CN112052854B - 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 - Google Patents
一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 Download PDFInfo
- Publication number
- CN112052854B CN112052854B CN202010963923.2A CN202010963923A CN112052854B CN 112052854 B CN112052854 B CN 112052854B CN 202010963923 A CN202010963923 A CN 202010963923A CN 112052854 B CN112052854 B CN 112052854B
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- histogram
- information
- pixel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002441 reversible effect Effects 0.000 title claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000013519 translation Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 10
- 239000004793 Polystyrene Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 229920002223 polystyrene Polymers 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003752 polymerase chain reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
- H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种实现自适应对比度增强的医疗图像可逆信息隐藏方法,包括以下步骤:S1、将原始医疗图像分割为感兴趣区域和非感兴趣区域;S2、对感兴趣区域的像素集中比例进行判断,如果像素集中比例高于规定的阈值,则对感兴趣区域的直方图先平移再灰度拓展;如果像素集中比例低于规定的阈值,则直接拓展整个感兴趣区域的直方图;S3、将秘密数据嵌入感兴趣区域,同时增强对比度;S4、对非感兴趣区域进行预处理,将秘密数据嵌入非感兴趣区域;S5、生成嵌入信息后的载体图像。本发明得到的增强图像视觉质量更好,且嵌入容量相对更大。
Description
技术领域
本发明属于计算机图像处理技术领域,具体涉及一种实现自适应对比度增强的医疗图像可逆信息隐藏方法。
背景技术
随着信息隐藏技术的飞速发展,可逆信息隐藏已经成为一个热门的研究课题。可逆信息隐藏又称无损数据隐藏,与传统信息隐藏技术不同的是,可逆信息隐藏可以从隐藏信息后的载体图像中提取秘密数据而不丢失数据。目前的很多算法都集中在减少图像隐藏信息后的失真,没有提出对比度增强的想法。著名的可逆信息隐藏方法是误差扩展和直方图平移方法,这些方法能够完成秘密信息的可逆隐藏,但是不能增强图像的视觉质量。因此同时实现图像对比度增强与信息的可逆隐藏已经成为研究人员在过去几年的研究主题。
为了解决上述问题,吴等人第一次提出了一种在信息的可逆隐藏的同时,使得图像直方图得到有效的均衡化,从而实现图像的对比度增强的方法。这项开创性的工作影响了许多研究者开展该领域的实验,并提出了在保持良好的视觉质量的同时扩大嵌入容量的几种方法。Kim等人提出了一种基于中给出的算法实现自动对比度增强的方法。之后Kim等人又提出了另一种保持原始图像整体亮度的对比度增强和可逆信息隐藏方法。
在有了图像对比度增强和可逆信息隐藏技术结合后,由于医疗图像普遍存在对比度较低的问题,同时医疗图像也被认为在感兴趣区域(ROI)有低对比度,且在非感兴趣区域(NROI)有单色背景。因此,它们被认为是实施对比度增强和可逆信息隐藏的最佳对象。此外,如何有效保护病患的隐私也是医学界的另一个热门话题,所以医学界迫切需要一种有效的保护患者隐私的方法,以防止黑客攻击,因为黑客可能会窃取和修改患者的数字信息。在过去,许多算法都将可逆信息隐藏应用于医学图像。这些算法都主要追求更大的嵌入容量,并努力保持嵌入信息后的载体图像与原始图像之间的相似性。近年来,特别是自算法提出以来,研究人员发现了可逆信息隐藏技术在医疗图像对比度增强中的应用。最近提出的几种算法首先将原始医疗图像划分为感兴趣区域(ROI)和非感兴趣区域(NROI),然后进行不同的直方图修改来实现对比度增强。Yang提出的基于ROI的高容量可逆信息隐藏算法是一种基于医疗图像ROI区域的可逆信息隐藏的医疗图像对比度增强算法,该算法得到了不错的增强效果和嵌入容量。
