CN116012212A - 基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法 - Google Patents

Abstract

本申请涉及医学图像处理领域，公开了一种基于SUSAN‑DCT和Hu矩的医学图像鲁棒水印方法，包括：对医学图像进行SUSAN变换，得到由SUSAN系数构成的轮廓信息；对轮廓信息进行DCT变换，得到医学图像的系数矩阵；对系数矩阵进行Hu矩计算，得到医学图像的特征向量；将特征向量和加密水印进行异或运算，以将水印信息嵌入至医学图像中。上述方法兼顾了SUSAN变换有效表示图像的轮廓、DCT抗常规攻击能力强的优点，能够规避传统水印技术对原始载体图像造成的数据更改，具有不可见性，并且拥有抵抗常规攻击和几何攻击的能力，有很好的鲁棒性，因此对于医学图像中嵌入的病人隐私信息有一定的安全和保障。

Description

基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法

技术领域

本发明涉及医学图像处理领域，特别是涉及一种基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法。

背景技术

随着信息技术与医疗行业的发展，图像处理技术辅助疾病诊断已经成为医学影像发展的必然趋势，原始数据被篡改带来的误诊以及后续连带结果将不可估量，并且在技术通信高速发展的同时，数字多媒体对象被肆意窃取、随意传播等非法现象层出不穷，病人的信息和隐私安全等问题成为亟需解决的课题。于是，将水印技术和加密技术结合起来应用到医学图像中去，能够兼顾发展和安全的双向需求，既能享受到新技术带来的便利，又能保障私人信息的安全。因此，数字水印和加密的结合在医学图像上有着研究的意义。

数字水印最初是通过将载体图像和空间域结合，将空间域系数和水印数据结合改变，这种技术能够很好地将水印所携带的信息嵌入到载体图像中去，并且能够不被人的视觉系统所察觉。但是这种技术仍然是修改了原始载体图像的部分数据，不适用对于图像精度有较高要求的领域，比如医学图像。此类图像要求数据绝对原始，否则会存在误诊和发生医疗事故的风险。

因此，如何解决数字水印嵌入到医学图像中修改了部分数据的问题，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，可以规避传统水印技术对原始载体图像造成的数据更改，具有不可见性和很好的鲁棒性。其具体方案如下：

一种基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，包括：

对医学图像进行SUSAN变换，得到由SUSAN系数构成的所述医学图像的轮廓信息；

对所述医学图像的轮廓信息进行DCT变换，得到所述医学图像的系数矩阵；

对所述医学图像的系数矩阵进行Hu矩计算，得到所述医学图像的特征向量；

将所述医学图像的特征向量和加密水印进行异或运算，以将水印信息嵌入至所述医学图像中。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，对医学图像进行SUSAN变换，得到由SUSAN系数构成的所述医学图像的轮廓信息，包括：

将医学图像分成若干个小块医学图像，对各所述小块医学图像进行SUSAN变换；

根据SUSAN变换后得到的SUSAN系数，得到所述医学图像的轮廓信息。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，对所述医学图像的系数矩阵进行Hu矩计算，得到所述医学图像的特征向量，包括：

将所述医学图像的系数矩阵进行分块，并计算每块的Hu不变矩，选取Hu[0]作为有效信号；

对Hu[0]的数值进行数据处理，得到所述医学图像的特征向量。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，对Hu[0]的数值进行数据处理，得到所述医学图像的特征向量，包括：

将Hu[0]的数值通过求对数进行数值放大，并将一维向量中的最大值、最小值以及中值三者的平均数作为判别系数；

通过将每块的Hu[0]与所述判别系数比较，得到二值化向量，通过升维操作得到所述医学图像的特征向量。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，在将所述医学图像的特征向量和加密水印进行异或运算之前，还包括：

迭代生成一维混沌序列；

根据所述一维混沌序列，利用升维运算得到二维混沌矩阵；

将所述二维混沌矩阵和原始水印通过异或操作得到所述加密水印。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，在将水印信息嵌入至所述医学图像中的同时，还包括：

