CN114092302A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114092302A
CN114092302A CN202111243397.3A CN202111243397A CN114092302A CN 114092302 A CN114092302 A CN 114092302A CN 202111243397 A CN202111243397 A CN 202111243397A CN 114092302 A CN114092302 A CN 114092302A
Authority
CN
China
Prior art keywords
network
watermark
medical image
rdscnet
image
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
CN202111243397.3A
Other languages
English (en)
Inventor
李京兵
郑俊华
黄梦醒
陈延伟
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 CN202111243397.3A priority Critical patent/CN114092302A/zh
Publication of CN114092302A publication Critical patent/CN114092302A/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
    • G06T1/0064—Geometric transfor invariant watermarking, e.g. affine transform invariant
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (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)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种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，将残差网络结构与深度可分离卷积模块结合设计RDSCnet网络，利用构建医学图像数据集对RDSCnet网络训练，从而使RDSCnet网络具有更好的抗几何攻击性能，且具有更快的运算速度，利用训练好的RDSCnet网络提取医学图像的特征向量与混沌置乱加密后的水印进行异或运算加密处理，将水印嵌入医学图像中，水印的嵌入不改变原始加密体数据的内容，是一种零水印嵌入技术，具有不可见性，因而RDSCnet网络与零水印技术的结合，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，解决了现有医学图像的数字水印技术仍不够成熟，抗几何攻击性能较差，鲁棒性能还有待提高的技术问题。

Description

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
技术领域
本发明涉及图像水印技术领域，尤其涉及一种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。
背景技术
医学发展逐渐从传统医学向远程医疗转变，这使得大量的医学图像在网 络中传输和共享，这就涉及到了医学图像的安全性问题。为了保证医学图像 在传输共享过程中不被篡改和盗用，需要对原始医学图像进行技术处理，以 保证原始医学图像的安全性。
数字水印技术最初用于数字媒体的版权保护，现在利用零水印的不可见 性、鲁棒性等特点，可以将病人的个人信息隐藏在医学图像中，能够保护病 人的隐私和避免病人的医学图像数据被篡改，以保证它在互联网上的安全传 输，因而也使得数字水印技术能够很好地应用于医疗领域。但是，目前相对 于医学图像的数字水印技术仍不够成熟，抗几何攻击性能较差，鲁棒性能还 有待提高。
发明内容
本发明提供了一种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，用于解决目前相对于医学图像的数字水印技术仍不够成熟，抗几何攻 击性能较差，鲁棒性能还有待提高的技术问题。
有鉴于此，本发明提供了一种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，包括：
将残差网络结构与深度可分离卷积模块结合设计，得到RDSCnet网络；
