CN110517181A - 基于Hough组合变换的医学图像零水印嵌入方法 - Google Patents
基于Hough组合变换的医学图像零水印嵌入方法 Download PDFInfo
- Publication number
- CN110517181A CN110517181A CN201910809384.4A CN201910809384A CN110517181A CN 110517181 A CN110517181 A CN 110517181A CN 201910809384 A CN201910809384 A CN 201910809384A CN 110517181 A CN110517181 A CN 110517181A
- Authority
- CN
- China
- Prior art keywords
- medical image
- scramble
- watermark
- hough
- watermarking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于Hough组合变换的医学图像零水印嵌入方法、装置、设备及可读存储介质,基于Hough变换和DCT变换对原始医学图像进行特征提取,兼顾了Hough变换抗干扰能力强、对图像残缺部分不敏感的特点和DCT变换抗常规攻击能力强、遍历性、鲁棒性的特点;采用零水印嵌入技术,避免了传统水印嵌入技术对原图修改造成的缺陷,保证了医学图像的质量;利用混沌序列对水印进行加密,弥补了传统数字水印不能对医学图像本身进行保护的缺点,具有很强的鲁棒性和不可见性,能同时保护患者隐私信息和医学图像的数据安全。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种基于Hough组合变换的医学图像零水印嵌入方法、装置、设备及可读存储介质。
背景技术
如今的时代,诸多技术因为信息化而产生了革新,传统技术收到前所未有的冲击与挑战,计算机技术无处不在,自然也被引入医学领域,目前,数字医疗图像成为当今医疗影像技术的主流。
数字医疗图的引入,为医学诊断提供了便捷,但是也带来些许弊端。例如,患者的病例档案存储在数据中,在带来方便快捷的同时也容易遭到恶意篡改。
零水印技术正好可以很好地解决这个问题,它可以对原始医学图像进行处理,将零水印技术与感知哈希技术相结合。零水印技术作为信息安全的安全技术,既能保证安全传输,又能实现信息认证,通过独特的不可见性、鲁棒性等特点,保护患者的隐私,并且零水印可以避免被篡改的医疗数据,从而利于实现远程医疗诊断,在实际应用中具有十分重要的用途。
因此,在数字医学图像被广泛应用于网络传输中的情况下,针对医学图像数字水印算法的研究变得极为重要。目前对于医学图像的数字水印算法的研究较少,对于抗几何攻击的医学数据的零水印算法的研究成果更少。而在未来将会面对的大量的医学数据传输问题,因此研究如何在医学数据中嵌入数字鲁棒水印意义重大,并且对于医学数据,一般是不允许修改其内容的,这又为在医学数据中嵌入水印提高了难度。
可见,如何避免医学图像信息和水印信息的泄露,并提升鲁棒性,是亟待本领域技术人员解决的问题。
发明内容
本申请的目的是提供一种基于Hough组合变换的医学图像零水印嵌入方法、装置、设备及可读存储介质,用以解决传统的水印嵌入方案无法避免医学图像信息和水印信息的泄露,且鲁棒性较差的问题。具体方案如下。
第一方面,本申请提供了一种基于Hough组合变换的医学图像零水印嵌入方法,包括:
获取原始医学图像和根据患者信息生成的水印图像;
利用Canny算法对所述原始医学图像分别进行边缘提取,得到边缘特征集合;对所述边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取所述系数矩阵中预设数量的中低频系数的二值符号,以作为所述原始医学图像的视觉特征序列;
获取混沌序列,根据所述混沌序列对所述水印图像进行混沌置乱,得到置乱的水印图像;
对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入。
优选的,所述根据所述混沌序列对所述水印图像进行混沌置乱,得到置乱的水印图像,包括:
将所述混沌序列中的序列值按照从小到大的顺序进行排序,根据排序结果中各个所述序列值的位置变化对所述水印图像中像素的空间位置进行调整,得到置乱的水印图像。
优选的,在所述对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥之后,还包括:
根据水印提取请求,确定待测医学图像;
利用Canny算法对所述待测医学图像分别进行边缘提取,得到待测边缘特征集合;对所述待测边缘特征集合分别进行Hough变换和DCT变换,得到待测系数矩阵;提取所述待测系数矩阵中所述预设数量的中低频系数的二值符号,以作为所述待测医学图像的视觉特征序列;
对所述待测医学图像的视觉特征序列和所述逻辑密钥进行异或运算,得到所述待测医学图像中置乱的水印图像。
优选的,在所述对所述待测医学图像的视觉特征序列和所述逻辑密钥进行异或运算,得到所述待测医学图像中置乱的水印图像之后,还包括:
根据所述混沌序列对所述置乱的水印图像进行还原,得到原始的水印图像。
优选的,在所述根据所述混沌序列对所述置乱的水印图像进行还原,得到原始的水印图像之后,还包括:
根据从所述待测医学图像中提取得到的所述置乱的水印图像和所述原始的水印图像,确定归一化相关系数。
优选的,所述提取所述系数矩阵中预设数量的中低频系数的二值符号,以作为所述原始医学图像的视觉特征序列,包括:
提取所述系数矩阵中32*1的中低频系数,利用Hash函数将所述32*1的中低频系数转换为二值符号,得到所述原始医学图像的视觉特征序列。