生成二值逻辑密钥序列；

获取待测医学图像的特征向量；

利用所述二值逻辑密钥序列和所述待测医学图像的特征向量，提取出新加密水印。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，获取待测医学图像的特征向量，包括：

对待测医学图像进行SUSAN变换，得到由SUSAN系数构成的所述待测医学图像的轮廓信息；

对所述待测医学图像的轮廓信息进行DCT变换，得到所述待测医学图像的系数矩阵；

对所述待测医学图像的系数矩阵进行Hu矩计算，得到所述待测医学图像的特征向量。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，对待测医学图像进行SUSAN变换，得到由SUSAN系数构成的所述待测医学图像的轮廓信息，包括：

将待测医学图像分成若干个小块待测医学图像，对各所述小块待测医学图像进行SUSAN变换；

根据SUSAN变换后得到的SUSAN系数，得到所述待测医学图像的轮廓信息。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，对所述待测医学图像的系数矩阵进行Hu矩计算，得到所述待测医学图像的特征向量，包括：

将所述待测医学图像的系数矩阵进行分块，并计算每块的Hu不变矩，选取Hu[0]作为有效信号；

对Hu[0]的数值进行数据处理，得到所述待测医学图像的特征向量。

优选地，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，在提取出新加密水印之后，还包括：

将所述二维混沌矩阵和所述新加密水印进行异或运算，得到还原水印；

将所述原始水印和所述还原水印进行归一化相关系数计算，以衡量所述原始水印和所述还原水印的相似度。

从上述技术方案可以看出，本发明所提供的一种基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，包括：对医学图像进行SUSAN变换，得到由SUSAN系数构成的医学图像的轮廓信息；对医学图像的轮廓信息进行DCT变换，得到医学图像的系数矩阵；对医学图像的系数矩阵进行Hu矩计算，得到医学图像的特征向量；将医学图像的特征向量和加密水印进行异或运算，以将水印信息嵌入至医学图像中。

本发明提供的上述医学图像鲁棒水印方法，兼顾了SUSAN变换有效表示图像的轮廓、DCT抗常规攻击能力强的优点，能够规避传统水印技术对原始载体图像造成的数据更改，具有不可见性，确保了医学图像的原始质量，并且拥有抵抗常规攻击和几何攻击的能力，有很好的鲁棒性，因此对于医学图像中嵌入的病人隐私信息有一定的安全和保障。