目前医疗界存在大量的医疗图像,例如计算机断层扫描图像(CT)、核磁共振图像(MR)等灰度图像。这些图像首先是单通道的灰度图像,因此没有彩色图像那样让人眼可以明确区分图像细节的效果。此外,由于灰度图像的灰度值位于[0,255]区间,即一共256个阶层,因此大部分医疗图像都存在着灰度分布不均匀的问题,上述的两个问题都导致了医疗图像存在对比度较低的特点。
发明内容
本发明的针对现有技术中的不足,根据医疗图像的图像特征,基于医疗图像的感兴趣区域(ROI),提出了一种实现自适应对比度增强的医疗图像可逆信息隐藏方法,在向医疗图像中嵌入秘密信息的同时,增强了医疗图像的对比度。
为实现上述目的,本发明采用以下技术方案:一种实现自适应对比度增强的医疗图像可逆信息隐藏方法,其特征在于,包括以下步骤:
S1、将原始医疗图像分割为感兴趣区域和非感兴趣区域;
S2、对感兴趣区域的像素集中比例进行判断,如果像素集中比例高于规定的阈值,则对感兴趣区域的直方图先平移再灰度拓展;如果像素集中比例低于规定的阈值,则直接拓展整个感兴趣区域的直方图;
S3、将秘密数据嵌入感兴趣区域,同时增强对比度;
S4、对非感兴趣区域进行预处理,将秘密数据嵌入非感兴趣区域;
S5、生成嵌入信息后的载体图像。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S1中,将原始医疗图像分割为感兴趣区域和非感兴趣区域具体为:
S11、采用ATD图像二值化方法将原始医疗图像实现二值化;
S12、根据二值化分结果自动识别灰度医疗图像中的感兴趣区域,并标识出感兴趣区域和非感兴趣区域;
S13、对医疗图像的感兴趣区域构建一维直方图。
进一步地,步骤S2中,对感兴趣区域的直方图进行平移和灰度拓展具体如下:
S21、计算感兴趣区域直方图的像素集中比例,分别计算[0,127]、[128,255]两个区间上的像素集中比例;
S22、根据计算好的两个区间上的像素集中比例,判断是否大于阈值;
S23、如果区间[0,127]上的像素集中比例大于阈值,则将区间[128,255]上的像素平移到直方图最右端;如果区间[128,255]上的像素集中比例大于阈值,则将区间[0,127]上的像素平移到直方图最左端;如果两个区间上的像素集中比例都不大于阈值,则不进行直方图平移;
S24、如果进行了直方图平移操作,则将没有进行平移的区间内的直方图进行灰度拓展;如果没有进行直方图平移操作,则对整个感兴趣区域的直方图进行灰度拓展。
进一步地,步骤S3还包括:
感兴趣区域的直方图在经过灰度拓展后,空出很多空bin,空出来的空bin用于嵌入信息,使直方图均衡化;
遍历直方图的每个像素值,对于[0,126]上的像素值,寻找峰值bin且峰值bin的右边相邻为空bin的像素;对于[129,255]上的像素值,寻找峰值bin且峰值bin的左边相邻为空bin的像素;对找到的峰值bin嵌入秘密信息。
进一步地,步骤S4包括:
S31、降低非感兴趣区域的整体亮度,将非感兴趣区域的所有像素值减去非感兴趣区域的最小像素值;
S32、采用LSB替代方法,替换非感兴趣区域像素的LSB。
进一步地,步骤S4中,将秘密数据嵌入非感兴趣区域包括:
计算每个像素需要嵌入的LSB个数N;
计算副信息总体长度L;
副信息指对信息提取和图像复原提供帮助的信息,其包含了LM、PSROI、PSNROI、Dshift、klast、ROI’max、ROI’min、Lmax和Lmm;LM是ROI和NROI的划分图经过算术编码压缩后的二进制序列,PSROI和PSNROI分别是ROI和NROI的嵌入容量;Dshift表示像素移动的距离,klast为最后一次在ROI中嵌入信息的峰值bin,ROI’max和ROI’min分别为不包括平移像素的ROI内最大像素值和最小像素值,Lmax和Lmin分别为拉伸像素的上边界和下边界。
将N嵌入前两个像素的LSB,将L嵌入后18个像素的LSB,最后将副信息和秘密信息嵌入剩余像素的LSB。
进一步地,信息提取和图像复原步骤如下:
S51、提取信息隐藏后的图像的前两个像素的LSB,得到每个像素需要嵌入的LSB个数N;
S52、提取前两个像素之后18个像素的LSB得到副信息长度L;
S53、根据N和L提取副信息LM、PSROI、PSNROI、Dshift、klast、ROI’max、ROI’min、Lmax和Lmin;
S54、根据LM复原图像的感兴趣和非感兴趣区域划分图;
