CN114092301A - 基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究 - Google Patents

基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究 Download PDF

Info

Publication number
CN114092301A
CN114092301A CN202111241673.2A CN202111241673A CN114092301A CN 114092301 A CN114092301 A CN 114092301A CN 202111241673 A CN202111241673 A CN 202111241673A CN 114092301 A CN114092301 A CN 114092301A
Authority
CN
China
Prior art keywords
watermark
medical image
shufflenet
key
network
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.)
Pending
Application number
CN202111241673.2A
Other languages
English (en)
Inventor
李京兵
李天夫
陈延伟
涂蓉
肖驰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan University
Original Assignee
Hainan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan University filed Critical Hainan University
Priority to CN202111241673.2A priority Critical patent/CN114092301A/zh
Publication of CN114092301A publication Critical patent/CN114092301A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T1/0057—Compression invariant watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T1/0064—Geometric transfor invariant watermarking, e.g. affine transform invariant
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0065—Extraction of an embedded watermark; Reliable detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioethics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明公开了一种基于ShuffleNet迁移学习的医学图像鲁棒多水印方法，属于多媒体信号处理领域。本发明的步骤是：首先对ShuffleNet网络进行结构改动，在自制的医学数据集上训练好后保存；接着把医学图像输入到训练好的ShuffleNet网络中，经过前向传播，对获得的数值处理后就成了医学图像的特征向量；然后对水印进行置乱加密，将医学图像的特征向量与加密后的三张二值水印分别进行异或得到三个二值逻辑序列；再通过相同的操作来提取待测医学图像的特征向量，并与二值密钥序列分别关联来进行水印的提取。本发明是基于ShuffleNet迁移学习的医学图像数字水印技术，有较好的鲁棒性，针对旋转、平移、缩放、剪切等几何攻击尤为突出，水印的嵌入不改变原始数据的内容，是一种零水印技术。

Description

基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究
技术领域
本发明涉及一种基于ShuffleNet迁移学习、混沌映射和图像特征向量的医学图像鲁棒数字水印技术，具体是一种基于ShuffleNet迁移学习的医学图像鲁棒多水印方法，是一种多媒体数据保护方法，属于多媒体信号处理领域。
技术背景
在科学技术高速发展的当下，多媒体信息的传播变得越来越便利，但与此同时，信息被盗用和窃取的风险也随之增加。而在医学领域，医学图像往往对应着每一位患者的重要信息，既不可轻易篡改，也要避免病人隐私信息的泄漏。因此，如何实施对医学图像的信息保护成为了一个重要的研究课题。
数字水印技术是一种能将特定的数字信号嵌入数字产品中保护数字产品版权或完整性的技术。如今，数字水印凭借其鲁棒性、不可见性、加密性的特点，逐渐取代了传统水印，广泛应用于众多领域，为多媒体信息传播的安全性与保密性。如今数字水印技术成为网络中保障信息安全、实施版权保护的重要手段。在医学领域，应用于医学图像的数字水印能够起到保护患者隐私、避免医疗数据被篡改的作用，为医学图像的安全性和准确性提供了保障。
然而，现有的水印算法虽然对图像压缩、滤波等信号处理攻击有较好的抵御效果，但应对旋转、剪切、缩放等几何攻击的效果较差。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水印算法的研究成果更少，因此研究出能够应对几何攻击的数字水印有着重大意义。
总之，在基于ShuffleNet迁移学习的医学图像中嵌入可抗旋转、缩放、平移、剪切等几何攻击的多水印方法，目前尚属空白，未见公开报道。
发明内容
本发明是一种基于ShuffleNet迁移学习的医学图像鲁棒多水印方法，通过将医学图像的特征向量、密码学、哈希函数和零水印技术结合，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，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。
为了实现上述目的，本发明是这样进行的：先对ShuffleNet的最后几层做一些改动,使这个网络能够输出32个数值，然后在自制的医学数据集上重新训练，训练完成后将医疗图像作为ShuffleNet深度网络的输入图像，并对网络的32个输出值进行二值化，以此作为医疗图像的特征向量，将水印技术与混沌加密、Hash函数和“第三方概念”有机结合起来，实现了数字水印的抗几何攻击和常规攻击。本发明所采用的方法包括基于ShuffleNet迁移学习的特征向量提取、水印加密、水印嵌入、水印提取和水印解密五大部分。
现对本发明的方法进行详细说明如下：
第一部分：基于ShuffleNet迁移学习的特征向量提取
基于ShuffleNet迁移学习的特征向量提取又分为改进ShuffleNet 深度网络、制作数据集和训练网络三个过程。
改进ShuffleNet深度网络：
1)将ShuffleNet深度网络的全连接层由原先的1000个输出改为32 个输出，删除全连接层后面的所有层，并使用均方误差损失函数使其能够完成回归任务；
制作数据集：
2)选择胸透(CXR)、手部CT和脑部CT三类图像各400张，三类图像中的部分图像如图1所示。然后将这1200张图像按照3：1： 1的比例分为三份(1200张图像混合在一起后，完全打乱)，作为原始训练图像、原始验证图像和测试图像；
3)对原始训练图像和原始验证图像总共960张图像进行数据增强(数据增强采用了高斯噪声、JPEG压缩、中值滤波、旋转、尺度、平移和剪切，具体的操作可见表1)，这样一张图像经过数据增强就得到了新的54张图像，所以训练集就有了(54+1)×720＝39600 张图像，验证集就有了(54+1)×240＝13200张图像，测试集还是 240张图像，将这39600+13200+240＝53040张图像作为这次实验的数据集；
表1数据集制作时采用的数据增强具体操作
Figure RE-GDA0003435288460000041
4)数据集的标签是32位的二值特征向量，特征向量的获取步骤：(1) 对图像进行DCT变换；(2)取DCT系数矩阵的左上角4×8区域的数值，并进行二值化(大于0的记为1，小于等于0的记为0)，得到32位的特征向量。将原始训练图像和原始验证图像总共960 张图像都进行相同的步骤，获得它们各自的特征向量，32位的特征向量就作为图像的标签；
5)将原始图像和由它得到的54张新图像标记为相同的标签，这个标签也就是原始图像经过DCT变换后得到的32位特征向量，特征向量的获取方式请参照步骤4)；
6)把53040张图像都调整成224×224像素大小；
训练网络：
这次实验用了Matlab的神经网络工具箱，选择的是 ShuffleNet预训练网络(这个预训练网络已经在ImageNet数据集上使用了超过100万张图片进行过训练)。
7)将网络的1：79层的学习率设置为零，来“冻结”这些层的权重，在训练过程中，已冻结层的参数不会更新；
8)这次训练的初始学习率设置为0.001，MiniBatchSize设置为30， Epochs设置为8，优化器用的是带有动量的随机梯度下降(SGDM) 优化器；
9)训练好网络后保存网络，以后就不需要再次训练了。
接下来就可以提取图像的特征向量了。选择三个不同的二值文本图像作为嵌入医学图像的水印，记为W1＝{w1(i,j)|w1(i,j)＝0, 1；1≤i≤M1,1≤j≤M2},W2＝{w2(i,j)|w2(i,j)＝0,1；1≤i≤M1,1≤j ≤M2},W3＝{w1(i,j)|w3(i,j)＝0,1；1≤i≤M1,1≤j≤M2}。同时，我们在测试集里选取一个224×224像素大小的医学图像，记为I(i,j), W1(i,j)、W2(i,j)、W3(i,j)分别表示三个水印的像素灰度值，I(i,j) 表示原始医学图像的像素灰度值。
10)将医学图像I(i,j)作为训练好的网络的输入图像，并对网络进行前向传播，得到的结果是32个数值，对这32个数值进行判别，大于等于0.5的判为1，小于0.5的判为0，这32位的判别结果就作为医学图像的特征向量，记为V(i,j)；
第二部分：水印的加密
11)获取二值混沌序列
首先根据三个不同的初始值生成三个不同的混沌序列X1(j)、X2(j)、 X3(j)，将产生的混沌序列都变为0,1二值序列，本实验将三个水印的混沌系数的初值分别设为0.2、0.5、0.7，生长参数为4，迭代次数为32；
12)得到混沌加密的水印
将三张32×32像素大小的二值水印图片W1(i,j)、W2(i,j)、W3(i,j) 的每一行都与产生的混沌序列X1(j)、X2(j)、X3(j)一一对应进行异或，得到混沌置乱的水印BW1(i,j)、BW2(i,j)、BW3(i,j)；
BW1(i,j)＝W1(i,j)⊕X1(j)
BW2(i,j)＝W2(i,j)⊕X2(j)
BW3(i,j)＝W3(i,j)⊕X3(j)
第三部分：水印的嵌入
13)将医学图像的特征向量V(i,j)和加密后的水印BW1(i,j)、BW2(i,j)、 BW3(i,j)的每一行逐位进行异或运算，便可将水印嵌入到医学图像中，同时得到逻辑密钥Key_w1(i,j)、Key_w2(i,j)、Key_w3(i,j)；
Key_w1(i,j)＝BW1(i,j)⊕V(i,j)
Key_w2(i,j)＝BW2(i,j)⊕V(i,j)
Key_w3(i,j)＝BW3(i,j)⊕V(i,j)
保存Key_w1(i,j)、Key_w2(i,j)、Key_w3(i,j)，这在后面提取水印时要用到。通过将Key_w1(i,j)、Key_w2(i,j)、Key_w3(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：水印的提取
14)提取待测医学图像I'(i,j)的特征向量
待测医学图像I'(i,j)的特征二值序列V'(i,j)获取方式和医学图像I(i,j)的特征二值序列V(i,j)获取方式相同，具体请参考步骤10)； 15)提取水印BW'(i,j)
将待测图像的特征向量V'(i,j)和逻辑密钥Key_w1(i,j)、Key_w2(i,j)、 Key_w3(i,j)的每一行分别进行异或运算，便提取出加密的水印BW1'(i, j)、BW2'(i,j)、BW3'(i,j)；
BW1'(i,j)＝Key_w1(i,j)⊕V'(i,j)
BW2'(i,j)＝Key_w2(i,j)⊕V'(i,j)
BW3'(i,j)＝Key_w3(i,j)⊕V'(i,j)
该算法在提取水印时只需要密钥Key_w1(i,j)、Key_w2(i,j)、Key_w3 (i,j)，不需要原始图像参与，是一种零水印提取算法；
第五部分：水印的解密
16)获取二值混沌加密序列X(j)
利用和水印加密同样的方法，得到相同的二值混沌矩阵X1(j)、 X2(j)、X3(j)，具体请参考步骤11)；
17)还原提取出的加密水印
将提取出的加密水印BW1'(i,j)、BW2'(i,j)、BW3'(i,j)的每一行都与产生的混沌序列进行异或，得到还原的水印W1'(i,j)、W2'(i,j)、 W3'(i,j)；
W1’(i,j)＝BW1’(i,j)⊕X1(j)
W2’(i,j)＝BW2’(i,j)⊕X2(j)
W3’(i,j)＝BW3’(i,j)⊕X3(j)
通过分别计算W1(i,j)与W1'(i,j)、W2(i,j)与W2'(i,j)、W3(i,j)与W3'(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。
本发明的创新点：
本算法基于ShuffleNet迁移学习，ShuffleNet有很强大的学习能力，通过对网络的改动，使网络可以输出图像的特征向量，将改动后的ShuffleNet网络在自制的医学数据集上训练后，改动后的ShuffleNet 网络具有了良好的抗几何攻击性能。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，并且通过多水印的嵌入，提高了算法的稳定性与准确性；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。
以下从理论基础和实验数据说明：
1)ShuffleNet
ShuffleNet是一种计算高效的CNN模型，ShuffleNet的核心是采用了两种操作：pointwise group convolution和channel shuffle，这两种操作在保持精度的同时大大降低了模型的计算量。ShuffleNet网络的基本结构是基于残差网络的残差结构。如图2所示。
首先，我们先看一下其基本单元ShuffleNet Unit。如图2所示，(a) 图是ResNeXT的残差模块，经过1*1的卷积来降低通道数，然后使用3*3的group卷积，最后使用1*1的卷积将通道数提升回原来。(b) 图是作者提出的ShuffleNet Unit，与残差模块类似，将残差模块中的1*1卷积换成1*1的group卷积，并加入了channel shuffle操作。值得注意的是，3*3的group卷积后，没有接激活函数。(c)图是步长为 2的情况，基本类似，但最后是concat操作，而不是add，这样做的目的是在很小的计算成本下，更容易扩大通道数。
接下来分析一下，ShuffleNet的FLOPs的变化。假设输出尺寸为 c*h*w，
·ResNet的FLOPs为hwcm+9hwm2+hwmc＝9hwm2+2hwcm
·ResNeXt的FLOPs为hwcm+9hwm2/g2+hwcm＝9hwm2/g+2hwcm
·ShuffleNet的FLOPs为9hwm+2hwcm/g
