分为高纹理度等级和低纹理度等级两部分。另外高纹理度等级包含医学图像的关键信息，因此为了进一步增强高纹理度等级的对比度，本发明对高纹理度等级采用了一种具有直方图均衡化效果的方法进行信息嵌入；而低纹理度等级不包含任何的关键信息，即灰度值单一，因此本发明采用改进的Sachnev方法进行信息嵌入，以此满足信息高嵌入率的要求。通过以上操作，无论嵌入率为0.1bpp、1bpp或者2bpp，本发明的NR-CDIQA的值明显大于其他方法。

从表格中可以看出，本发明的NR-CDIQA基本大于其他传统方法，故而可以认为本发明的载密图像对比度失真最小，即图像质量最好。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims

1.一种基于多纹理度划分的医学图像可逆信息隐藏方法，其特征在于，包括以下步骤：

11)原始图像的获取，获取待处理的原始医学图像；

13)载密图像的获得，通过嵌入过程获得处理后的载密图像。

2.根据权利要求1所述的一种基于多纹理度划分的医学图像可逆信息隐藏方法，其特征在于：还包括提取秘密信息以及原始图像的恢复，其步骤为针对载密图像提取出辅助信息，根据辅助信息先恢复高纹理度等级的像素并提取出秘密信息，再恢复低纹理度等级的像素并提取出秘密信息；根据高纹理度等级的像素和低纹理度等级的像素恢复拉伸前的原始图像。

3.根据权利要求1所述的一种基于多纹理度划分的医学图像可逆信息隐藏方法，其特征在于，所述的嵌入过程包括以下步骤：

<mrow> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>&prime;</mo> </msubsup> <mo>=</mo> <mi>r</mi> <mi>o</mi> <mi>u</mi> <mi>n</mi> <mi>d</mi> <mo>&lsqb;</mo> <mrow> <mo>(</mo> <msub> <mi>L</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>L</mi> <mi>min</mi> </msub> <mo>)</mo> </mrow> <mo>*</mo> <mfrac> <mrow> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>I</mi> <mi>min</mi> </msub> </mrow> <mrow> <msub> <mi>I</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>I</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> </mfrac> <mo>&rsqb;</mo> <mo>,</mo> </mrow>

32)计算像素的纹理度，

每一个纹理度的像素点对应生成一个集合h(n)，其表示如下：

h(n)＝#{1≤i≤N：n＝n_i}，

33)对像素纹理度进行分级处理，其具体步骤如下：

331)计算出原始图像中每一个像素点的纹理度；

<mrow> <msub> <mi>S</mi> <mi>j</mi> </msub> <mo>=</mo> <munder> <mrow> <mi>arg</mi> <mi>min</mi> </mrow> <mi>n</mi> </munder> <mo>{</mo> <mfrac> <mrow> <mo>#</mo> <mo>{</mo> <mn>1</mn> <mo>&le;</mo> <mi>i</mi> <mo>&le;</mo> <mi>N</mi> <mo>:</mo> <msub> <mi>n</mi> <mi>i</mi> </msub> <mo>&le;</mo> <mi>n</mi> <mo>}</mo> </mrow> <mi>N</mi> </mfrac> <mo>&GreaterEqual;</mo> <mfrac> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>M</mi> </mfrac> <mo>}</mo> <mo>,</mo> <mo>&ForAll;</mo> <mi>j</mi> <mo>&Element;</mo> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>M</mi> <mo>-</mo> <mn>2</mn> <mo>}</mo> <mo>,</mo> </mrow>

34)高、低纹理度等级的分类，

4.根据权利要求3所述的一种基于多纹理度划分的医学图像可逆信息隐藏方法，其特征在于，所述高、低纹理度等级的分类包括以下步骤：

421)当M为偶数时，

422)当M为奇数时，

5.根据权利要求3所述的一种基于多纹理度划分的医学图像可逆信息隐藏方法，其特征在于，所述低纹理度等级信息的嵌入包括以下步骤：

52)像素点预测值的生成，

<mrow> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>&prime;</mo> </msubsup> <mo>=</mo> <mo>&lsqb;</mo> <mfrac> <mrow> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> <mn>4</mn> </mfrac> <mo>&rsqb;</mo> <mo>;</mo> </mrow>

其预测误差d_i,j为：

d_i,j＝u_i,j-u′_i,j

53)低纹理等级中所有cross“x”预测误差直方图的计算，

其嵌入方法如下：

<mrow> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>2</mn> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>&Element;</mo> <mo>&lsqb;</mo> <msub> <mi>T</mi> <mi>n</mi> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>p</mi> </msub> <mo>&rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>T</mi> <mi>p</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>></mo> <msub> <mi>T</mi> <mi>p</mi> </msub> <mo>&GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>T</mi> <mi>n</mi> </msub> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo><</mo> <msub> <mi>T</mi> <mi>n</mi> </msub> <mo><</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