第二方面,本申请提供了一种基于Hough组合变换的医学图像零水印嵌入装置,包括:
原始图像获取模块:用于获取原始医学图像和根据患者信息生成的水印图像;
原始特征提取模块:用于利用Canny算法对所述原始医学图像分别进行边缘提取,得到边缘特征集合;对所述边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取所述系数矩阵中预设数量的中低频系数的二值符号,以作为所述原始医学图像的视觉特征序列;
水印置乱模块:用于获取混沌序列,根据所述混沌序列对所述水印图像进行混沌置乱,得到置乱的水印图像;
水印嵌入模块:用于对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入。
优选的,所述水印置乱模块具体用于:
将所述混沌序列中的序列值按照从小到大的顺序进行排序,根据排序结果中各个所述序列值的位置变化对所述水印图像中像素的空间位置进行调整,得到置乱的水印图像。
第三方面,本申请提供了一种基于Hough组合变换的医学图像零水印嵌入设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如上所述的一种基于Hough组合变换的医学图像零水印嵌入方法的步骤。
第四方面,本申请提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上所述的一种基于Hough组合变换的医学图像零水印嵌入方法的步骤。
本申请所提供的一种基于Hough组合变换的医学图像零水印嵌入方法、装置、设备及可读存储介质,方案包括:获取原始医学图像和根据患者信息生成的水印图像;利用Canny算法对原始医学图像分别进行边缘提取,得到边缘特征集合;对边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取系数矩阵中预设数量的中低频系数的二值符号,以作为原始医学图像的视觉特征序列;获取混沌序列,根据混沌序列对水印图像进行混沌置乱,得到置乱的水印图像;对视觉特征序列和置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入。
可见,该方案基于Hough变换和DCT变换对原始医学图像进行特征提取,兼顾了Hough变换抗干扰能力强、对图像残缺部分不敏感的特点和DCT变换抗常规攻击能力强、遍历性、鲁棒性的特点;采用零水印嵌入技术,避免了传统水印嵌入技术对原图修改造成的缺陷,保证了医学图像的质量;利用混沌序列对水印进行加密,弥补了传统数字水印不能对医学图像本身进行保护的缺点,具有很强的鲁棒性和不可见性,能同时保护患者的隐私信息和医学图像的数据安全。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种基于Hough组合变换的医学图像零水印嵌入方法实施例一的实现流程图;
图2为本申请所提供的一种基于Hough组合变换的医学图像零水印嵌入方法实施例一中Hough变换Hesse法线式的原理示意图;
图3为本申请所提供的一种基于Hough组合变换的医学图像零水印嵌入方法实施例二的实现流程图;
图4为本申请所提供的一种基于Hough组合变换的医学图像零水印嵌入装置实施例的功能框图;
图5为本申请所提供的一种基于Hough组合变换的医学图像零水印嵌入设备实施例的结构示意图。
具体实施方式
本申请的核心是提供一种基于Hough组合变换的医学图像零水印嵌入方法、装置、设备及可读存储介质,弥补了传统数字水印不能对医学图像本身进行保护的缺点,具有很强的鲁棒性和不可见性,能同时保护患者的隐私信息和医学图像的数据安全。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面对本申请提供的一种基于Hough组合变换的医学图像零水印嵌入方法实施例一进行介绍,参见图1,实施例一包括:
S101、获取原始医学图像和根据患者信息生成的水印图像;
S102、利用Canny算法对所述原始医学图像分别进行边缘提取,得到边缘特征集合;对所述边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取所述系数矩阵中预设数量的中低频系数的二值符号,以作为所述原始医学图像的视觉特征序列;
S103、获取混沌序列,根据所述混沌序列对所述水印图像进行混沌置乱,得到置乱的水印图像;
S104、对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入。
如上所述本实施例基于Hough变换、DCT变换和混沌置乱实现,下面分别对三者进行介绍:
Hough变换,即霍夫变换,是一种特征提取技术。霍夫变换主要用来辨别找出物件中的特征,例如线条。算法流程大致如下,给定一个物件、要辨别的形状的种类,算法会在参数空间中执行投票来决定物体的形状,而这是由累加空间里的局部最大值来决定。最基本的霍夫变换是从黑白图像中检测直线,直线的方程表示可以由斜率和截距表示,如下所示:y=mx+b。如果用参数空间表示则为(b,m),即用斜率和截距就能表示一条直线。但是这样可能存在参数问题,例如垂直线的斜率不存在或无限大,这使得斜率参数m的值接近于无限。为此,为了更好的计算,可以利用Hesse法线式,具体如下:r=xcosθ+ysinθ。其中r是原点到直线上最近点的距离,θ是x轴与连接原点和最近点直线之间的夹角,如图2所示。因此,可以将图像的每一条直线与一对参数(r,θ)相关联,这个参数(r,θ)平面有时被称为霍夫空间,用于二维直线的集合。Hough变换主要优点是能容忍特征边界描述中的间隙。