S55、根据PSROI、PSNROI将秘密信息完整地提取出来;
S56、根据Dshift、klast、ROI’max、ROI’min、Lmax和Lmin还原医疗图像的感兴趣区域。
本发明的有益效果是:本发明设计了一种实现自适应对比度增强效果的医疗图像可逆信息隐藏方法。算法主要由ROI和NROI划分、直方图平移和拓展、ROI嵌入信息、NROI预处理、NROI嵌入信息几个步骤组成,最终能够根据不同医疗图像实现自适应对比度增强,同时向医疗图像嵌入可观容量的秘密信息。本发明相比较其他图像增强和可逆信息隐藏算法,得到的增强图像视觉质量更好,且嵌入容量相对更大。
附图说明
图1为本发明的算法框架图。
图2为本发明的是否划分感兴趣区域的灰度医疗图像增强对比图。
图3为本发明的医疗图像感兴趣区域划分结果图。
图4为本发明的原始图像直方图示例图。
图5为本发明算法的直方图平移过程示意图。
图6为本发明算法的直方图拓展过程示意图。
图7为本发明算法的直方图78bits的秘密信息过程示意图。
图8为本发明算法的直方图嵌入10bits的秘密信息过程示意图。
图9为来自NBIA和MedPix数据库的6幅原始医疗图像。
图10为本发明算法和3种现有的实现图像对比度增强的可逆信息隐藏算法应用于“Brain02”图像后生成的信息嵌入图像对比图。
图11为本发明的图像增强过程和信息嵌入过程示意图。
图12为本发明算法和基于感兴趣区域的高容量可逆信息隐藏的医疗图像增强算法(RHCRDH)的医疗图像增强质量结果和ROI区域的嵌入容量对比图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如附图所示,本发明公开了一种实现自适应对比度增强效果的医疗图像可逆信息隐藏方法,主要基于医疗图像的感兴趣区域(ROI)和非感兴趣区域(NROI)实现。运用了灰度图像阈值划分技术、灰度图像增强技术、可逆信息隐藏技术。首先,将原始医疗图像分割为ROI和NROI。其次,本发明不直接拉伸ROI的直方图,而是先对ROI的像素集中比例(PCR)进行估计,如果PCR高于规定的阈值,则对ROI的直方图先平移再拓展,如果PCR低于规定的阈值,则直接拓展整个ROI的直方图。再将秘密数据嵌入感兴趣区域,同时实现对比度增强的效果。因为NROI区域不是医生诊断病情的对象,同时NROI区域都是单一色的背景,因此对NROI进行预处理,将秘密数据嵌入其中。最后,生成嵌入信息后的载体图像。
S1、将原始医疗图像分割为感兴趣区域ROI和非感兴趣区域NROI。
ROI和NROI划分:传统的阈值选择方法Otsu法以在大多数情况下准确地确定阈值而闻名。然而,医疗图像的边缘模糊,背景和目标的分割并不明显。Otsu对医学图像的分割效果不佳,因此本实施例中我们采用适应性阈值检测器(ATD)来选择最优阈值。ATD是一种新的阈值选择方法,它通过改变两个参数值来选择阈值,在确定二值化阈值的过程中实现了不同类的数据量、标准差和类间隔之间的权衡,不同的类表示不同的二值化阈值确定的所有像素。
公式(1)表示阈值确定过程,其中p为原始像素值,表示根据阈值修改后的二值图像素值。低于阈值的像素将被固定为255(白色),高于阈值的像素将被修改为0(黑色)。这个变化意味着背景的颜色是白色的,而医疗图像中目标对象的颜色是黑色的。
然后根据由公式(1)生成的二值图像,使用公式(2)将目标对象的区域内部全部划分为ROI,剩余的区域划分为NROI,最终生成分割ROI和NROI的医疗图像二值图。
c1和c2分别代表在图像每一行中,像素值为0的第一个坐标和最后一个坐标,c是当前像素的坐标。每一行中出现在c1和c2之间的像素的值将变为零,而其他像素值将保持不变。
S2、对感兴趣区域的像素集中比例进行判断,如果像素集中比例高于规定的阈值,则对感兴趣区域的直方图先平移再灰度拓展;如果像素集中比例低于规定的阈值,则直接拓展整个感兴趣区域的直方图。
直方图平移和自动拓展:根据对医疗图像的直方图特征分析,大部分医疗图像的直方图是连续的,但是直方图中仍然会有一些空的间隔。因为医疗图像中的像素值不能覆盖整个直方图,这些空的间隔导致灰度断层和医疗图像的视觉质量很差。在医疗图像中,还存在像素分布不均匀的问题。我们从国家生物医学影像档案(NBIA)和Medpix两个医疗图像数据库中选取大量医学图像,研究它们的ROI直方图分布。我们发现大多数图像的灰度分布是不均匀的。以灰度值127和灰度值128作为分割阈值,部分图像像素集中在[0,127]之间,其余图像像素集中在[128,255]之间。因此,我们注意到,通过拓展整个直方图得到的拉伸图像的视觉质量要比仅拓展PCR超过规定值的区域得到的图像质量差。
通过公式(3)计算PCR,其中Numregion为[0,127]或[128,255]之间的像素个数,NumROI为ROI中总像素个数。