附图说明

为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法的流程图；

图2为本发明实施例提供的原始医学图像；

图3为本发明实施例提供的原始水印图像；

图4为本发明实施例提供的加密后的水印图像；

图5为本发明实施例提供的不加干扰时提取的水印；

图6为本发明实施例提供的高斯噪声干扰强度为17％的医学图像；

图7为本发明实施例提供的高斯噪声干扰强度为17％时提取的水印；

图8为本发明实施例提供的JPEG压缩质量为4％的医学图像；

图9为本发明实施例提供的JPEG压缩质量为4％时提取的水印；

图10为本发明实施例提供的窗口大小为[3x3]，中值滤波10次后的医学图像；

图11为本发明实施例提供的窗口大小为[3x3]，中值滤波10次后提取的水印；

图12为本发明实施例提供的逆时针旋转10°的医学图像；

图13为本发明实施例提供的逆时针旋转10°时提取的水印；

图14为本发明实施例提供的逆时针旋转30°的医学图像；

图15为本发明实施例提供的逆时针旋转30°时提取的水印；

图16为本发明实施例提供的缩放0.8倍的医学图像；

图17为本发明实施例提供的缩放0.8倍时提取的水印；

图18为本发明实施例提供的向左平移10％后的医学图像；

图19为本发明实施例提供的向左平移10％时提取的水印；

图20为本发明实施例提供的向左平移20％的医学图像；

图21为本发明实施例提供的向左平移20％时提取的水印；

图22为本发明实施例提供的沿Y轴剪切5％的医学图像；

图23为本发明实施例提供的沿Y轴剪切5％时提取的水印；

图24为本发明实施例提供的沿Y轴剪切20％的医学图像；

图25为本发明实施例提供的沿Y轴剪切20％时提取的水印。

具体实施方式

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。

本发明提供一种基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，如图1所示，包括以下步骤：

S101、对医学图像进行SUSAN变换，得到由SUSAN系数构成的医学图像的轮廓信息；

需要说明的是，医学图像作为原始医学图像，例如二维512*512大小的医学图像，记为I(i,j)。用I(i,j)表示原始医学图像的像素灰度值。

具体地，对医学图像I(i,j)进行SUSAN(Smallest Univalue SegmentAssimilating Nucleus，最小核值相似区)变换，可以得到由SUSAN系数构成的医学图像I(i,j)的轮廓信息S(i,j)。

S102、对医学图像的轮廓信息进行DCT变换，得到医学图像的系数矩阵；

具体地，对医学图像I(i,j)的轮廓信息S(i,j)进行DCT变换，可以得到医学图像I(i,j)的系数矩阵IS(i,j)。

S103、对医学图像的系数矩阵进行Hu矩计算，得到医学图像的特征向量；

具体地，对医学图像I(i,j)的系数矩阵IS(i,j)进行Hu矩计算，得到医学图像I(i,j)的特征向量IF(i,j)。

S104、将医学图像的特征向量和加密水印进行异或运算，以将水印信息嵌入至医学图像中。

需要说明的是，上述加密水印为原始水印进行加密处理后得到的水印，可以选取携带一定信息的二值文本图像作为嵌入原始医学图像的水印，记为W＝{W(i,j)|W(i,j)＝0,1；1≤i≤M₁,1≤j≤M₂}，M₁和M₂分别为原始水印的长宽尺寸。用W(i,j)表示原始水印的像素灰度值。原始水印W(i,j)进行加密处理后可得到加密水印XW(i,j)。

具体地，将医学图像I(i,j)的特征向量IF(i,j)和加密水印XW(i,j)进行异或运算，以将水印信息嵌入至医学图像中。

在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，兼顾了SUSAN变换有效表示图像的轮廓、DCT抗常规攻击能力强的优点，能够规避传统水印技术对原始载体图像造成的数据更改，具有不可见性，确保了医学图像的原始质量，并且拥有抵抗常规攻击和几何攻击的能力，有很好的鲁棒性，因此对于医学图像中嵌入的病人隐私信息有一定的安全和保障。

进一步地，在具体实施时，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，步骤S101对医学图像进行SUSAN变

换，得到由SUSAN系数构成的医学图像的轮廓信息，具体可以包括：首先将医学图像I(i,j)分成若干个小块(如8*8的小块)医学图像，对各小块医学图像进行SUSAN变换；然后根据SUSAN变换后得到的SUSAN系数，得到医学图像I(i,j)的轮廓信息S(i,j)。

可以理解的是，SUSAN是一种基于灰度的特征提取方法，适用于图像的边缘检测。该算法采用一个近似于圆形的模板遍历整个图像，在移动过程中会将模板内部的每个图像像素点的灰度和模板中心像素点的灰度进行比较，如果二者差值小于提前给定的阈值，就会认为该点的像素点灰度与核的像素点灰度相同或者相似，满足该条件的所有像素点组成的区域称为吸收核同值区，也叫核值相似区(USAN)。该算法的优点在于抗噪声能力好、具有旋转不变性，并且检测原理能够避免了梯度计算。

判断像素点是否属于USAN的公式如下：

式中，r₀为模板中心点，r为模板内部点，t为灰度差阈值。

得到USAN区域后，计算其面积大小，计算公式如下：

式中，n(r₀)表示以r₀为圆心的USAN面积。当圆形模板完全处于同一灰度区域时，USAN区域的面积是最大的；当模板往边缘移动时，USAN的区域逐渐变小。当圆形模板的中心处于边缘时，USAN的区域很小，小于或等于最大值的一半；当模板移动到角点时，USAN区域最小。