DCT变换(DCT for Discrete Cosine Transform),即离散余弦变换,是与傅里叶变换相关的一种变换,它类似于离散傅里叶变换,但是只使用实数。离散余弦变换相当于一个长度大概是它两倍的离散傅里叶变换,这个离散傅里叶变换是对一个实偶函数进行的(因为一个实偶函数的傅里叶变换仍然是一个实偶函数),在有些变形里面需要将输入或者输出的位置移动半个单位。根据离散傅里叶变换的性质,实偶函数的傅里叶变换只含实数的余弦项,因此构造了一种实数域的变换,即离散余弦变换。
通过研究发现,DCT除了具有一般的正交变换性质外,其变换阵的基向量很近似于Toeplitz矩阵的特征向量,体现了人类的语言、图像信号的相关特性。因此,在对语音、图像信号变换的确定的变换矩阵正交变换中,DCT变换被认为是一种准最佳变换。N×N图像的离散余弦变换公式如下:
在图像的接收端,根据DCT变换的可逆性,本实施例可以通过DCT反变换恢复出原始的图像信息。二维离散余弦反变换公式如下:
其中,f(x,y)为点(x,y)的像素值,f(u,v)为f(x,y)的二维DCT变换系数。
混沌置乱基于Logistic Map实现,Logistic Map是一种混沌映射,是一个具有混沌行为的简单动态非线性回归,其数学定义可以表示如下:xk+1=μ·xk·(1-xk)。其中x(k)属于(0,1),0<u<=4,实验表明当3.5699456<u<=4时,logistic映射进入混沌状态,Logistic混沌序列可以作为理想的密钥序列。
下面对本实施例提取原始医学图像的视觉特征序列的依据进行说明:
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有较大变化,这样便会使嵌入的水印很轻易的受到攻击。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,就可以通过视觉特征向量比对水印图像,从而完成水印信息认证。
考虑到霍夫变换提取的精度较差,在检测过程中只能确定直线的方向,丢失了线段的长度信息,因此,将医疗图像的霍夫变换和离散余弦变换相结合,可以找到一个抗几何攻击的特征向量。当对一个医疗图像进行常规的几何变换时,Hough系数值的大小可能发生一些变化,但其系数符号基本保持不变。据这一规律,本实施例先对医疗图像进行霍夫变换,然后对其系数矩阵再进行全局DCT变换,并选取一些常规攻击和几何攻击后的实验数据见表1所示。
表1
表1中用作测试的医疗图像大小为256x256,表中第1列显示的是医疗图像受到攻击的类型。第4列到第7列,是在Hough-DCT系数矩阵中取的F(1,1)—F(4,1),共4个低中频系数,共4x2=8个低中频系数(这里把一个复数,看成实部和虚部两个系数)。对于常规攻击,这些低中频系数值的符号基本保持不变,和医疗图像值近似相等;对于几何攻击,部分系数有较大变化,但是可以发现,医疗图像在受到几何攻击时,部分Hough-DCT低中频系数的大小发生了变化但其符号基本没有改变。本实施例将大于等于0的Hough-DCT系数用“1”表示,小于0的系数用“0”表示,那么对于医疗图像来说,Hough-DCT系数矩阵中的F(1,1)—FD(4,1)系数对应的系数符号序列为“10010110”,见表1第8列,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疗图像能保持相似,与原始医疗图像的归一化相关系数都较大,见第9列,方便起见这里取了4个DCT系数符号。Hough-DCT系数单位1.0e+003,相关系数取32bit对比结果。
至于特征向量选取的长度,根据人类视觉特性,低中频信号代表着医疗图像的主要特征,对人的视觉影响较大。因此所选取的医疗图像的视觉特征向量是低中频系数的符号。需要说明的是,低中频系数的个数选择与进行全图Hough-DCT变换的原始医疗图像的大小、医疗图像之间的相关性有关,L值越小,相关性会增大,因此本实施例不限定上述预设数量的具体大小,具体根据实际需求确定即可。
本实施例所提供一种基于Hough组合变换的医学图像零水印嵌入方法,方案包括:获取原始医学图像和根据患者信息生成的水印图像;利用Canny算法对原始医学图像分别进行边缘提取,得到边缘特征集合;对边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取系数矩阵中预设数量的中低频系数的二值符号,以作为原始医学图像的视觉特征序列;获取混沌序列,根据混沌序列对水印图像进行混沌置乱,得到置乱的水印图像;对视觉特征序列和置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入。
可见,该方案基于Hough变换和DCT变换对原始医学图像进行特征提取,兼顾了Hough变换抗干扰能力强、对图像残缺部分不敏感的特点和DCT变换抗常规攻击能力强、遍历性、鲁棒性的特点;采用零水印嵌入技术,避免了传统水印嵌入技术对原图修改造成的缺陷,保证了医学图像的质量;利用混沌序列对水印进行加密,弥补了传统数字水印不能对医学图像本身进行保护的缺点,具有很强的鲁棒性和不可见性,能同时保护患者的隐私信息和医学图像的数据安全。
下面开始详细介绍本申请提供的一种基于Hough组合变换的医学图像零水印嵌入方法实施例二,实施例二基于前述实施例一实现,并在实施例一的基础上进行了一定程度上的拓展。
参见图3,实施例二具体包括:
S201、获取原始医学图像和根据患者信息生成的水印图像;