PCR计算的下一步是直方图平移。移动直方图的目的是为秘密信息的嵌入腾出更多的空间。移动距离由公式(4)定义,根据公式(5)对像素进行移动,如果像素集中在[0,127]之间,则[128,255]之间的像素会向直方图的右边界移动。如果像素集中在[128,255]之间,则[0,127]之间的像素会向直方图的左边界移动。公式(4)中的ROImax和ROImin分别表示ROI中像素的最大值和最小值,Dshift表示像素移动的距离。公式(5)中的ROI(x,y)为ROI中的像素值,ROIshift(x,y)为对相应像素值进行平移后得到的像素值。r是0和1之间的比值,经过反复实验,本发明发现0.7是最优的比例。当r大于或小于0.7时,嵌入容量和对比度都会下降。
直方图拓展的目的是为了腾出更多的空间来嵌入秘密信息。同时使得医疗图像在嵌入信息后,有机会将灰度值遍布每一个灰度级。拉伸的直方图是使用公式(6-8)生成。其中,ROIstretch(x,力表示经过拓展操作后的像素值,ROI’max和ROI’min分别为不包括平移像素的ROI内最大像素值和最小像素值,Lmax和Lmin为拉伸像素的上边界和下边界。
S3、将秘密数据嵌入感兴趣区域,同时增强对比度。
ROI信息嵌入:在经过直方图平移和拓展后,直方图中存在了许多空的间隔(bin),这些空bin表示直方图在这个灰度级上没有像素分布。因此,秘密数据可以嵌入到这些空bin中。为了让像素的值覆盖整个直方图,秘密信息将被嵌入到每一个由非空bin包围的空bin中,直到其周围的bin不再是空的。重复这个过程,对每个非空bin只做一次嵌入操作。嵌入过程描述如下:
1)用h(k)表示像素值为k时的像素个数,选择相邻bin为空的像素个数最大的峰值bin作为kpeak。对应峰值的像素的个数记为h(kpeak)。
2)将秘密信息嵌入到kpeak中,过程如公式(9)所述,bi为二进制秘密信息的第i位,其取值为0或1。
其中k为之前定义的ROIstretch(x,y)。
3)重复步骤1和步骤2,直到所有的秘密信息都嵌入到ROI的直方图中,或者没有可供嵌入的空bin为止。
S4、对非感兴趣区域进行预处理,将秘密数据嵌入非感兴趣区域。
NROI预处理:大多数医疗图像的NROI通常是单色的。因此,这种单一色背景更为合适采用最低有效位(LSB)嵌入方法。为了进一步增强ROI的对比度,本发明对NROI进行预处理,使其看起来更暗。此操作由公式(10)给出:
NROIpreprocess(x,y)=NROI(x,y)-NROImin (10)
首先计算NROImin,它是NROI中的最小像素值。然后将NROI中的每个像素值NROI(x,y)减去NROImin。最后得到NROIpreprocess(x,y)为NROI预处理后的像素值。
NROI信息嵌入:医疗图像中的ROI含有病人的病理信息,是医生观察的主要对象。NROI中没有任何有用的信息,因而对医生来说没有诊断价值。同时,将NROI像素的最低有效位(LSB)替换为秘密信息不会引起人眼的视觉感知。因此将剩余的秘密信息通过NROI的LSB替换方法来完成嵌入。将NROI像素被修改的LSB个数表示为N,其计算方法如下:
其中SD为待嵌入信息的大小,PNROI为NROI中像素的个数。
之后,为了完全提取秘密数据,我们需要保留一些副信息,副信息就是有助于提取秘密信息和恢复原始图像的信息,然后使用算术编码压缩副信息长度。副信息包括LM、PSROI、PSNROI、Dshift、klast、ROI’max、ROI’min、Lmax和Lmin,其中LM是ROI和NROI的划分图经过算术编码压缩后的二进制序列,PSROI和PSNROI分别是ROI和NROI的嵌入容量。然后计算副信息的长度,记为L。将N和L分别嵌入医疗图像前两个像素的LSB和之后18个像素的LSB中。之后,嵌入副信息和其他秘密信息。使用以下公式向NROI嵌入信息:
LBj=bi j∈{1,2,3} (12)
其中LBj为NROI中像素的第j个LSB位,bi为嵌入信息的第i位,要么为0,要么为1。
S5、生成嵌入信息后的载体图像。
复原图像方法如下:
信息提取和图像复原:首先,从嵌入信息后的载体图像的前两个像素的LSB中提取N。然后,可以从接下来的18个像素的LSB中提取L。最后,根据长度L提取副信息,用算术编码进行解压缩。在这一步中LM、PSROI、PSNROI、Dshift、ktast、ROI’max、ROI’min、Lmax和Lmin都被提取出来。根据LM将ROI和NROI分离,根据PSROI和PSNROI得到ROI和NROI的嵌入容量大小。之后秘密信息可以通过以下步骤完全提取:
1)读取NROI中前两个像素的LSB,得到N。
2)基于N,通过公式(13)提取嵌入到NROI中的秘密信息:
bi=LBj j∈[1,N] (13)