初始化RDSCnet网络的参数，使用构建的医学图像数据集对RDSCnet网 络进行训练，得到训练好的RDSCnet网络，其中，医学图像数据集包括原始 训练图像、原始验证图像和测试图像；
将目标医学图像输入训练好的RDSCnet网络，对训练好的RDSCnet网络 输出的特征依次进行压缩处理、二值化处理和向量化处理，得到目标医学图 像的特征向量；
对原始目标水印进行混沌置乱加密，得到加密后的混沌置乱水印；
根据得到的混沌置乱水印和目标图像的特征向量进行异或运算，以将原 始目标水印信息嵌入目标医学图像中，同时得到二值逻辑密钥序列；
将待提取水印信息的医学图像输入训练好的RDSCnet网络，提取待提取 水印信息的医学图像的特征向量；
调取待提取水印信息的医学图像对应的二值逻辑密钥序列，将待提取水 印信息的医学图像的特征向量和对应的二值逻辑密钥序列的每一行进行异或 运算，提取出加密水印；
对加密水印进行解密，得到还原的水印信息。
可选地，RDSCnet网络的基本构造单元为深度可分离卷积模块，而 RDSCnet网络的初始卷积层和末端卷积层为常规卷积。
可选地，使用构建的医学图像数据集对RDSCnet网络进行训练之前，还 包括：
对原始训练图像和原始验证图像进行数据增强处理。
可选地，对原始训练图像和原始验证图像进行数据增强处理，包括：
对原始训练图像和原始验证图像进行高斯噪声处理、JPEG压缩处理、中 值滤波处理、旋转处理、尺度放大和缩小处理、平移处理和剪切处理。
可选地，在构建医学图像数据集时，包括对医学图像数据集的图像添加 标签，其中，对医学图像数据集的图像添加标签包括：
使用双三次插值法将图像压缩到12×12像素大小；
采用min-max标准化法使12×12大小的数值矩阵的所有元素值分布在0-1 之间，12×12大小的数值矩阵就作为图像的标签。
可选地，对原始目标水印进行混沌置乱加密，得到加密后的混沌置乱水 印，包括：
通过Logistic Map产生36×36＝1296位混沌序列；
将产生的混沌序列变为二值混沌序列；
将36×36大小的原始目标水印与产生的二值混沌序列进行异或运算，得 到加密后的混沌置乱水印。
可选地，还包括：
将二值逻辑密钥序列存储在第三方，其中，二值逻辑密钥序列与对应的 嵌入原始目标水印信息的医学图像绑定。
可选地，对训练好的RDSCnet网络输出的特征依次进行压缩处理、二值 化处理和向量化处理，得到目标医学图像的特征向量，包括：
对训练好的RDSCnet网络输出的12×12大小的特征矩阵进行离散余弦变 换，取变换系数矩阵左上角6×6区域大小的数值作为图像特征值，然后对这 36个特征值进行判别，将特征值大于0的判为1，否则判为0，将36个特征 值的判别结果从矩阵形式转换成向量形式，并将向量形式的特征值作为目标 医学图像的特征向量。
可选地，对加密水印进行解密，得到还原的水印信息，包括：
通过Logistic Map产生36×36＝1296位混沌序列；
将产生的混沌序列变为二值混沌序列；
将加密水印与产生的二值混沌序列进行异或运算，得到还原的水印信息。
可选地，还包括：
获取原始目标水印，将原始目标水印和还原水印进行归一化相关系数计 算，确定目标医学图像的所有权和嵌入的水印信息。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供了一种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，将残差网络结构与深度可分离卷积模块结合自主设计RDSCnet网络， 利用构建的医学图像数据集对RDSCnet网络进行训练，从而使RDSCnet网络 具有更好的抗几何攻击性能和抗常规攻击性能，且具有更快的运算速度，利 用训练好的RDSCnet网络提取医学图像的特征向量与混沌置乱加密后的水印 进行异或运算加密处理，将水印嵌入医学图像中，水印的嵌入不改变原始加 密体数据的内容，是一种零水印嵌入技术，具有不可见性，因而RDSCnet网络与零水印技术的结合，提高了嵌入医学图像的水印的抗几何性能，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， 解决了现有医学图像的数字水印技术仍不够成熟，抗几何攻击性能较差，鲁 棒性能还有待提高的技术问题。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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相关的附图。
图1为本发明实施例中提供的一种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；
图2为本发明实施例中提供的残差网络的残差学习单元；
图3为本发明实施例中提供的36张胸透(CXR)图像示意图；
图4为本发明实施例中提供的RDSCnet网络结构图；