最后进行信息提取，USAN特征图像的提取公式如下：

式中，g为几何门限，决定了边缘点USAN区域的最大值。

在具体实施时，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，步骤S103对医学图像的系数矩阵进行Hu矩计算，得到医学图像的特征向量，具体可以包括：将医学图像I(i,j)的系数矩阵IS(i,j)进行分块，可分成8*8的小块，并计算每小块的Hu不变矩，选取Hu[0]作为有效信号；对Hu[0]的数值进行数据处理，得到医学图像I(i,j)的特征向量IF(i,j)。较佳地，考虑到鲁棒性和一次性嵌入水印的容量，本发明采用64位特征向量。

上述Hu不变矩是利用对变换不敏感区域的几个矩作为形状特征，利用二阶、三阶中心矩可构造7个不变矩。

在具体实施时，上述步骤中对Hu[0]的数值进行数据处理，得到医学图像I(i,j)的特征向量IF(i,j)，可以包括：将Hu[0]的数值通过求对数进行数值放大，并将一维向量中的最大值、最小值以及中值三者的平均数作为判别系数；通过将每块的Hu[0]与判别系数比较，得到二值化向量，通过升维操作得到医学图像I(i,j)的特征向量IF(i,j)。这样由二阶矩构造的不变矩，进行二值化时采用最大值、最小值以及中值三者的平均数作为判别系数，使得算法具备区分不同医学图像的能力。

为了证明SUSAN、DCT和Hu矩提取的医学图像的特征向量可靠，对6张不同的医学图像进行特征提取，如果提取的不同医学图像的特征向量之间相关系数低于0.5，那么即可认为所提取的不同医学图像的特征向量之间的相关性很低，能够区分不同医学图像，提取到的特征也是可靠的。测试结果如表一所示：

表一 不同医学图像特征向量之间的相关系数

图像	肾	肺	脊柱	骶椎	膝关节	骶髂骨
							肾	1.00	-0.17	0.25	0.25	0.03	0.17
肺	-0.17	1.00	0.02	0.44	-0.09	0.12
							脊柱	0.25	0.02	1.00	0.06	0.02	0.04
骶椎	0.25	0.44	0.06	1.00	-0.17	0.22
							膝关节	0.03	-0.09	0.02	-0.17	1.00	-0.02
地髂骨	0.17	0.12	0.04	0.22	-0.02	1.00

进一步地，在具体实施时，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，在步骤S104将医学图像的特征向量和加密水印进行异或运算之前，还可以包括：首先根据初始值迭代生成一维混沌序列X(j)；然后根据一维混沌序列X(j)，利用升维运算得到二维混沌矩阵

X(i,j)；将二维混沌矩阵X(i,j)和原始水印W(i,j)通过异或操作得到加密水印XW(i,j)：

上述方式使用了Logistic混沌映射，具有遍历性和伪随机性等特点。混沌现象是在非线性动力系统中出现的类似随机过程，这种过程既非周期也不收敛。混沌区的数据具有迭代不重复性、初值敏感性和参数敏感性等特征。逻辑映射又称虫口模型，是一种简单且广泛研究的非线性动力系统，该混沌系统被定义为：

x_k+1＝μx_k(1-x_k)k＝0,1,2,…,n

其中，x_k∈(0,1)，μ为分岔参数且0≤μ≤4，实验结果表明当

3.5699456...＜μ≤4时，逻辑映射系统工作在混沌状态。逻辑映射能够对像素值置乱，改变原始图像的直方图，保护原始图像像素的灰度值分部信息，使得加密后的图像能够有效地抵抗图像攻击。

在具体实施时，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，在步骤S104将水印信息嵌入至医学图像中的同时，还可以包括：生成二值逻辑密钥序列：

保存逻辑秘钥Key(i,j)，用来提取水印，即将Key(i,j)作为密钥向第三方申请，获得原始医学图像的所有权和使用权，在一定程度上达到了保护图像和信息安全的目的。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。

接下来，获取待测医学图像I'(i,j)的特征向量；最后，利用二值逻辑密钥序列Key(i,j)和待测医学图像I'(i,j)的特征向量，提取出新加密水印XW'(i,j)：