3)利用最后一次在ROI中嵌入信息的峰值bin,即klast。使用公式(14)对嵌入在ROI中的秘密信息进行提取:
通过公式(15)恢复原始像素k
4)根据Dshift、klast、ROI’max、ROI’min、Lmax和Lmin,医疗图像的ROI可以通过公式(16)和公式(17)复原
图10列出了本发明算法与基于感兴趣区域的高容量可逆信息隐藏的医疗图像增强算法(RHCRDH)、自动增强对比度的可逆信息隐藏算法(ACERDH)、基于保持原始图像亮度的可逆信息隐藏和图像增强算法(RDHMBP)的信息嵌入后的医疗图像,第一列到第四列分别是算法RHCRDH、ACERDH、RDHMBP和本发明算法的生成结果,第一行到第三行分别表示图像的信息嵌入比率分别为0.1bpp、1bpp和2bpp。
如图11所示,本发明实验所用的图像来自于医疗图像库NBIA和医疗图像开源网站MedPix,该图像库包含了CT、MR等各种类型的医疗图像。在本发明实现中,我们采用结合Matlab语言进行编程试验。
本实施例分为以下几个步骤:
医疗图像的感兴趣区域划分:
a.采用ATD图像二值化方法实现二值化效果。
b.之后根据二值化分结果自动识别灰度医疗图像中的感兴趣区域,并标识出感兴趣区域和非感兴趣区域。
c.对医疗图像的感兴趣区域构建一维直方图。
感兴趣区域的一维直方图进行平移和灰度拓展:
a.计算感兴趣区域直方图的PCR,分别计算[0,127][128,255]两个区间上的PCR。
b.根据计算好的PCR[0,127]和PCR[128,255],判断两者是否大于0.7。
c.如果PCR[0,127]大于0.7,则将区间[128,255]上的像素平移到直方图最右端;如果PCR[128,255]大于0.7,则将区间[0,127]上的像素平移到直方图最左端。如果两者都不大于0.7,则不进行直方图平移。
d.如果进行了直方图平移操作,则将没有进行平移的区间内的直方图进行灰度拓展;如果没有进行直方图平移操作,则对整个直方图进行灰度拓展。
e.灰度拓展即根据公式(6-8)进行操作。
感兴趣区域可逆信息隐藏和图像增强:
a.感兴趣区域的一维直方图在经过灰度拓展后,空出很多空bin,这些空bin将用来嵌入信息,从而达到直方图均衡化的效果。
b.遍历直方图的每个像素值,对于[0,126]上的像素值,寻找峰值bin且峰值bin的右边相邻为空bin的像素;对于[129,255]上的像素值,寻找峰值bin且峰值bin的左边相邻为空bin的像素。
c.对找到的峰值bin嵌入0或1的秘密信息,根据公式(9)进行嵌入。在隐藏信息后一维直方图又将变得连续,从而同时达到了图像增强的结果。
非感兴趣区域的嵌入:
a.首先降低非感兴趣区域的整体亮度,将非感兴趣区域的所有像素值减去非感兴趣区域的最小像素值。
b.之后采用LSB替代方法,替换非感兴趣区域像素的LSB,这样既达到了降低背景的亮度的目的,又嵌入了秘密信息。
副信息的生成和嵌入:
a.计算每个像素需要嵌入的LSB个数N。
b.副信息指对信息提取和图像复原提供帮助的信息,其包含了LM、PSROI、PSNROI、Dshift、klast、ROI’max、ROI’min、Lmax和Lmin。
c.计算副信息总体长度L。
d.将N嵌入前两个像素的LSB,将L嵌入后18个像素的LSB,最后将副信息和秘密信息嵌入剩余像素的LSB。
信息提取和图像复原:
a.提取图像的前两个像素的LSB,得到N。
b.提取之后18个像素的LSB得到副信息长度L。
c.根据N和L提取副信息LM、PSROI、PSNROI、Dshift、klast、ROI’max、ROI’min、Lmax和Lmin。
d.根据LM复原图像的感兴趣和非感兴趣区域划分图。
e.根据PSROI、PSNROI将秘密信息完整地提取出来。
f.根据Dshift、klast、ROI’max、ROI’min、Lmax和Lmin还原医疗图像的感兴趣区域。
实验结果如表1所示:
表1图10中“Brain02”的嵌入信息后图像的质量评价
图12显示了两幅不同的医疗图像分别经过本发明算法和算法RHCRDH增强后ROI的最终结果,同时还展示了本发明方法和算法RHCRDH能够向ROI嵌入的秘密信息容量。从图12的对比实验中可以看出,本发明的算法相比于已经提出的算法RHCRDH能够向ROI中嵌入更多的秘密信息,同时本发明生成结果的视觉质量也要比算法RHCRDH的结果的视觉质量更好,对比度更高。
可以明显看出,本发明算法生成的对比度增强医疗图像的视觉质量是最好的。同时,表1也反映出本发明算法的优势。表中测试指标Bpp表示每像素嵌入的比特数;PSNR表示峰值信噪比,其值越高表示生成结果和原图越相似;SSIM表示生成结果和原始图像的相似性,其值越接近1表示相似度越高;RCE用来判断医疗图像的对比度是否得到了增强,大于0.5表示得到了增强,反之则表示得到了负增强;RMBE是用来衡量增强结果和原始图像的整体亮度相似性;最后的MOS是10位专业医生对生成结果图像的视觉质量主观印象的平均得分。不难看出,本发明的生成结果得到了专业医生的一致好评,且获得几种算法中的最高评分。其次,RCE指标数值也表明信息嵌入后的医疗图像的对比度得到了增强。