选择一个有意义的二值文本图像作为嵌入医学图像的水印图像,记为W(i,j))={w(i,j)|w(i,j)=0,1;1≤i≤M1,1≤j≤M2}。同时,选取一个256*256的医学图像作为原始医学图像,例如腹部医学图像,记为I(i,j),W(i,j)和I(i,j)分别表示水印图像和原始医学图像的像素灰度值。
S202、利用Canny算法对所述原始医学图像分别进行边缘提取,得到边缘特征集合;对所述边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取所述系数矩阵中32*1的中低频系数,利用Hash函数将所述32*1的中低频系数转换为二值符号,得到所述原始医学图像的视觉特征序列;
本实施例中S202的目的在于在Hough-DCT变换下,提取医学图像的特征向量,具体过程包括:对原始医学图像I(i,j)用Canny算法进行边缘提取,获取P(i,j)边缘集合,其中P(i,j)=edge(I(i,j),'Canny');对P(i,j)边缘点集合进行Hough变换得到系数矩阵H(i,j),其中H(i,j)=HOUGH(P);对系数矩阵H(i,j)进行DCT变换,得到系数矩阵F(i,j),其中F(i,j)=DCT(H(i,j));选取F(i,j)中32*1个中低频系数构成新矩阵A(i,j);利用哈希函数,根据新矩阵A(i,j)生成32位医学图像的特征二值序列V(i,j),以作为原始医学图像的视觉特征序列。
S203、获取混沌序列,将所述混沌序列中的序列值按照从小到大的顺序进行排序,根据排序结果中各个所述序列值的位置变化对所述水印图像中像素的空间位置进行调整,得到置乱的水印图像;
具体的,首先根据初始值生成混沌序列X(j),该系统处于混沌状态有两个初始条件:初始值在0与1之间,生长参数在3.6与4之间。本实施例将混沌系数的初始值设为0.2,生长参数为4,迭代次数为32(水印为32位)。将混沌序列X(j)中的序列值按照由小及大顺序进行排序操作,接着依照混沌序列X(j)中各个值排序前后的位置变化对水印像素的位置空间进行置乱,得到混沌置乱的水印图像BW(i,j)。
S204、对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入;
将视觉特征序列V(i,j)和置乱的水印图像BW(i,j)逐位进行异或运算,便可将水印嵌入到医学图像中,同时得到逻辑密钥Key(i,j),保存Key(i,j),在后面提取水印时要用到。将Key(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。逻辑密钥生成公式如下:
Key(i,j)=BW(i,j)⊕V(i,j)
S205、根据水印提取请求,确定待测医学图像;
本实施例中,将待测医学图像记为I'(i,j)。
S206、利用Canny算法对所述待测医学图像分别进行边缘提取,得到待测边缘特征集合;对所述待测边缘特征集合分别进行Hough变换和DCT变换,得到待测系数矩阵;提取所述待测系数矩阵中所述预设数量的中低频系数的二值符号,以作为所述待测医学图像的视觉特征序列;
与前述提取原始医学图像的视觉特征的过程相对应,对于待测医学图像I'(i,j),首先进行边缘提取,再进行Hough变换,得到Hough系数矩阵后,再进行DCT变换得到系数矩阵D'(i,j),选取系数中32*1的模块,通过哈希函数得到待测医学图像的视觉特征序列V'(i,j)。
S207、对所述待测医学图像的视觉特征序列和所述逻辑密钥进行异或运算,得到所述待测医学图像中置乱的水印图像;
将待测医学图像的视觉特征序列V'(i,j)和逻辑密钥Key(i,j)进行异或运算,便提取出待测医学图像中置乱的水印图像BW'(i,j),该算法在提取水印时只需要密钥Key(i,j),不需要原始图像参与,是一种零水印提取算法。
S208、根据所述混沌序列对所述置乱的水印图像进行还原,得到原始的水印图像;
具体的,与前述水印加密过程相对应,获取二值混沌加密序列X(j),得到与加密过程相同的二值混沌矩阵X(j),依照由小及大的顺序对已经获取的二值混沌矩阵X(j)中的各个值做排序操作;然后,根据它中各个值排序前后的位置变化对水印中的像素的位置空间进行还原得到还原的水印W'(i,j)。
S209、根据从所述待测医学图像中提取得到的所述置乱的水印图像和所述原始的水印图像,确定归一化相关系数。
最终,采用归一化互相关方法(Cross-correlation)测量原始的水印图像与还原得到的原始水印之间的数量相似性,定义为:
其中,W(i,j)表示原始的水印图像W(i,j)的特征向量,其长度是32bit;W′(i,j)表示提取得到的水印图像W'(i,j)的特征向量,也是32bit。归一化相关系数是对两幅图像进行相似度衡量的一种方法,通过求归一化相关系数可以更加精确地用数据来客观评估图像的相似度。通过计算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,当其数值越接近1时,则相似度越高,从而判断算法的鲁棒性,确定医学图像的所有权和嵌入的水印信息。
下面通过具体实验来验证本实施例水印算法的抗常规攻击能力和抗几何攻击能力:
1、测试本实施例水印算法抗常规攻击的能力
(1)高斯噪声
使用imnoise()函数在水印中加入高斯噪声,用PSNR表示的图片的失真程度,当PSNR值越大,图片的失真度越小。表2是水印抗高斯噪声干扰的实验数据,从表2中可以看到,当高斯噪声强度高达5%时,攻击之后的图像的PSNR降至14.33dB,这时提取的水印,相关系数NC=0.11,不能准确得提取水印,这是因为该原理是针对边缘点提取特征,由于高斯噪声点过多,对图片质量影响过大,因此该方案对于高斯噪声过于敏感。对于高斯噪声强度为0.3%的医学图像,在视觉上与原始腹部医学图像已有明显差别,高斯噪声强度0.3%时提取的水印,NC=0.82。