可以看出，ShuffleNet相对的FLOPs较小。换而言之，在相同的计算资源限制下，ShuffleNet能使用更宽的特征图。这个对轻量化网络来说，是非常重要的。因为轻量化网络通常由于特征图宽度不足而无法更好处理信息。
基于提出的ShuffleNetUnit，可以构建出Shuffle网络，如表2 所示。在整体计算资源变化不大下(～140MFLOPs)，当组数g扩大的时候，可以采用更加宽的特征图，来更好的编码信息。
表2 ShuffleNet网络架构
Figure RE-GDA0003435288460000101
2)离散余弦变换(DCT)
常用的一种一维DCT变换公式如下：
Figure RE-GDA0003435288460000102
Figure RE-GDA0003435288460000103
其中c(u)是一个系数，N是f(x)的总数。
二维DCT变换是在一维的基础上再进行一次DCT变换，公式如下：
Figure RE-GDA0003435288460000104
3)Logistic Map
Logistic Map是最著名的混沌映射之一，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。
4)归一化相关系数
采用归一化互相关(归一化Cross-correlation,NC)方法测量嵌入的原始水印与提取的原始水印之间的数量相似性，定义为:
Figure RE-GDA0003435288460000111
W(i,j)表示原始水印图像的特征向量，其长度是32bit；W′(i,j)表示待测水印图像的特征向量，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。
附图说明
图1是从每类图像中各自选取36张图像以供展示：a.胸透(CXR) 图像；b.手部CT图像；c.脑部CT图像。
图2是ShuffleNet网络的基本单元结构。
图3是选取的测试集内的3张医学图像。a：胸透(CXR)；b：脑部 CT；c：手部CT。
图4是选取的水印图像。W1：“HN”；W2：“CN”；W3：“BJ”。
图5是测试集中的9张医学图像。
具体实施方式
下面对本发明作进一步说明，实验测试的对象是224×224像素,3 通道大小的测试集内的3张医学图像，见图3。选择三个有意义的二值图像作为原始水印，分别记为W1、W2、W3，见图4。这里水印的大小都为32×32。首先将医疗图像作为训练好的ShuffleNet深度网络的输入图像，经过前向传播后，取网络的32个输出结果并进行二值化处理(大于等于0.5的判为1，小于0.5的判为0)，这32位的判别结果就作为图像的特征向量。设置三张水印进行加密的混沌系数的初始值分别为0.2(W1)、0.5(W2)、0.7(W3)，增长参数都是4，迭代次数都是32。然后对原始水印进行混沌加密。通过水印算法检测出 W1'(i,j)、W2'(i,j)、W3'(i,j)后，我们通过计算归一化相关系数 NC(Normalized Cross Correlation)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。
实验测试了该水印算法的抗常规攻击能力和抗几何攻击能力，实验数据见表3。
表3该水印算法在测试集内的3张医学图像测试中的水印之间的NC值
Figure RE-GDA0003435288460000121
Figure RE-GDA0003435288460000131
这里的NC1、NC2、NC3分别指的是W1和W1′之间的NC值、W2和W2′之间的NC值、 W3和W3′之间的NC值。
从表3可以看出，该水印算法的抗高斯噪声攻击的能力比较差，但它的抗JPEG压缩、中值滤波、旋转、尺度、平移和剪切攻击的能力都很强，说明该算法有很好的抗常规攻击能力和抗几何攻击能力。另外实验还测试了测试集中的9张医学图像在经过训练好的ShuffleNet深度网络提取特征向量后它们的特征向量之间的NC值，这9张医学图像如图5所示，实验数据如表4所示。
表4测试集中的9张医学图像的特征向量之间的NC值
NC 图5.1 图5.2 图5.3 图5.4 图5.5 图5.6 图5.7 图5.8 图5.9
图5.1 1.00 0.13 0.44 0.13 0.00 0.25 -0.06 -0.13 0.00
图5.2 0.13 1.00 0.31 0.00 -0.13 0.27 0.17 -0.13 0.24
图5.3 0.44 0.31 1.00 0.06 -0.06 0.20 0.24 0.06 0.06
图5.4 0.13 0.00 0.06 1.00 0.50 0.38 0.32 0.38 0.13
图5.5 0.00 -0.13 -0.06 0.50 1.00 0.50 -0.06 0.13 0.00
图5.6 0.25 0.27 0.20 0.38 0.50 1.00 0.09 0.13 0.27
图5.7 -0.06 0.17 0.24 0.32 -0.06 0.09 1.00 0.57 0.55
图5.8 -0.13 -0.13 0.06 0.38 0.13 0.13 0.57 1.00 0.13
图5.9 0.00 0.24 0.06 0.13 0.00 0.27 0.55 0.13 1.00
从表4可以看出，这9张医学图像的特征向量之间的NC值都低于0.6，说明通过训练好的ShuffleNet深度网络提取图像特征向量的方式是可行的，对图像有很好的区分度。
该水印算法有很好的移植性，不仅可以应用于数据集内的这三种医学图像，还可以应用于数据集之外的医学图像。如果将水印算法应用于数据集之外的医学图像，只需要取一类图像中的一小部分作为 ShuffleNet网络的数据集，再重新训练ShuffleNet网络即可。而且水印的数量不限于三张，利用相同的方法可以嵌入很多张水印，本发明选用了三张水印，只是为了叙述方便。

Claims (1)

1.一种基于ShuffleNet迁移学习的医学图像鲁棒多水印实现方法，其特征在于：基于ShuffleNet迁移学习，经过对ShuffleNet网络的改进和再训练，得到医学图像的抗几何攻击的特征向量，并与水印技术结合起来，实现了医学图像零水印的抗几何攻击，该医学图像数字水印实现方法共分三大部分，共计十个步骤：
第一部分是原始医学图像的特征提取：
1)将ShuffleNet网络的全连接层的输出由原来的1000个输出改为32个输出，删除全连接层后面的所有层，并使用均方误差损失函数使其能够完成回归任务,改动后的网络在自制的医学数据集(数据集的制作请看上面的详细说明)上训练好后保存(训练好后就不需要再次训练)；；
2)接着把医学图像输入到训练好的ShuffleNet深度网络中，经过前向传播，得到32个数值，；
3)这32个数值经过处理(大于等于0.5的判为1，小于0.5的判为0)后就成了医学图像的特征向量，记为V(i,j)；
第二部分是水印的加密与嵌入：
4)通过Logistic Map产生三个不同的32位的混沌序列X1(j)，X2(j)，X3(j)；
5)将32×32大小的二值水印图片W1(i,j)、W2(i,j)、W3(i,j)的每一行都分别与产生的混沌序列X1(j)、X2(j)、X3(j)进行异或，得到混沌置乱的水印BW1(i,j)、BW2(i,j)、BW3(i,j)；
6)将加密水印序列BW1(i,j)、BW2(i,j)、BW3(i,j)和提取的医学图像的特征序列V(i,j)进行异或操作，生成三个二值逻辑密钥序列Key_w1(i,j)、Key_w2(i,j)、Key_w3(i,j)，然后将这三个二值逻辑序列存在第三方，
Figure FDA0003319740550000021
Figure FDA0003319740550000022
第三部分是水印的提取：
7)用相同的方法求出待测医学图像的特征序列V’(i,j)，具体请参考步骤2)、3)；
8)利用存在于第三方的二值逻辑密钥序列Key_w1(i,j)、Key_w2(i,j)、Key_w3(i,j)和待测医学图像的特征向量V’(i,j)，提取出加密水印BW1’(i,j)、BW2’(i,j)、BW3’(i,j)。
Figure FDA0003319740550000023
Figure FDA0003319740550000024
9)通过Logistic Map产生和步骤4)相同的三个32位混沌序列X1(j)、X2(j)、X3(j)，将提取出的加密水印BW1’(i,j)、BW2’(i,j)、BW3’(i,j)的每一行都与产生的混沌序列X1(j)、X2(j)、X3(j)分别进行异或，得到还原的水印W1’(i,j)、W2’(i,j)、W3’(i,j)。
Figure FDA0003319740550000025
Figure FDA0003319740550000026
10)将W1(i,j)和W1’(i,j)、W2(i,j)和W2’(i,j)、W3(i,j)和W3’(i,j)分别进行归一化相关系数计算，求出NC值，衡量算法的鲁棒性。
CN202111241673.2A 2021-10-25 2021-10-25 基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究 Pending CN114092301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111241673.2A CN114092301A (zh) 2021-10-25 2021-10-25 基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111241673.2A CN114092301A (zh) 2021-10-25 2021-10-25 基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究

Publications (1)

Publication Number Publication Date
CN114092301A true CN114092301A (zh) 2022-02-25

Family

ID=80297801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111241673.2A Pending CN114092301A (zh) 2021-10-25 2021-10-25 基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究

Country Status (1)

Country Link
CN (1) CN114092301A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110765880A (zh) * 2019-09-24 2020-02-07 中国矿业大学 一种轻量级视频行人重识别方法
CN113240015A (zh) * 2021-05-18 2021-08-10 哈尔滨工业大学（深圳） 一种结合深度学习的图像匹配方法
CN113379693A (zh) * 2021-06-01 2021-09-10 大连东软教育科技集团有限公司 基于视频摘要技术的胶囊内镜关键病灶图像检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110765880A (zh) * 2019-09-24 2020-02-07 中国矿业大学 一种轻量级视频行人重识别方法
CN113240015A (zh) * 2021-05-18 2021-08-10 哈尔滨工业大学（深圳） 一种结合深度学习的图像匹配方法
CN113379693A (zh) * 2021-06-01 2021-09-10 大连东软教育科技集团有限公司 基于视频摘要技术的胶囊内镜关键病灶图像检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘瑶利;李京兵;: "一种基于DCT和Logistic Map的医学图像鲁棒多水印方法", 计算机应用研究, no. 11, 3 June 2013 (2013-06-03), pages 1 - 3 *
王财勇;孙哲南;: "虹膜分割算法评价基准", 计算机研究与发展, no. 02, 15 February 2020 (2020-02-15), pages 157 - 174 *

Similar Documents

Publication Publication Date Title
Zhou et al. Quantum color image watermarking based on Arnold transformation and LSB steganography
CN106023056A (zh) 基于dwt和主成分分析压缩的零水印嵌入、提取方法及装置
Zhang et al. An efficient multi-level encryption scheme for stereoscopic medical images based on coupled chaotic system and Otsu threshold segmentation
Fan et al. A multi-watermarking algorithm for medical images using inception v3 and dct
Anand et al. Health record security through multiple watermarking on fused medical images
Singh et al. Watmif: Multimodal medical image fusion-based watermarking for telehealth applications
Liu et al. Robust blind image watermarking based on chaotic mixtures
Bao et al. Image scrambling adversarial autoencoder based on the asymmetric encryption
Ramzan et al. Secure and efficient privacy protection system for medical records
Su et al. Visualized multiple image selection encryption based on log chaos system and multilayer cellular automata saliency detection
Singh Fastmie: Faster medical image encryption without compromising security
Wu Research on digital image watermark encryption based on hyperchaos
Mansour et al. Steganography-Based Transmission of Medical Images Over Unsecure Network for Telemedicine Applications.
Shi et al. A Blind Watermarking Technique for Color Image based on SVD with Circulation.
Chai et al. SE-NDEND: A novel symmetric watermarking framework with neural network-based chaotic encryption for Internet of Medical Things
Arham et al. Secure medical image watermarking based on reversible data hiding with Arnold's cat map.
Zhou et al. Quantum color image watermarking based on fast bit-plane scramble and dual embedded
Yang et al. Robust Watermarking Algorithm for Medical Images Based on Non-Subsampled Shearlet Transform and Schur Decomposition.
Sun et al. A Novel Image Steganography Based on Contourlet Transform and Hill Cipher.
Radouane et al. A Method of LSB substitution based on image blocks and maximum entropy
CN114092301A (zh) 基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究
CN114092302A (zh) 基于残差网络和深度可分离卷积的医学图像鲁棒水印方法
Chandana et al. Efficient and secure communication of quantum image steganography using 3-way’s of authentication
CN114092306A (zh) 基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入及提取方法
CN116342358A (zh) 一种基于K-means和DCT的医学图像鲁棒水印方法

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