由实验结果可知,本发明相比较其他图像增强和可逆信息隐藏算法,得到的增强图像视觉质量更好,且嵌入容量相对更大。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种实现自适应对比度增强的医疗图像可逆信息隐藏方法,其特征在于,包括以下步骤:
S1、将原始医疗图像分割为感兴趣区域和非感兴趣区域;
S2、对感兴趣区域的像素集中比例进行判断,如果像素集中比例高于规定的阈值,则对感兴趣区域的直方图先平移再灰度拓展;如果像素集中比例低于规定的阈值,则直接拓展整个感兴趣区域的直方图;
S3、将秘密数据嵌入感兴趣区域,同时增强对比度;
S4、对非感兴趣区域进行预处理,将秘密数据嵌入非感兴趣区域;
S5、生成嵌入信息后的载体图像;
步骤S2中,对感兴趣区域的直方图进行平移和灰度拓展具体如下:
S21、计算感兴趣区域直方图的像素集中比例,分别计算[0,127]、[128,255]两个区间上的像素集中比例;
S22、根据计算好的两个区间上的像素集中比例,判断是否大于阈值;
S23、如果区间[0,127]上的像素集中比例大于阈值,则将区间[128,255]上的像素平移到直方图最右端;如果区间[128,255]上的像素集中比例大于阈值,则将区间[0,127]上的像素平移到直方图最左端;如果两个区间上的像素集中比例都不大于阈值,则不进行直方图平移;
S24、如果进行了直方图平移操作,则将没有进行平移的区间内的直方图进行灰度拓展;如果没有进行直方图平移操作,则对整个感兴趣区域的直方图进行灰度拓展。
2.如权利要求1所述的医疗图像可逆信息隐藏方法,其特征在于,步骤S1中,将原始医疗图像分割为感兴趣区域和非感兴趣区域具体为:
S11、采用ATD图像二值化方法将原始医疗图像实现二值化;
S12、根据二值化分结果自动识别灰度医疗图像中的感兴趣区域,并标识出感兴趣区域和非感兴趣区域;
S13、对医疗图像的感兴趣区域构建一维直方图。
3.如权利要求1所述的医疗图像可逆信息隐藏方法,其特征在于,步骤S3还包括:
感兴趣区域的直方图在经过灰度拓展后,空出很多空bin,空出来的空bin用于嵌入信息,使直方图均衡化;
遍历直方图的每个像素值,对于[0,126]上的像素值,寻找峰值bin且峰值bin的右边相邻为空bin的像素;对于[129,255]上的像素值,寻找峰值bin且峰值bin的左边相邻为空bin的像素;对找到的峰值bin嵌入秘密信息。
4.如权利要求1所述的医疗图像可逆信息隐藏方法,其特征在于,步骤S4包括:
S31、降低非感兴趣区域的整体亮度,将非感兴趣区域的所有像素值减去非感兴趣区域的最小像素值;
S32、采用LSB替代方法,替换非感兴趣区域像素的LSB。
5.如权利要求4所述的医疗图像可逆信息隐藏方法,其特征在于,步骤S4中,将秘密数据嵌入非感兴趣区域包括:
计算每个像素需要嵌入的LSB个数N;
计算副信息总体长度L;
副信息指对信息提取和图像复原提供帮助的信息,其包含了LM、PSROI、PSNROI、Dshift、klast、ROI’max、ROI’min、Lmax和Lmin;LM是ROI和NROI的划分图经过算术编码压缩后的二进制序列,PSROI和PSNROI分别是ROI和NROI的嵌入容量;Dshift表示像素移动的距离,klast为最后一次在ROI中嵌入信息的峰值bin,ROI’max和ROI’min分别为不包括平移像素的ROI内最大像素值和最小像素值,Lmax和Lmin分别为拉伸像素的上边界和下边界;
将N嵌入前两个像素的LSB,将L嵌入后18个像素的LSB,最后将副信息和秘密信息嵌入剩余像素的LSB。
6.如权利要求5所述的医疗图像可逆信息隐藏方法,其特征在于,信息提取和图像复原步骤如下:
S51、提取信息隐藏后的图像的前两个像素的LSB,得到每个像素需要嵌入的LSB个数N;
S52、提取前两个像素之后18个像素的LSB得到副信息长度L;
S53、根据N和L提取副信息LM、PSROI、PSNROI、Dshift、klast、ROI’max、ROI’min、Lmax和Lmin;
S54、根据LM复原图像的感兴趣和非感兴趣区域划分图;
S55、根据PSROI、PSNROI将秘密信息完整地提取出来;