该方法在提取水印时需要密钥Key(i,j)，是一种零水印提取算法。

在具体实施时，上述步骤中获取待测医学图像I'(i,j)的特征向量，具体可以包括：对待测医学图像I'(i,j)进行SUSAN变换，得到由SUSAN系数构成的待测医学图像I'(i,j)的轮廓信息S'(i,j)；对待测医学图像I'(i,j)的轮廓信息进行DCT变换，得到待测医学图像I'(i,j)的系数矩阵IS'(i,j)；对待测医学图像I'(i,j)的系数矩阵IS'(i,j)进行Hu矩计算，得到待测医学图像I'(i,j)的特征向量

IF'(i,j)：

IS'(i,j)＝DCT2(S'(i,j))。

在具体实施时，上述步骤中对待测医学图像I'(i,j)进行SUSAN变换，得到由SUSAN系数构成的待测医学图像I'(i,j)的轮廓信息S'(i,j)，具体可以包括：将待测医学图像I'(i,j)分成若干个小块待测医学图像，对各小块待测医学图像进行SUSAN变换；根据SUSAN变换后得到的SUSAN系数，得到待测医学图像I'(i,j)的轮廓信息S'(i,j)。

在具体实施时，上述步骤中对待测医学图像I'(i,j)的系数矩阵IS'(i,j)进行Hu矩计算，得到待测医学图像I'(i,j)的特征向量，包括：将待测医学图像I'(i,j)的系数矩阵IS'(i,j)进行分块，并计算每块的Hu不变矩，选取Hu[0]作为有效信号；对Hu[0]的数值进行数据处理，得到待测医学图像I'(i,j)的特征向量。

在具体实施时，在本发明实施例提供的上述基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法中，在提取出新加密水印之后，还包括：将二维混沌矩阵X(i,j)和新加密水印XW'(i,j)进行异或运算，得到还原水印W'(i,j)：

将原始水印W(i,j)和还原水印W'(i,j)进行归一化相关系数计算，以衡量原始水印W(i,j)和还原水印W'(i,j)的相似度。

具体地，采用归一化互相关(Normalized Cross-correlation,NC)方法测量嵌入的原始水印W(i,j)和还原水印W'(i,j)之间的数量相似性，定义为：

其中，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。

需要指出的是，本发明对原始医学图像进行分块SUSAN变换，再对SUSAN变换后的系数进行分块DCT变换，最后分块计算Hu矩，从中提取出医学图像的特征向量，并将水印技术和图像混沌加密和“第三方概念”相结合，增强了数字水印抵抗常规攻击和几何攻击的能力。上述所采用的方法包括基于SUSAN-DCT和Hu矩的特征向量提取、水印的混沌加密、加密水印的嵌入、加密水印的提取、加密水印的解密五大部分。

下面结合附图对本发明作进一步说明，实验测试的原始医学图像是512×512的肾部医学图像，见图2，用I(i,j)表示，其中1≤i，j≤512。选择一个有意义的二值图像作为原始水印，用W(i,j)表示，见图3，这里水印的大小可以设置为64×64。

考虑到鲁棒性和一次性嵌入水印的容量，本发明取64个系数，即一个8*8的模块。设置混沌系数的初始值为0.2，增长参数是4，迭代次数是32。然后对原始水印进行混沌加密，加密后水印图像见图4。

通过水印方法检测出还原水印W'(i,j)后，本发明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。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。

图5是不加干扰时提取的水印，可以看到NC＝1.00，可以准确得提取水印。

下面本发明通过具体实验来判断该数字水印方法的抗常规攻击能力和抗几何攻击能力。

先测试该水印方法抗常规攻击的能力。

使用imnoise()函数在水印中加入高斯噪声。表二是水印抗高斯噪声干扰的实验数据。从表二中可以看到，当高斯噪声强度高达17％时，攻击之后的图像的PSNR降至10.65dB，这时提取的水印，相关系数NC＝0.95，能较为准确地提取水印，并且整体数据均大于0.5且靠近1。这说明采用该发明可以抗高斯噪声。