表2
噪声强度(%) | 0.1 | 0.3 | 0.5 | 1 | 3 | 5 |
PSNR(dB) | 30.03 | 25.30 | 23.22 | 20.48 | 16.21 | 14.32 |
NC | 0.88 | 0.82 | 0.82 | 0.44 | 0.21 | 0.11 |
(2)JPEG压缩处理
采用图像压缩质量百分数作为参数对腹部医学图像进行JPEG压缩,表3为水印抗JPEG压缩的实验数据。当压缩质量仅为60%,这时图像质量较低,仍然可以提取出水印,NC=1.00。对于压缩质量为40%的医学图像,提取的水印的NC=1.00,也就是说可以准确提取水印。
表3
压缩质量(%) | 5 | 10 | 20 | 40 | 60 | 80 | 100 |
PSNR(dB) | 26.70 | 29.27 | 30.06 | 34.09 | 35.35 | 37.16 | 60.56 |
NC | 0.82 | 0.61 | 0.86 | 0.82 | 0.86 | 1 | 1 |
(3)中值滤波处理
表4为医学图像的水印抗中值滤波能力,从表4中看出,当中值滤波参数为[3x3],滤波重复次数为5时,仍然可以测得水印的存在,NC=0.89。对于中值滤波参数为[3x3],滤波重复次数为10的医学图像,图像已出现模糊,此时提取的水印,NC=0.94,可以提取水印;对于中值滤波参数为[5x5],滤波重复次数为10的医学图像,提取的水印,NC=0.77,也就是说可以提取水印,但较为模糊。
表4
2、本实施例水印算法抗几何攻击能力
(1)旋转变换
表5为水印抗旋转攻击实验数据,从表5中可以看到当图像顺时旋转4°时,NC=0.80,仍然可以较为准确地提取水印。对于顺时旋转10°的医学图像,提取的水印,NC=0.84,可以准确地提取水印。对于顺时旋转3°的医学图像,提取的水印,NC=0.75,可以提取水印。
表5
旋转度数° | 2 | 3 | 4 | 6 | 8 | 10 |
PSNR(dB) | 22.48 | 20.46 | 19.07 | 17.27 | 16.23 | 15.61 |
NC | 0.76 | 0.75 | 0.80 | 0.74 | 0.75 | 0.81 |
(2)缩放变换
表6为医学图像的水印抗缩放攻击实验数据,从表6可以看到当缩放因子小至0.8时,相关系数NC=0.95,可提取出水印。对于缩放后的医学图像,缩放因子为0.8,提取的水印,NC=0.95,可以准确得提取出水印。
表6
缩放因子 | 0.1 | 0.4 | 0.7 | 0.8 | 1 | 1.4 | 1.8 | 2 |
NC | 0.22 | 0.59 | 0.88 | 0.95 | 1 | 0.75 | 0.80 | 0.75 |
(3)平移变换
表7是水印抗平移变换实验数据,从表7中得知图像数据水平移动4%时,NC值都高于0.78,可以提取水印,故该水印方法有一般的抗平移变换能力。对于医学图像水平右移2%后的图像,可以准确提取水印,NC=0.86。对于医学图像水平右移4%后的图像,可以准确提取水印,NC=0.79。
表7
右移距离(%) | 2 | 4 | 6 |
PSNR(dB) | 16.06 | 14.67 | 14.35 |
NC | 0.86 | 0.79 | 0.52 |
(4)剪切攻击
表8为水印抗剪切攻击实验数据,从表8中可以看到,当沿坐标轴Y剪切医学图像,剪切量为15%时,NC值为0.6,仍然可以提取水印,说明该水印算法有较强的抗剪切攻击能力。对于沿Y轴剪切9%后的医学图像,可以准确得提取水印,NC=0.61。对于沿Y轴剪切3%后的医学图像,可以准确得提取水印,NC=0.86。
表8
Y方向剪切(%) | 3 | 6 | 9 | 15 |
NC | 0.86 | 0.79 | 0.61 | 0.60 |
可见,本实施例所提供一种基于Hough组合变换的医学图像零水印嵌入方法,对原始医学图像使用Canny算子进行边缘提取,得到边缘点集合P,然后基于Hough-DCT变换,得到医学图像的抗几何攻击的视觉特征序列;利用Logistic Map的性质在频域对二值文本水印进行置乱加密;将视觉特征序列与置乱的水印图像进行异或运算得到一个二值逻辑序列,称为逻辑密钥,并将逻辑密钥存于第三方;再通过对待测医学图像进行Hough-DCT变换提取其视觉特征序列,并与存于第三方的逻辑密钥进行异或运算来进行水印的提取。具有有较好的鲁棒性,针对旋转、缩放、剪切等几何攻击效果较好,而且水印的嵌入过程不改变原始加密体数据的内容,实现了零水印。
下面对本申请实施例提供的一种基于Hough组合变换的医学图像零水印嵌入装置进行介绍,下文描述的一种基于Hough组合变换的医学图像零水印嵌入装置与上文描述的一种基于Hough组合变换的医学图像零水印嵌入方法可相互对应参照。
如图4所示,该装置包括:
原始图像获取模块401:用于获取原始医学图像和根据患者信息生成的水印图像;
原始特征提取模块402:用于利用Canny算法对所述原始医学图像分别进行边缘提取,得到边缘特征集合;对所述边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取所述系数矩阵中预设数量的中低频系数的二值符号,以作为所述原始医学图像的视觉特征序列;
水印置乱模块403:用于获取混沌序列,根据所述混沌序列对所述水印图像进行混沌置乱,得到置乱的水印图像;
水印嵌入模块404:用于对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入。
在一些具体的实施例中,所述水印置乱模块具体用于:
将所述混沌序列中的序列值按照从小到大的顺序进行排序,根据排序结果中各个所述序列值的位置变化对所述水印图像中像素的空间位置进行调整,得到置乱的水印图像。
本实施例的一种基于Hough组合变换的医学图像零水印嵌入装置用于实现前述的一种基于Hough组合变换的医学图像零水印嵌入方法,因此该装置中的具体实施方式可见前文中的一种基于Hough组合变换的医学图像零水印嵌入方法的实施例部分,例如,原始图像获取模块401、原始特征提取模块402、水印置乱模块403、水印嵌入模块404,分别用于实现上述一种基于Hough组合变换的医学图像零水印嵌入方法中步骤S101,S102,S103,S104。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的一种基于Hough组合变换的医学图像零水印嵌入装置用于实现前述的一种基于Hough组合变换的医学图像零水印嵌入方法,因此其作用与上述方法的作用相对应,这里不再赘述。
此外,本申请还提供了一种基于Hough组合变换的医学图像零水印嵌入设备,如图5所示,包括:
存储器501:用于存储计算机程序;
处理器502:用于执行所述计算机程序,以实现如前文所述的一种基于Hough组合变换的医学图像零水印嵌入方法的步骤。
最后,本申请提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如前文所述的一种基于Hough组合变换的医学图像零水印嵌入方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于Hough组合变换的医学图像零水印嵌入方法,其特征在于,包括:
获取原始医学图像和根据患者信息生成的水印图像;
利用Canny算法对所述原始医学图像分别进行边缘提取,得到边缘特征集合;对所述边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取所述系数矩阵中预设数量的中低频系数的二值符号,以作为所述原始医学图像的视觉特征序列;
获取混沌序列,根据所述混沌序列对所述水印图像进行混沌置乱,得到置乱的水印图像;
对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入。
2.如权利要求1所述的方法,其特征在于,所述根据所述混沌序列对所述水印图像进行混沌置乱,得到置乱的水印图像,包括:
将所述混沌序列中的序列值按照从小到大的顺序进行排序,根据排序结果中各个所述序列值的位置变化对所述水印图像中像素的空间位置进行调整,得到置乱的水印图像。
3.如权利要求1所述的方法,其特征在于,在所述对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥之后,还包括:
根据水印提取请求,确定待测医学图像;
利用Canny算法对所述待测医学图像分别进行边缘提取,得到待测边缘特征集合;对所述待测边缘特征集合分别进行Hough变换和DCT变换,得到待测系数矩阵;提取所述待测系数矩阵中所述预设数量的中低频系数的二值符号,以作为所述待测医学图像的视觉特征序列;
对所述待测医学图像的视觉特征序列和所述逻辑密钥进行异或运算,得到所述待测医学图像中置乱的水印图像。
4.如权利要求3所述的方法,其特征在于,在所述对所述待测医学图像的视觉特征序列和所述逻辑密钥进行异或运算,得到所述待测医学图像中置乱的水印图像之后,还包括:
根据所述混沌序列对所述置乱的水印图像进行还原,得到原始的水印图像。
5.如权利要求4所述的方法,其特征在于,在所述根据所述混沌序列对所述置乱的水印图像进行还原,得到原始的水印图像之后,还包括:
根据从所述待测医学图像中提取得到的所述置乱的水印图像和所述原始的水印图像,确定归一化相关系数。
6.如权利要求1-5任意一项所述的方法,其特征在于,所述提取所述系数矩阵中预设数量的中低频系数的二值符号,以作为所述原始医学图像的视觉特征序列,包括:
提取所述系数矩阵中32*1的中低频系数,利用Hash函数将所述32*1的中低频系数转换为二值符号,得到所述原始医学图像的视觉特征序列。
7.一种基于Hough组合变换的医学图像零水印嵌入装置,其特征在于,包括:
原始图像获取模块:用于获取原始医学图像和根据患者信息生成的水印图像;
原始特征提取模块:用于利用Canny算法对所述原始医学图像分别进行边缘提取,得到边缘特征集合;对所述边缘特征集合分别进行Hough变换和DCT变换,得到系数矩阵;提取所述系数矩阵中预设数量的中低频系数的二值符号,以作为所述原始医学图像的视觉特征序列;
水印置乱模块:用于获取混沌序列,根据所述混沌序列对所述水印图像进行混沌置乱,得到置乱的水印图像;
水印嵌入模块:用于对所述视觉特征序列和所述置乱的水印图像进行异或运算,得到逻辑密钥,以实现零水印的嵌入。
8.如权利要求7所述的装置,其特征在于,所述水印置乱模块具体用于:
将所述混沌序列中的序列值按照从小到大的顺序进行排序,根据排序结果中各个所述序列值的位置变化对所述水印图像中像素的空间位置进行调整,得到置乱的水印图像。