图5为本发明实施例中提供的选取的测试集内的9张医学图像示意图；
图6为本发明实施例中提供的选取的原始水印示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实 施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发 明中的实施例，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，都属于本发明保护的范围。
为了便于理解，请参阅图1至图6，本发明中提供了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，包括：
步骤101、将残差网络结构与深度可分离卷积模块结合设计，得到 RDSCnet网络。
残差网络拥有一个独特的网络连接方法，用隔层shortcut将前面层与后面 层连接起来，解决了深度网络的退化问题，可以将网络构建得更深，性能效 果也更出色。如图2所示，每隔几层，要将前面某层的特征图与后面某层的 特征图进行点对点的相加，作为新的特征图输入下一层。用公式表示，设第L 层的输出为XL，F表示每一层的复合操作，包括卷积、批量标准化、激活函 数等，则XL＝FL(XL-1)+XL-1。基于Shortcut的操作，可以实现特征重用，有 助于训练过程中梯度的反向传播。
深度可分离卷积相比常规的卷积操作，参数数量和运算成本比较低，网 络的运算速度会比较快，但网络提取特征的能力也略微有所下降。假设有一 张6×6像素，3通道的图片，卷积核大小为3×3，输出的Feature Map为4， 填充方式为“same padding”，如果用常规卷积操作的话，那么卷积层的总参 数就为3×3×3×4+4(偏置)＝112个。在所有条件都相同情况下，使用深度可 分离卷积时卷积层的滤波器数为3(滤波器数和输入的通道数相同)，每个滤 波器只有1个卷积核，那么卷积核的参数就为3×3×3+3(偏置)＝30个，但此时输出的Feature Map数为3，为了把输出通道数提高为4，常用的方法是在 后面采用点卷积操作，也就是采用1×1大小的卷积核，点卷积操作和常规卷 积操作一样。所以点卷积层的滤波器数就为4，每个滤波器有3个1×1大小的 卷积核，那么点卷积层的参数就为1×1×3×4＝16，整个深度可分离卷积操作的 参数量为30+16＝46个。可看出深度可分离卷积操作的参数量比常规卷积的参 数量要少很多。
本发明实施例中，残差网络结构独特的网络连接方法与参数数量和运算 成本比较低的深度可分离卷积模块相结合设计，得到RDSCnet网络，RDSCnet 网络构建得较深，性能效果也很出色，具有更快的运算速度。
步骤102、初始化RDSCnet网络的参数，使用构建的医学图像数据集对 RDSCnet网络进行训练，得到训练好的RDSCnet网络，其中，医学图像数据 集包括原始训练图像、原始验证图像和测试图像。
采集医学图像数据，将医学图像数据按比例划分为原始训练图像数据集、 原始验证图像数据集和测试图像数据集，构建医学图像数据集。具体地，原 始训练图像数据集、原始验证图像数据集和测试图像数据集的比例为3:1:1。 例如，可以选择1000张胸透图像，如图3所示(图3中仅选取36张图像作 为展示)，为了提高样本数据的随机性，1000张图像混合在一起后完全打乱， 将这打乱后的1000张图像按照3:1:1的比例分为三份(600、200和200张)， 分别作为原始训练图像数据集、原始验证图像数据集和测试图像数据集。
设计好RDSCnet网络之后，对RDSCnet网络进行训练，将RDSCnet网 络的学习率设置为0.001，MiniBatchSize设置为30，Epochs设置为3，然后 使用医学图像数据集中的原始训练图像数据集对RDSCnet网络的网络参数进 行训练，用原始验证图像数据集对训练好的RDSCnet网络进行验证，使用测 试图像数据集来测试整个水印算法的性能。这样训练后的RDSCnet网络就具 有了良好的抗几何攻击性能和抗常规攻击性能。
步骤103、将目标医学图像输入训练好的RDSCnet网络，对训练好的 RDSCnet网络输出的特征依次进行压缩处理、二值化处理和向量化处理，得 到目标医学图像的特征向量。
得到训练好的RDSCnet网络之后，就可以使用训练好的RDSCnet网络提 取医学图像的特征向量。将目标医学图像作为训练好的RDSCnet网络的输入 图像，对网络进行前向传播，得到的网络输出结果是12×12大小的特征图， 对这个特征图进行离散余弦变换，取变换系数矩阵左上角6×6区域大小的数 值作为图像特征值，然后对这36个特征值进行判别，将特征值大于0的判为 1，否则判为0，将36个特征值的判别结果从矩阵形式转换成向量形式，并将 向量形式的特征值作为目标医学图像的特征向量，记为V(i,j)。