图6是高斯噪声强度17％时的医学图像，在视觉上与原始肾部医学图像已有明显差别；

图7是高斯噪声强度17％时提取的水印，NC＝0.95。

表二 水印抗高斯噪声干扰数据

噪声强度(％)	1	9	17	24	30
						PSNR(dB)	22.01	13.03	10.65	9.48	8.77
NC	1.00	0.95	0.95	0.91	0.91

表三为医学图像的水印抗JPEG压缩攻击能力，当JPEG压缩质量为4％时，仍然可以测得水印的存在，NC＝0.95。

图8是JPEG压缩质量为4％时的医学图像；

图9是JPEG压缩质量为4％时，提取的水印，NC＝0.95，可以准确提取水印。

表三 水印抗JPEG压缩攻击实验数据

JPEG压缩(％)	1	4	9	12	15
						PSNR(dB)	25.64	27.18	30.17	31.10	31.81
NC	0.95	0.95	1.00	1.00	1.00

表四为医学图像的水印抗中值滤波能力，从表四中看出，当中值滤波参数为[3x3]，滤波重复次数为15时，仍然可以测得水印的存在，NC＝1.00。

图10是中值滤波参数为[3x3]，滤波重复次数为10的医学图像，图像已出现模糊；

图11是中值滤波参数为[3x3]，滤波重复次数为10时提取的水印，NC＝1.00，可以提取水印。

表四 水印抗中值滤波攻击实验数据

接下来测试该水印方法抗几何攻击的能力。

表五为水印抗旋转攻击实验数据。从表五中可以看到当图像逆时针旋转50°时，NC＝0.55，仍然可以提取水印。

图12是逆时针旋转10°的医学图像；

图13是逆时针旋转10°提取的水印，NC＝0.93，可以准确地提取水印。

图14是逆时针旋转30°的医学图像；

图15是逆时针旋转30°提取的水印，NC＝0.72，可以准确提取水印。

表五 水印抗旋转攻击实验数据

旋转度数°	-1	-10	-20	-30	-50
						PSNR(dB)	24.39	16.68	15.33	14.90	14.28
NC	1.00	0.93	0.83	0.72	0.55

注：负为逆时针，正为顺时针

表六为医学图像的水印抗缩放攻击实验数据，从表六中可以看到当缩放因子为0.1时，相关系数NC＝0.69，可提取出水印。

图16是缩放后的医学图像(缩放因子为0.8)；

图17是缩放后提取的水印，NC＝0.88，可以准确得提取出水印。

表六 水印抗缩放攻击实验数据

缩放因子	0.1	0.5	0.8	1.2
					NC	0.69	0.74	0.88	0.61

表七是水印抗水平左移变换实验数据。从表七中得知图像数据向左移动20％时，NC值为0.51，可以较为准确地提取水印，故该水印方法有较强的抗水平左移攻击能力。

图18是医学图像向左平移10％后的图像；

图19是向左平移10％后提取的水印，可以准确提取水印，NC＝0.67。

图20是医学图像向左平移20％后的图像；

图21是向左平移20％后提取的水印，可以准确提取水印，NC＝0.51。

表七 水印抗水平左移攻击实验数据

左移距离(％)	3	5	7	10	20
						PSNR(dB)	15.90	14.88	14.53	13.92	12.66
NC	0.95	0.95	0.81	0.67	0.51

表八为水印抗剪切攻击实验数据，从表八中可以看到，当将医学图像向Y轴剪切30％时，NC值为0.53，仍然可以提取水印，说明该水印方法有较强的抗剪切攻击能力。

图22是向Y轴剪切5％后的医学图像；

图23是向Y轴剪切5％后提取的水印，可以准确得提取水印，NC＝0.93。

图24是向Y轴剪切20％后的医学图像；

图25是向Y轴剪切20％后提取的水印，可以准确得提取水印，NC＝0.69。

表八 水印抗Y轴剪切攻击实验数据

剪切面积(％)	1	5	10	20	30
						NC	1.00	0.93	0.74	0.69	0.53

本发明在对于高斯噪声、JPEG压缩等常规攻击有很强的鲁棒性，在几何攻击中，特别是对于50°内的旋转攻击有很好的鲁棒性，并且对于30％内的剪切攻击和20％内的平移攻击也有较好的对抗性能。