其中，d_i,j为原始预测误差,D_i,j是修正后的预测误差；

嵌入结束后，初始像素值u_i,j被修正为U_i,j：

U_i,j＝D_i,j+u′_i,j；

6.根据权利要求3所述的一种基于多纹理度划分的医学图像可逆信息隐藏方法，其特征在于，所述辅助信息的嵌入包括以下步骤：

61)取图像第一行前十六个像素点的最低有效位构成序列S_LSB，确定直方图需要平移的轮数L，L最大为64，将轮数L以及序列S_LSB作为辅助信息的一部分嵌入到图像中；

62)计算出图像四周h行h列像素(不包含第一行前十六个像素)的灰度直方图；

63)找出灰度直方图中的具有最大像素个数的灰度值I_peak，

灰度值大于I_peak的向右平移，灰度值小于I_peak的保持不变，

按照以下表达式进行嵌入：

<mrow> <msup> <mi>i</mi> <mo>&prime;</mo> </msup> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mo>></mo> <msub> <mi>I</mi> <mrow> <mi>p</mi> <mi>e</mi> <mi>a</mi> <mi>k</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>i</mi> <mo>+</mo> <msub> <mi>M</mi> <mrow> <mi>A</mi> <mi>u</mi> <mi>x</mi> <mi>i</mi> <mi>l</mi> <mi>i</mi> <mi>a</mi> <mi>r</mi> <mi>y</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mo>=</mo> <msub> <mi>I</mi> <mrow> <mi>p</mi> <mi>e</mi> <mi>a</mi> <mi>k</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mi>i</mi> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

7.根据权利要求2所述的一种基于多纹理度划分的医学图像可逆信息隐藏方法，其特征在于，所述信息提取以及原始图像的恢复包括以下步骤：

<mrow> <msub> <mi>M</mi> <mrow> <mi>A</mi> <mi>u</mi> <mi>x</mi> <mi>i</mi> <mi>l</mi> <mi>i</mi> <mi>a</mi> <mi>r</mi> <mi>y</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msup> <mi>i</mi> <mo>&prime;</mo> </msup> <mo>=</mo> <msub> <mi>I</mi> <mrow> <mi>p</mi> <mi>e</mi> <mi>a</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msup> <mi>i</mi> <mo>&prime;</mo> </msup> <mo>=</mo> <msub> <mi>I</mi> <mrow> <mi>p</mi> <mi>e</mi> <mi>a</mi> <mi>k</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

根据以下表达式恢复像素值，

<mrow> <mi>i</mi> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mtable> <mtr> <mtd> <mrow> <msup> <mi>i</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mi> </mi> <msup> <mi>i</mi> <mo>&prime;</mo> </msup> <mo>></mo> <msub> <mi>I</mi> <mrow> <mi>p</mi> <mi>e</mi> <mi>a</mi> <mi>k</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>i</mi> <mo>&prime;</mo> </msup> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

73)将WholeLM_Cpmpress、PartLM_Compress解压，根据WholeLM分辨出高低纹理度等级的像素点，根据PartLM分辨出每一个高纹理度等级的像素点，根据像素点对应等级中的每一个i_peak按下式恢复未嵌入信息的像素值，同时提取出嵌入的秘密信息；

<mrow> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mi>r</mi> <mi>o</mi> <mi>u</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mfrac> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>&prime;</mo> </msubsup> <mrow> <mo>(</mo> <msub> <mi>L</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>L</mi> <mi>min</mi> </msub> <mo>)</mo> </mrow> </mfrac> <mo>&times;</mo> <mo>(</mo> <mrow> <msub> <mi>I</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>I</mi> <mi>min</mi> </msub> </mrow> <mo>)</mo> <mo>+</mo> <msub> <mi>I</mi> <mi>min</mi> </msub> <mo>)</mo> </mrow> <mo>.</mo> </mrow>

8.根据权利要求7所述的一种基于多纹理度划分的医学图像可逆信息隐藏方法，其特征在于，所述低纹理度等级像素值的恢复包括以下步骤：

81)计算此时像素点的预测误差，其计算公式如下：

D_i,j＝U_i,j-u′_i,j

b＝D_i,jmod2

d_i,j为原始像素点的预测误差；

84)恢复对比度增强之后的像素值，其计算公式如下：

u_i,j＝u′_i,j+d_i,j

u_i,j为原始像素值。