步骤104、对原始目标水印进行混沌置乱加密，得到加密后的混沌置乱水 印。
选择要添加的原始目标水印，对原始目标水印进行混沌置乱加密，得到 加密后的混沌置乱水印。具体地，混沌置乱水印过程包括：
通过Logistic Map产生36×36＝1296位混沌序列，其中，混沌系数的初始 值x0设为0.2，生长参数设为4，迭代次数为1295。
将产生的混沌序列变为0,1二值混沌序列X(j)；
将36×36大小的原始目标水印(二值水印图片W(i,j))与产生的二值混沌 序列X(j)进行异或运算，得到加密后的混沌置乱水印BW(i,j)。
Logistic Map是混沌映射之一，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，xk∈(0,1)，0＜μ≤4。当3.5699456＜μ≤4时，Logistic映射进入混沌状 态，此时的Logistic混沌序列可以作为理想的密钥序列。
步骤105、根据得到的混沌置乱水印和目标图像的特征向量进行异或运 算，以将原始目标水印信息嵌入目标医学图像中，同时得到二值逻辑密钥序 列。
将医学图像的特征向量V(i,j)与加密后的水印BW(i,j)的每一行逐位进行 异或运算，便可将水印BW(i,j)嵌入到目标医学图像中，同时得到二值逻辑密 钥序列Key(i,j)；
Figure BDA0003320248030000071
保存Key(i,j)；将二值逻辑密钥序列存储在第三方，其中，二值逻辑密钥序列 与对应的嵌入原始目标水印信息的医学图像绑定，以便于用于后续提取水印。 通过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。
步骤106、将待提取水印信息的医学图像输入训练好的RDSCnet网络， 提取待提取水印信息的医学图像的特征向量。
待提取水印信息的医学图像的特征向量V'(i,j)的获取方式与步骤103的医 学图像的特征向量V(i,j)获取方法相同，在此不再进行赘述。
步骤107、调取待提取水印信息的医学图像对应的二值逻辑密钥序列，将 待提取水印信息的医学图像的特征向量和对应的二值逻辑密钥序列的每一行 进行异或运算，提取出加密水印。
从第三方获取待提取水印信息的医学图像对应的二值逻辑密钥序列 Key(i,j)，将待提取水印信息的医学图像的特征向量V'(i,j)和二值逻辑密钥序列 Key(i,j)的每一行进行异或运算，便提取出BW'(i,j):
Figure BDA0003320248030000072
在提取水印时只需密钥Key(i,j)，不需要原始图像参与，是一种零水印提 取方法。
步骤108、对加密水印进行解密，得到还原的水印信息。
通过Logistic Map产生与步骤104中相同的1296位混沌序列，将产生的 混沌序列变为二值混沌系列X(j)，将加密水印BW'(i,j)与产生的二值混沌系列 X(j)进行异或运算，得到还原的水印W'(i,j)：
Figure BDA0003320248030000073
本发明实施例提供的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，将残差网络结构与深度可分离卷积模块结合自主设计RDSCnet网络， 利用构建的医学图像数据集对RDSCnet网络进行训练，从而使RDSCnet网络 具有更好的抗几何攻击性能和抗常规攻击性能，且具有更快的运算速度，利 用训练好的RDSCnet网络提取医学图像的特征向量与混沌置乱加密后的水印 进行异或运算加密处理，将水印嵌入医学图像中，水印的嵌入不改变原始加 密体数据的内容，是一种零水印嵌入技术，具有不可见性，因而RDSCnet网 络与零水印技术的结合，提高了嵌入医学图像的水印的抗几何性能，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， 解决了现有医学图像的数字水印技术仍不够成熟，抗几何攻击性能较差，鲁 棒性能还有待提高的技术问题。
在一个实施例中，在步骤101中，RDSCnet网络的基本构造单元是深度 可分离卷积模块，该模块的详细结构如表1所示。
表1.深度可分离卷积模块的详细结构
Figure BDA0003320248030000081
其中，h×w×k为输入的长×宽×通道数，t为倍数，s为卷积核的步幅，k′为 最后一层输出的通道数，conv2d为常规二维卷积操作，DSC_conv2d为深度可分 离卷积操作，ReLU函数作为网络的激活函数。
RDSCnet网络的初始卷积层和末端卷积层采用的是常规卷积操作，卷积 核的大小为3×3，然后是表1所示的12个深度可分离卷积模块，其中第1、3、 5和7个模块用到了残差网络结构。设计的网络有38层，有466293个参数， 所占内存仅1.8M左右，远低于目前那些经典网络的大小，参数对比如表2所 示。表3为RDSCnet网络各个模块的详细信息。