9.一种基于Hough组合变换的医学图像零水印嵌入设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如权利要求1-6任意一项所述的一种基于Hough组合变换的医学图像零水印嵌入方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1-6任意一项所述的一种基于Hough组合变换的医学图像零水印嵌入方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910809384.4A CN110517181B (zh) | 2019-08-29 | 2019-08-29 | 基于Hough组合变换的医学图像零水印嵌入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910809384.4A CN110517181B (zh) | 2019-08-29 | 2019-08-29 | 基于Hough组合变换的医学图像零水印嵌入方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517181A true CN110517181A (zh) | 2019-11-29 |
CN110517181B CN110517181B (zh) | 2021-11-30 |
Family
ID=68629093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910809384.4A Active CN110517181B (zh) | 2019-08-29 | 2019-08-29 | 基于Hough组合变换的医学图像零水印嵌入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517181B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111988490A (zh) * | 2020-08-19 | 2020-11-24 | 海南大学 | 基于Tetrolet-DCT的医学图像鲁棒水印方法 |
CN113160029A (zh) * | 2021-03-31 | 2021-07-23 | 海南大学 | 一种基于感知哈希和数据增强的医学图像数字水印方法 |
CN113313621A (zh) * | 2021-04-15 | 2021-08-27 | 长城信息股份有限公司 | 基于混合混沌系统和闭环扩散的数字图像加密水印嵌入方法、提取方法、装置 |
CN113965420A (zh) * | 2021-12-23 | 2022-01-21 | 西安道法数器信息科技有限公司 | 一种基于人工智能的网络安全加密方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110052094A1 (en) * | 2009-08-28 | 2011-03-03 | Chunyu Gao | Skew Correction for Scanned Japanese/English Document Images |
US20120263383A1 (en) * | 2011-03-31 | 2012-10-18 | Honda Elesys Co., Ltd. | Road profile defining apparatus, road profile defining method, and road profile defining program |
CN103886544A (zh) * | 2014-04-10 | 2014-06-25 | 海南大学 | 基于三维dct感知哈希和混沌的体数据鲁棒多水印算法 |
CN107274385A (zh) * | 2017-05-18 | 2017-10-20 | 常州大学 | 基于类格图案及其Gabor特征的纺织品瑕疵检测方法 |
CN108876696A (zh) * | 2018-06-07 | 2018-11-23 | 海南大学 | 一种基于sift-dct的医学图像鲁棒水印方法 |
-
2019
- 2019-08-29 CN CN201910809384.4A patent/CN110517181B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110052094A1 (en) * | 2009-08-28 | 2011-03-03 | Chunyu Gao | Skew Correction for Scanned Japanese/English Document Images |
US20120263383A1 (en) * | 2011-03-31 | 2012-10-18 | Honda Elesys Co., Ltd. | Road profile defining apparatus, road profile defining method, and road profile defining program |
CN103886544A (zh) * | 2014-04-10 | 2014-06-25 | 海南大学 | 基于三维dct感知哈希和混沌的体数据鲁棒多水印算法 |
CN107274385A (zh) * | 2017-05-18 | 2017-10-20 | 常州大学 | 基于类格图案及其Gabor特征的纺织品瑕疵检测方法 |
CN108876696A (zh) * | 2018-06-07 | 2018-11-23 | 海南大学 | 一种基于sift-dct的医学图像鲁棒水印方法 |
Non-Patent Citations (2)
Title |
---|
M.ALSULTAN,T.ALRAMLI等: "HOUGH TRANSFORM BASED WATERMARK EMBEDDING ALGORITHM IN DCT FREQUENCY DOMAIN", 《JOURNAL OF THEORETICAL AND APPLIED INFORMATION TECHNOLOGY》 * |