S56、根据Dshift、klast、ROI’max、ROI’min、Lmax和Lmin还原医疗图像的感兴趣区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010963923.2A CN112052854B (zh) | 2020-09-14 | 2020-09-14 | 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010963923.2A CN112052854B (zh) | 2020-09-14 | 2020-09-14 | 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052854A CN112052854A (zh) | 2020-12-08 |
CN112052854B true CN112052854B (zh) | 2023-09-12 |
Family
ID=73610488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010963923.2A Active CN112052854B (zh) | 2020-09-14 | 2020-09-14 | 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052854B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705569A (zh) * | 2021-08-31 | 2021-11-26 | 北京理工大学重庆创新中心 | 一种图像标注方法及系统 |
CN114885071B (zh) * | 2022-04-24 | 2023-09-22 | 河南职业技术学院 | 基于人工智能的设备生产数据安全传输方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489152A (zh) * | 2013-10-10 | 2014-01-01 | 宁波大学 | 一种可逆秘密信息隐藏及提取方法 |
KR20150116100A (ko) * | 2014-04-04 | 2015-10-15 | 고려대학교 산학협력단 | 정보 은닉 기법을 이용한 재압축-재압축 해제 장치, 방법 및 이를 저장한 저장매체 |
CN108022197A (zh) * | 2017-11-21 | 2018-05-11 | 安徽大学 | 一种基于多纹理度划分的医学图像可逆信息隐藏方法 |
CN109348228A (zh) * | 2018-09-14 | 2019-02-15 | 东南大学 | 一种基于图像分割和图像空间相关性的图像加密域可逆信息隐藏系统与方法 |
CN109391819A (zh) * | 2018-10-24 | 2019-02-26 | 广西师范大学 | 一种基于像素值动态预测的可逆信息隐藏方法 |
CN109803142A (zh) * | 2019-01-08 | 2019-05-24 | 宁波工程学院 | 一种基于邻域预测的加密域图像可逆数据隐藏方法 |
CN109948307A (zh) * | 2019-03-01 | 2019-06-28 | 北京交通大学 | 基于像素多尺度预测的可逆数据隐藏方法 |
CN110111270A (zh) * | 2019-04-23 | 2019-08-09 | 华南理工大学 | 实现彩色图像对比度增强的可逆数据隐藏方法和恢复方法 |
CN111464717A (zh) * | 2020-03-31 | 2020-07-28 | 章劲松 | 利用直方图平移的具有对比度拉升的可逆信息隐藏框架 |
-
2020
- 2020-09-14 CN CN202010963923.2A patent/CN112052854B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489152A (zh) * | 2013-10-10 | 2014-01-01 | 宁波大学 | 一种可逆秘密信息隐藏及提取方法 |
KR20150116100A (ko) * | 2014-04-04 | 2015-10-15 | 고려대학교 산학협력단 | 정보 은닉 기법을 이용한 재압축-재압축 해제 장치, 방법 및 이를 저장한 저장매체 |
CN108022197A (zh) * | 2017-11-21 | 2018-05-11 | 安徽大学 | 一种基于多纹理度划分的医学图像可逆信息隐藏方法 |
CN109348228A (zh) * | 2018-09-14 | 2019-02-15 | 东南大学 | 一种基于图像分割和图像空间相关性的图像加密域可逆信息隐藏系统与方法 |
CN109391819A (zh) * | 2018-10-24 | 2019-02-26 | 广西师范大学 | 一种基于像素值动态预测的可逆信息隐藏方法 |