表2.RDSCnet网络与目前一些经典网络的参数对比
Figure BDA0003320248030000082
Figure BDA0003320248030000091
表3.RDSCnet网络的详细配置
输入 操作 t s c
224×224×1 Conv1 - 2 36
112×112×36 Block1 2 1 36
112×112×36 Block2 2 2 36
56×56×36 Block3 3 1 36
56×56×36 Block4 4 2 36
28×28×36 Block5 5 1 36
28×28×36 Block6 5 2 108
14×14×108 Block7 10/3 1 108
14×14×108 Block8 20/3 1 144
12×12×114 Block9 5/2 1 72
12×12×72 Block10 2 1 36
12×12×36 Block11 2 1 6
12×12×6 Block12 3 1 3
12×12×3 Conv2 - 1 1
12×12×1 - - - -
这里的t、s和表1的t、s是一样的，c是输出通道数。Conv1和Conv2是 常规卷积操作，12个Block都属于表1介绍的深度可分离卷积模块。除了Block8 中的3×3卷积核采用“validpadding”填充方式外，网络中的其他卷积核都采 用了“same padding”填充方式。RDSCnet网络的结构图如图4所示，图中的 每个长方体都是一个卷积层，除了Conv1层和每个Block块中第三个卷积层后 面没有激活函数，其它卷积层后面都有一个ReLu激活函数。每个Block块代 表一次深度可分离卷积操作，网络总共进行了12次深度可分离卷积操作。每 个Block块左右两端的长方体代表的卷积层用的是1×1大小的卷积核，Conv1 层、Conv2层和每个Block块中间的长方体代表的卷积层用的是3×3大小的卷 积核。Block1、Block3、Block5和Block7用到了残差网络结构。在每一次卷积 后都会使用批量标准化(BatchNormalization)操作来调整数据。
在一个实施例中，在步骤102中，使用构建的医学图像数据集对RDSCnet 网络进行训练之前，还需要对原始训练图像和原始验证图像进行数据增强处 理。具体地，选择胸透图像共1000张按照3:1:1比例划分为原始训练图像数 据集、原始验证图像数据集和测试图像数据集，那么原始训练图像数据集和 原始验证图像数据集共800张医学图像，对这800张医学图像进行数据增强， 数据增强采用高斯噪声处理、JPEG压缩处理、中值滤波处理、旋转处理、尺 度放大和缩小处理、平移处理和剪切处理，如表4所示。
表4.数据集构建时采用的数据增强具体操作
Figure BDA0003320248030000101
这样，一张图像经过数据增强就得到新的59张图像，所以训练集就有 (59+1)×600＝36000张图像，验证集就有了(59+1)×200＝12000张图像，测 试集还是200张图像，将这36000+12000+200＝48200张图像都调成224×224 像素大小，作为医学图像数据集。
在一个实施例中，在构建医学图像数据集时，包括对医学图像数据集的 图像添加标签，其中，对医学图像数据集的图像添加标签包括：使用双三次 插值法将图像压缩到12×12像素大小，采用min-max标准化法使12×12大小 的数值矩阵的所有元素值分布在0-1之间，以便于网络训练，这个元素值分布 在0-1之间的12×12大小的数值矩阵就作为图像的标签。训练网络方法与步骤 102中的训练方法相同，在此不再进行赘述，训练时，优化器用的是带有动量 的随机梯度下降(SGDM)优化器，损失函数是均方误差函数，当损失函数值达到振荡并难以下降时，停止训练，训练好网络后保存网络，以后就无需再 次训练了。
在测试集里选取一个224×224×1大小的医学图像作为训练好的RDSCnet 网络的输入图像，并对网络进行前向传播，得到的网络输出结果是12×12大 小的数值矩阵，对这个数值矩阵进行DCT变换(离散余弦变换)、取DCT 系数矩阵左上角6×6区域的数值进行二值化(大于0的记为1，小于等于0 的记为0)，得到的二值数值进行向量化，这6×6＝36位的向量就作为医学图 像的特征向量。
常用的一种一维DCT变换公式为：
Figure BDA0003320248030000111
Figure BDA0003320248030000112
其中，f(i)为原始的信号，F(u)是DCT变换后的系数，N为原始信号f(i) 的点数，c(u)可以认为是一个补偿系数，可以使DCT变换矩阵为正交矩阵.