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。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

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。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

Claims (10)

1.一种基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，包括：

对医学图像进行SUSAN变换，得到由SUSAN系数构成的所述医学图像的轮廓信息；

对所述医学图像的轮廓信息进行DCT变换，得到所述医学图像的系数矩阵；

对所述医学图像的系数矩阵进行Hu矩计算，得到所述医学图像的特征向量；

将所述医学图像的特征向量和加密水印进行异或运算，以将水印信息嵌入至所述医学图像中。

2.根据权利要求1所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，对医学图像进行SUSAN变换，得到由SUSAN系数构成的所述医学图像的轮廓信息，包括：

将医学图像分成若干个小块医学图像，对各所述小块医学图像进行SUSAN变换；

根据SUSAN变换后得到的SUSAN系数，得到所述医学图像的轮廓信息。

3.根据权利要求2所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，对所述医学图像的系数矩阵进行Hu矩计算，得到所述医学图像的特征向量，包括：

将所述医学图像的系数矩阵进行分块，并计算每块的Hu不变矩，选取Hu[0]作为有效信号；

对Hu[0]的数值进行数据处理，得到所述医学图像的特征向量。

4.根据权利要求3所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，对Hu[0]的数值进行数据处理，得到所述医学图像的特征向量，包括：

将Hu[0]的数值通过求对数进行数值放大，并将一维向量中的最大值、最小值以及中值三者的平均数作为判别系数；

通过将每块的Hu[0]与所述判别系数比较，得到二值化向量，通过升维操作得到所述医学图像的特征向量。

5.根据权利要求4所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，在将所述医学图像的特征向量和加密水印进行异或运算之前，还包括：

迭代生成一维混沌序列；

根据所述一维混沌序列，利用升维运算得到二维混沌矩阵；

将所述二维混沌矩阵和原始水印通过异或操作得到所述加密水印。

6.根据权利要求5所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，在将水印信息嵌入至所述医学图像中的同时，还包括：

生成二值逻辑密钥序列；

获取待测医学图像的特征向量；

利用所述二值逻辑密钥序列和所述待测医学图像的特征向量，提取出新加密水印。

7.根据权利要求6所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，获取待测医学图像的特征向量，包括：

对待测医学图像进行SUSAN变换，得到由SUSAN系数构成的所述待测医学图像的轮廓信息；

对所述待测医学图像的轮廓信息进行DCT变换，得到所述待测医学图像的系数矩阵；

对所述待测医学图像的系数矩阵进行Hu矩计算，得到所述待测医学图像的特征向量。

8.根据权利要求7所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，对待测医学图像进行SUSAN变换，得到由SUSAN系数构成的所述待测医学图像的轮廓信息，包括：

将待测医学图像分成若干个小块待测医学图像，对各所述小块待测医学图像进行SUSAN变换；

根据SUSAN变换后得到的SUSAN系数，得到所述待测医学图像的轮廓信息。

9.根据权利要求8所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，对所述待测医学图像的系数矩阵进行Hu矩计算，得到所述待测医学图像的特征向量，包括：

将所述待测医学图像的系数矩阵进行分块，并计算每块的Hu不变矩，选取Hu[0]作为有效信号；

对Hu[0]的数值进行数据处理，得到所述待测医学图像的特征向量。

10.根据权利要求9所述的基于SUSAN-DCT和Hu矩的医学图像鲁棒水印方法，其特征在于，在提取出新加密水印之后，还包括：

将所述二维混沌矩阵和所述新加密水印进行异或运算，得到还原水印；

将所述原始水印和所述还原水印进行归一化相关系数计算，以衡量所述原始水印和所述还原水印的相似度。

Images