CN109803142A (zh) * | 2019-01-08 | 2019-05-24 | 宁波工程学院 | 一种基于邻域预测的加密域图像可逆数据隐藏方法 |
CN109948307A (zh) * | 2019-03-01 | 2019-06-28 | 北京交通大学 | 基于像素多尺度预测的可逆数据隐藏方法 |
CN110111270A (zh) * | 2019-04-23 | 2019-08-09 | 华南理工大学 | 实现彩色图像对比度增强的可逆数据隐藏方法和恢复方法 |
CN111464717A (zh) * | 2020-03-31 | 2020-07-28 | 章劲松 | 利用直方图平移的具有对比度拉升的可逆信息隐藏框架 |
Non-Patent Citations (1)
Title |
---|
面向对比度增强和云安全传输的图像可逆信息隐藏算法研究;仝士堃;《中国优秀硕士学位论文全文数据库_信息科技辑》;I138-105 * |
Also Published As
Publication number | Publication date |
---|---|
CN112052854A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
Gao et al. | Reversible data hiding with automatic contrast enhancement for medical images | |
CN108022197B (zh) | 一种基于多纹理度划分的医学图像可逆信息隐藏方法 | |
CN108830853A (zh) | 一种基于人工智能的黑色素瘤辅助诊断方法 | |
US20170221201A1 (en) | Medical image processing apparatus and breast image processing method thereof | |
CN112052854B (zh) | 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 | |
CN113592794B (zh) | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 | |
Tong et al. | Learning no-reference quality metric by examples | |
CN114140378A (zh) | 扫描图像处理方法、电子设备和可读介质 | |
CN117557460A (zh) | 一种血管造影图像增强方法 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN114881962A (zh) | 一种基于改进U-Net网络的视网膜图像血管分割方法 | |
Kumarganesh et al. | An efficient approach for brain image (tissue) compression based on the position of the brain tumor | |
CN113139931B (zh) | 甲状腺切片图像分类模型训练方法、装置 | |
CN115760858A (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
CN112562829B (zh) | 一种自适应生成dicom影像默认窗宽窗位的方法 | |
Shi et al. | Reversible data hiding with enhancing contrast and preserving brightness in medical image | |
CN116402816B (zh) | 一种体检ct影像数据的管理方法及系统 | |
CN116071337A (zh) | 一种基于超像素分割的内镜图像质量评价方法 | |
CN114937022B (zh) | 一种新型冠状肺炎的疾病检测分割方法 | |
CN116542924A (zh) | 一种前列腺病灶区域检测方法、装置及存储介质 | |
CN114359104B (zh) | 一种基于分级生成的白内障眼底图像增强方法 | |
CN113139930B (zh) | 甲状腺切片图像分类方法、装置、计算机设备和存储介质 | |
CN112950601B (zh) | 用于食管癌模型训练的图片的筛选方法、系统及存储介质 |
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 |