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 BDA0003320248030000113
Figure BDA0003320248030000114
此外，在一个实施例中，步骤108之后还包括：
步骤109、获取原始目标水印，将原始目标水印和还原水印进行归一化相 关系数计算，确定目标医学图像的所有权和嵌入的水印信息。
采用归一化互相关(Normalized cross-correlation，NC)方法测量嵌入的 原始水印和提取的水印之间的数量相似性，定义为：
Figure BDA0003320248030000121
其中，W(i,j)为原始水印图像，W('i,j)为还原的水印图像。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。
为了更好地对本发明实施例中提供的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的技术效果，本发明实施例中提供一种基于残差网络 和深度可分离卷积的医学图像鲁棒水印方法的具体应用例：
本应用例的测试对象是测试集内的9张224×224像素大小的医学图像， 如图5所示，选择一个具有意义的二值图像作为原始水印，水印大小为36×36， 如图6所示，记为W＝{{w(i,j)|w(i,j)＝0,1；1≤i≤M1,1≤j≤M2}，其中，M1和M2为 预设边界值。
首先分别将这9张医学图像作为训练好的RDSCnet网络的输入图像，经 过前向传播后，对网络的输出结果进行二维DCT变换，然后取DCT系数矩 阵左上角6×6区域的数值，并进行二值化和向量化处理，这36位的判别结果 的向量值就作为图像的特征向量。设置混沌系数的初始值为0.2，增长参数为 4，迭代次数为1295。然后对原始水印进行混沌加密。通过水印算法检测出还 原后的水印W'(i,j)后，通过归一化相关系数NC(NormalizedCrossCorrelation) 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。
本应用例中测试了基于残差网络和深度可分离卷积医学图像鲁棒水印方 法的抗常规攻击能力和抗几何攻击能力，试验数据如表5所示。
表5本发明在测试集内的9张医学图像测试中的水印之间的NC值
Figure BDA0003320248030000122
Figure BDA0003320248030000131
Figure BDA0003320248030000141
从表5可以看出，该水印算法的抗高斯噪声、JPEG压缩、中值滤波、旋 转、尺度、平移和剪切攻击的能力都很强，说明经过特殊训练的RDSCnet网 络有很强的抗常规攻击和抗几何攻击能力。
此外，在本应用例中还测试了图5的9张医学图像在经过训练好的 RDSCnet网络提取特征向量后它们之间的特征向量之间的NC值，实验数据 如表6所示。
表6图5的9张医学图像的特征向量之间的NC值
Figure BDA0003320248030000142
Figure BDA0003320248030000151
从表6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RDSCnet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。当然本发明方法不仅可应用于数据集内的医学图像， 还可以适用于数据集之外的部分医学图像。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制； 尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应 当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案 的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种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，其特征在于，包括：
将残差网络结构与深度可分离卷积模块结合设计，得到RDSCnet网络；
初始化RDSCnet网络的参数，使用构建的医学图像数据集对RDSCnet网络进行训练，得到训练好的RDSCnet网络，其中，医学图像数据集包括原始训练图像、原始验证图像和测试图像；
将目标医学图像输入训练好的RDSCnet网络，对训练好的RDSCnet网络输出的特征依次进行压缩处理、二值化处理和向量化处理，得到目标医学图像的特征向量；
对原始目标水印进行混沌置乱加密，得到加密后的混沌置乱水印；
根据得到的混沌置乱水印和目标图像的特征向量进行异或运算，以将原始目标水印信息嵌入目标医学图像中，同时得到二值逻辑密钥序列；
将待提取水印信息的医学图像输入训练好的RDSCnet网络，提取待提取水印信息的医学图像的特征向量；
调取待提取水印信息的医学图像对应的二值逻辑密钥序列，将待提取水印信息的医学图像的特征向量和对应的二值逻辑密钥序列的每一行进行异或运算，提取出加密水印；
对加密水印进行解密，得到还原的水印信息。
2.根据权利要求1所述的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，其特征在于，RDSCnet网络的基本构造单元为深度可分离卷积模块，而RDSCnet网络的初始卷积层和末端卷积层为常规卷积。
3.根据权利要求1所述的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，其特征在于，使用构建的医学图像数据集对RDSCnet网络进行训练之前，还包括：
对原始训练图像和原始验证图像进行数据增强处理。
4.根据权利要求3所述的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，其特征在于，对原始训练图像和原始验证图像进行数据增强处理，包括：
对原始训练图像和原始验证图像进行高斯噪声处理、JPEG压缩处理、中值滤波处理、旋转处理、尺度放大和缩小处理、平移处理和剪切处理。
5.根据权利要求4所述的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，其特征在于，在构建医学图像数据集时，包括对医学图像数据集的图像添加标签，其中，对医学图像数据集的图像添加标签包括：
使用双三次插值法将图像压缩到12×12像素大小；
采用min-max标准化法使12×12大小的数值矩阵的所有元素值分布在0-1之间，12×12大小的数值矩阵就作为图像的标签。
6.根据权利要求1所述的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，其特征在于，对原始目标水印进行混沌置乱加密，得到加密后的混沌置乱水印，包括：
通过Logistic Map产生36×36＝1296位混沌序列；
将产生的混沌序列变为二值混沌序列；
将36×36大小的原始目标水印与产生的二值混沌序列进行异或运算，得到加密后的混沌置乱水印。
7.根据权利要求1-6中任一项所述的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，其特征在于，还包括：
将二值逻辑密钥序列存储在第三方，其中，二值逻辑密钥序列与对应的嵌入原始目标水印信息的医学图像绑定。
8.根据权利要求1所述的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，其特征在于，对训练好的RDSCnet网络输出的特征依次进行压缩处理、二值化处理和向量化处理，得到目标医学图像的特征向量，包括：
对训练好的RDSCnet网络输出的12×12大小的特征矩阵进行离散余弦变换，取变换系数矩阵左上角6×6区域大小的数值作为图像特征值，然后对这36个特征值进行判别，将特征值大于0的判为1，否则判为0，将36个特征值的判别结果从矩阵形式转换成向量形式，并将向量形式的特征值作为目标医学图像的特征向量。
9.根据权利要求1所述的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，其特征在于，对加密水印进行解密，得到还原的水印信息，包括：
通过Logistic Map产生36×36＝1296位混沌序列；
将产生的混沌序列变为二值混沌序列；
将加密水印与产生的二值混沌序列进行异或运算，得到还原的水印信息。
10.根据权利要求1或9所述的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，其特征在于，还包括：
获取原始目标水印，将原始目标水印和还原水印进行归一化相关系数计算，确定目标医学图像的所有权和嵌入的水印信息。
CN202111243397.3A 2021-10-25 2021-10-25 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 Pending CN114092302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111243397.3A CN114092302A (zh) 2021-10-25 2021-10-25 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111243397.3A CN114092302A (zh) 2021-10-25 2021-10-25 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

Publications (1)

Publication Number Publication Date
CN114092302A true CN114092302A (zh) 2022-02-25

Family

ID=80297603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111243397.3A Pending CN114092302A (zh) 2021-10-25 2021-10-25 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

Country Status (1)

Country Link
CN (1) CN114092302A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187443A (zh) * 2022-07-05 2022-10-14 海南大学 基于空域残差特征融合的水印嵌入、检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968025A (zh) * 2020-08-19 2020-11-20 海南大学 基于Bandelet-DCT医学图像鲁棒零水印方法
CN113160030A (zh) * 2021-03-31 2021-07-23 海南大学 一种基于lbp-dct的医学图像鲁棒水印方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968025A (zh) * 2020-08-19 2020-11-20 海南大学 基于Bandelet-DCT医学图像鲁棒零水印方法
CN113160030A (zh) * 2021-03-31 2021-07-23 海南大学 一种基于lbp-dct的医学图像鲁棒水印方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUNHUA ZHENG 等: "Robust Zero-Watermarking Algorithm for Medical Images Based on Residual Network and Depthwise Separable Convolutions", INNOVATION IN MEDICINE AND HEALTHCARE, 6 July 2022 (2022-07-06), pages 185 - 200 *
SPARSH MITTAL 等: "A Survey on Hardware Security of DNN Models and Accelerators", JOURNAL OF SYSTEMS ARCHITECTURE, 6 May 2021 (2021-05-06) *
郑俊华: "基于 MobileNet 的医学图像鲁棒零水印算法研究", 中国优秀硕士学位论文全文数据库 医药卫生科技辑, 15 March 2024 (2024-03-15), pages 054 - 76 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187443A (zh) * 2022-07-05 2022-10-14 海南大学 基于空域残差特征融合的水印嵌入、检测方法及装置

Similar Documents

Publication Publication Date Title
Su et al. Color image blind watermarking scheme based on QR decomposition
Lei et al. Reversible watermarking scheme for medical image based on differential evolution
Su et al. A blind double color image watermarking algorithm based on QR decomposition
Keshavarzian et al. ROI based robust and secure image watermarking using DWT and Arnold map
Aminuddin et al. AuSR1: Authentication and self-recovery using a new image inpainting technique with LSB shifting in fragile image watermarking
CN103996165B (zh) 一种基于压缩感知特征的数字图像零水印嵌入和提取方法
Murali et al. An efficient ROI based copyright protection scheme for digital images with SVD and orthogonal polynomials transformation
Liu et al. Robust blind image watermarking based on chaotic mixtures
CN113592698B (zh) 基于十六元数矩的多视角彩色图像零水印处理方法及系统
CN111968026A (zh) 一种基于PHTs-DCT的医学图像鲁棒水印方法
Alomoush et al. Digital image watermarking using discrete cosine transformation based linear modulation
Bekkouch et al. Robust and reversible image watermarking scheme using combined DCT-DWT-SVD transforms
Barr et al. Wavelet transform modulus maxima‐based robust logo watermarking
CN111988490A (zh) 基于Tetrolet-DCT的医学图像鲁棒水印方法
Thanki et al. Medical imaging and its security in telemedicine applications
Manikandan et al. An adaptive pixel mapping based approach for reversible data hiding in encrypted images
Kukreja et al. Copyright protection scheme for color images using extended visual cryptography
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
Hajjaji et al. Combining DWT/KLT for secure transfer of color images
CN112907426A (zh) 一种基于PHTs-DCT的加密医学图像数字水印方法
CN111988491A (zh) 一种基于kaze-dct的医学图像鲁棒水印方法
Gavini et al. Lossless watermarking technique for copyright protection of high resolution images
Aminuddin et al. AuSR3: A new block mapping technique for image authentication and self-recovery to avoid the tamper coincidence problem
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
Bouarroudj et al. A reversible fragile watermarking technique using fourier transform and Fibonacci Q-matrix for medical image authentication

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