吴叶清: "虹膜特征提取算法研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111988490A (zh) * | 2020-08-19 | 2020-11-24 | 海南大学 | 基于Tetrolet-DCT的医学图像鲁棒水印方法 |
CN111988490B (zh) * | 2020-08-19 | 2024-01-12 | 海南大学 | 基于Tetrolet-DCT的医学图像鲁棒水印方法 |
CN113160029A (zh) * | 2021-03-31 | 2021-07-23 | 海南大学 | 一种基于感知哈希和数据增强的医学图像数字水印方法 |
CN113160029B (zh) * | 2021-03-31 | 2022-07-05 | 海南大学 | 一种基于感知哈希和数据增强的医学图像数字水印方法 |
CN113313621A (zh) * | 2021-04-15 | 2021-08-27 | 长城信息股份有限公司 | 基于混合混沌系统和闭环扩散的数字图像加密水印嵌入方法、提取方法、装置 |
CN113313621B (zh) * | 2021-04-15 | 2022-06-28 | 长城信息股份有限公司 | 基于混合混沌系统和闭环扩散的图像加密水印嵌入方法 |
CN113965420A (zh) * | 2021-12-23 | 2022-01-21 | 西安道法数器信息科技有限公司 | 一种基于人工智能的网络安全加密方法及系统 |
CN113965420B (zh) * | 2021-12-23 | 2022-03-11 | 西安道法数器信息科技有限公司 | 一种基于人工智能的网络安全加密方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110517181B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | A high payload steganographic algorithm based on edge detection | |
CN110517181A (zh) | 基于Hough组合变换的医学图像零水印嵌入方法 | |
CN108876696A (zh) | 一种基于sift-dct的医学图像鲁棒水印方法 | |
Liu et al. | Robust watermarking algorithm for medical volume data in internet of medical things | |
CN111968025A (zh) | 基于Bandelet-DCT医学图像鲁棒零水印方法 | |
CN110517182A (zh) | 一种基于nsct组合变换的医学图像零水印嵌入方法 | |
CN113160029B (zh) | 一种基于感知哈希和数据增强的医学图像数字水印方法 | |
Vellaisamy et al. | Inversion attack resilient zero‐watermarking scheme for medical image authentication | |
CN111988492B (zh) | 一种基于Gabor-DCT的医学图像鲁棒水印方法 | |
CN110211019A (zh) | 一种图像的水印嵌入与提取方法及相关装置 | |
Rahman | Optimum information embedding in digital watermarking | |
CN104867102A (zh) | 一种基于dct密文域的加密医学图像鲁棒水印方法 | |
CN102945543A (zh) | 一种基于DWT-DCT和Logistic Map的医学图像鲁棒水印方法 | |
CN104851072A (zh) | 云环境下一种基于dft加密医学图像鲁棒水印方法 | |
CN111968026A (zh) | 一种基于PHTs-DCT的医学图像鲁棒水印方法 | |
CN104867100A (zh) | 云环境下一种加密医学图像鲁棒多水印实现方法 | |
CN102024249A (zh) | 基于视觉感知特性的数字图像水印方法 | |
CN102129657A (zh) | 一种基于三维dft在体数据中嵌入多重水印的方法 | |
CN102938132A (zh) | 一种基于DFT和LogisticMap的医学图像水印方法 | |
CN107067363B (zh) | 一种基于像素序关系不变的非盲鲁棒空域图像水印方法 | |
CN106780287A (zh) | 基于矢量地理线数据组织特征的无损水印方法 | |
Wu et al. | Logistic map and contourlet-based robust zero watermark for medical images | |
Li et al. | Study on copyright authentication of GIS vector data based on Zero-watermarking | |
CN111988491A (zh) | 一种基于kaze-dct的医学图像鲁棒水印方法 | |
Vairaprakash et al. | A discrete Rajan transform-based robustness improvement encrypted watermark scheme backed by support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |