CN116308985A - 一种面向弥散张量图像的鲁棒水印方法 - Google Patents

一种面向弥散张量图像的鲁棒水印方法 Download PDF

Info

Publication number
CN116308985A
CN116308985A CN202310584290.8A CN202310584290A CN116308985A CN 116308985 A CN116308985 A CN 116308985A CN 202310584290 A CN202310584290 A CN 202310584290A CN 116308985 A CN116308985 A CN 116308985A
Authority
CN
China
Prior art keywords
watermark
image
tensor
feature
information
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
Application number
CN202310584290.8A
Other languages
English (en)
Other versions
CN116308985B (zh
Inventor
李智
李丹丹
郑茂坤
刘程萌
郑龙
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.)
Guizhou University
Original Assignee
Guizhou 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 Guizhou University filed Critical Guizhou University
Priority to CN202310584290.8A priority Critical patent/CN116308985B/zh
Publication of CN116308985A publication Critical patent/CN116308985A/zh
Application granted granted Critical
Publication of CN116308985B publication Critical patent/CN116308985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种面向弥散张量图像的鲁棒水印方法，包括：将处理后的弥散张量图像输入水印嵌入网络，通过最显著注意力特征模块和软注意力机制将T1加权图像融入水印嵌入过程，输出有水印的弥散张量图像，并进行来训练；输入攻击网络，使水印提取网络提前适应；将攻击后的含水印图像输入水印提取网络，通过最显著注意力特征模块和软注意力机制得到最显著水印特征，通过残差注意力模块得到能表达水印信息的高语义特征，最后提取在水印嵌入网络中嵌入的水印信息。能在保证水印提取正确率的前提下提升DTI图像的重构质量；提升水印正确率，对像素替换攻击有抵抗力；对高斯模糊和高斯噪声能准确的提取出水印信息，有极其优秀的鲁棒能力。

Description

一种面向弥散张量图像的鲁棒水印方法
技术领域
本发明涉及面向弥散张量图像的数字水印技术领域，具体为一种面向弥散张量图像的鲁棒水印方法。
背景技术
弥散张量图像(diffusion-Tensor images, DTI)是目前世界上唯一一种活体脑白质纤维束无创成像的方法，它以三维形式呈现，能提供比传统影像数据更为详尽的脑部信息，医护人员可以精确定位脑神经纤维传导束的走向及分布情况，为手术的靶点、入口、路径提供精准有力的技术支持，减少对脑组织的损伤，便于医护人员观察大脑神经发育或损害情况，及时发现精神疾病患者大脑中的细微反常变化。因为弥散张量图像有这些重要的医学价值，所以其真实性和完整性必须得到保证。数字水印技术可以将独特的、不可察觉的数字水印嵌入图像，当图像内容被篡改或以任何方式改变时，数字水印的完整性也会遭受破坏。通过检测和验证数字水印的完整性，可以验证图像的真实性和完整性。除此之外，图像经常在不同的医疗服务提供者和机构之间共享，数字水印可以跟踪图像的使用情况，并确保它不会在没有适当授权的情况下使用。
鲁棒水印技术能够抵御图像可能经历的各种攻击和变换，如调整分辨率、裁剪、去噪、压缩和格式转换，同时仍然保持可检测性和可验证性。面向医学图像的鲁棒水印方法可分为传统方法和深度学习方法。传统方法通常是在图像的频域中嵌入水印，并保证嵌入的水印能抵抗某些特定的攻击。虽然这种方式可以防止图像质量过低，但是它只能抵抗少数攻击，缺乏通用性。过去的深度学习鲁棒水印方法具有两个明显的问题，一是在嵌入水印的过程中受卷积感受野的限制从而导致图像重构的过程中信息融合率不高，二是无法对数据维度高达5维的弥散张量图像进行保护。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的方法存在抗攻击能力差，信息融合率不高，以及无法对数据维度高达5维的弥散张量图像进行保护的问题。
为解决上述技术问题，本发明提供如下技术方案：一种面向弥散张量图像的鲁棒水印方法，包括：
将经数据处理过的弥散张量图像输入水印嵌入网络，水印嵌入网络随机生成一串8位二进制数值作为水印信息，并将所述水印信息嵌入弥散张量图像，通过最显著注意力特征模块和软注意力机制将T1加权图像作为先验知识融入水印嵌入过程，最显著特征模块是计算当前张量特征Fe_i_w和T1信息的相关性，通过索引值从T1信息中取得最相关的结构特征，计算Fe_i_w和T1信息之间的相关性得到Ti,x,y，从Ti,x,y的每一行中取最大值作为最相关特征分数Si,x，取Si,x在Ti,x,y中的索引值作为位置信息，记为Pi,x，利用Pi,x作为索引值从T1中获得结构特征Fi,x，其中x,y表示图像转换成向量前的行索引和列索引，i表示第i个张量通道；以提升含水印图像的重构质量，最后输出含有水印的弥散张量图像，并以平均绝对误差函数作为损失函数来训练；
输入攻击网络，对图像进行攻击，使得水印提取网络能提前适应这些攻击；
将攻击后的含水印图像输入水印提取网络，水印提取网络通过最显著注意力特征模块和软注意力机制得到最显著水印特征，利用3D卷积，将张量通道特征Fd_i投影成三个通道特征 Fd_i_1，Fd_i_2，Fd_i_3，利用解码变换器为三个通道特征建立特征联系，将 Fd_i_1和Fd_i_2作为最显著注意机制中的查询向量Q和键向量K，Fd_i_3作为值向量V，通过计算 Fd_i_1和Fd_i_2的内积得到相关性分数，取相关性分数中的最大值作为最相关特征分数Si,x’再根据Si,x’在Fd_i_3中的索引值作为最相关位置信息Pi,x’，利用Pi,x’作为索引从Fd_i_3中得到最显著水印特征Fi,x’，将由Si,x’组成的Si’和由Fi,x’组成的Fi’相乘，通过梯度回传来更新Si’增加最显著水印特征的置信度，最后加上Fd_i_3，得到突出最显著水印特征的水印特征图Fd_i_at，通过残差注意力模块得到能表达水印信息的高语义特征，最后通过3D卷积从该高语义特征中准确地提取出在水印嵌入网络中嵌入的水印信息。
作为本发明所述的面向弥散张量图像的鲁棒水印方法，其特征在于：对数据的处理包括：张量元素与特征值、特征向量之间的转换，
Figure SMS_1
；
弥散张量图像有着5维的数据形式，其数据表现形式如：
Figure SMS_2
；
对5维的DTI数据进行了特殊处理，使其正定矩阵转成一维向量，使3D卷积能在通道的维度上对DTI数据进行数据融合，具体包括：
Figure SMS_3
；
其中，
Figure SMS_4
表示张量的9个元素，/>
Figure SMS_5
为张量的三个特征向量，/>
Figure SMS_6
为三个特征向量对应的特征值，/>
Figure SMS_7
表示向量的转置；
Figure SMS_8
表示图像在三维空间中沿高、宽、长三个轴的坐标，3, 3表示张量的维度；
Figure SMS_9
表示数据形状转换后的向量维度，维度为9。
作为本发明所述的面向弥散张量图像的鲁棒水印方法，其特征在于：所述水印嵌入网络包括：利用3D卷积从输入的DTI图像中提取张量特征得到F1，然后将水印信息与张量特征进行拼接得到F2，最后利用3D卷积将两者进行融合得到Fe，具体的：
Figure SMS_10
；
其中，cat表示在通道上进行拼接，Conv3d表示3D卷积，
Figure SMS_11
为输入的弥散张量图像，/>
Figure SMS_12
为第一个三维卷积输出的特征，W为水印信息，/>
Figure SMS_13
为水印信息和特征
Figure SMS_14
的拼接数据，/>
Figure SMS_15
为水印信息和图像特征融合后的特征；
将
Figure SMS_16
从张量通道上进行索引取值得到当前张量特征Fe_i_w，其中i=1,2,3,...num，通过编码变换器从先验知识T1信息中学习DTI的结构信息，T1信息为T1加权图像。
作为本发明所述的面向弥散张量图像的鲁棒水印方法，其特征在于：所述水印嵌入网络中，最显著特征模块的计算为：
Figure SMS_17
；
其中，
Figure SMS_19
为查询向量，/>
Figure SMS_22
为查询向量/>
Figure SMS_24
的模，/>
Figure SMS_20
为键向量，
Figure SMS_23
为键向量/>
Figure SMS_25
的模，其中/>
Figure SMS_26
表示图像转换成向量前的行索引和列索引，i表示第i个张量通道；Ti,x,y为张量特性和结构特征之间的相关性，/>
Figure SMS_18
函数返回最大值的索引值，/>
Figure SMS_21
函数返回最大值。
作为本发明所述的面向弥散张量图像的鲁棒水印方法，其特征在于：通过软注意力机制的方式，将
Figure SMS_27
为/>
Figure SMS_28
特征增加一个权重值，
Figure SMS_29
；
然后将该结构特征与含水印的张量特征Fe_i_w进行融合；
Figure SMS_30
；
其中，Conv2d表示2维卷积，cat表示对两个矩阵在通道上进行拼接；
Figure SMS_31
为结构特征，/>
Figure SMS_32
为张量特征和结构特征的最大相关值；/>
Figure SMS_33
为加权特征，Fe_i_w 为含水印的张量特征；
利用3D卷积将各个张量通道的特征进行融合得到嵌入水印的DTI图像
Figure SMS_34
；
Figure SMS_35
；
其中，
Figure SMS_36
表示三维卷积，/>
Figure SMS_37
表示矩阵拼接，
Figure SMS_38
表示 />
Figure SMS_39
个通道的含水印加权特征；
让网络在训练过程充分学习原DTI的图像特征，所述损失函数：
Figure SMS_40
；
其中Io表示原始DTI图像，C、K、B分别表示图像的高、宽、长，c表示高1从到C的取值，k表示宽从1到K的取值，b表示长从1到B的取值；
Figure SMS_41
表示加水印的弥散张量图像。
作为本发明所述的面向弥散张量图像的鲁棒水印方法，其特征在于：所述水印提取网络包括：从
Figure SMS_42
中提取全局特征Fd，从通道上将Fd划分为三维的通道特征Fd_i，其中i=1,2,3,...num；将通道特征送入多头注意力机制中提取水印信息特征；
Figure SMS_43
；
其中，
Figure SMS_44
表示三维卷积，/>
Figure SMS_45
表示加水印的弥散张量图像。
作为本发明所述的面向弥散张量图像的鲁棒水印方法，其特征在于：所述突出最显著水印特征的水印特征图Fd_i_at为：
Figure SMS_46
；
其中，Ti'表示第i个通道的结构特征，Si’表示第i个通道的相关性权重，Fd_i_3表示第i个通道的第3个通道特征；
利用残差注意力模块，将卷积得到的浅层特征和通道注意力模块得到的深层特征相结合，得到第i个通道中能表达水印信息的高语义特征Fd_i_feature；
利用3D卷积对所有张量通道中提取出来的水印特征进行融合得到水印信息，再利用sigmoid对其进行激活；
Figure SMS_47
；
其中，
Figure SMS_48
表示/>
Figure SMS_49
函数，/>
Figure SMS_50
表示三维卷积，
Figure SMS_51
表示矩阵拼接， />
Figure SMS_52
表示
Figure SMS_53
个通道的水印特征。
作为本发明所述的面向弥散张量图像的鲁棒水印方法，其特征在于：采用二元交叉熵函数作为水印提取网络的损失函数：
Figure SMS_54
；
其中，W为参考的水印信息，x为预测的水印信息，lg为以e为底的log函数。
一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。
本发明的有益效果：本发明提供的面向弥散张量图像的鲁棒水印方法通过本文提出的最显著特征和软注意力融合T1信息却能在保证水印提取正确率不下降的前提下提升DTI图像的重构质量。能够提升水印正确率，对于像素替换攻击也具有极其优秀的抵抗能力；对于高斯模糊和高斯噪声也依然能准确的提取出水印信息。具有极其优秀的鲁棒能力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例提供的一种面向弥散张量图像的鲁棒水印方法的整体流程图；
图2为本发明第一个实施例提供的一种面向弥散张量图像的鲁棒水印方法中 DTI结构图；
图3为本发明第一个实施例提供的一种面向弥散张量图像的鲁棒水印方法的扩散张量图像鲁棒水印算法的网络图；
图4为本发明第一个实施例提供的一种面向弥散张量图像的鲁棒水印方法 中水印嵌入网络图；
图5为本发明第一个实施例提供的一种面向弥散张量图像的鲁棒水印方法编码变换器运行图；
图6为本发明第一个实施例提供的一种面向弥散张量图像的鲁棒水印方法的提取网络框架图；
图7为本发明第一个实施例提供的一种面向弥散张量图像的鲁棒水印方法中解码变换器运行图；
图8为本发明第一个实施例提供的一种面向弥散张量图像的鲁棒水印方法中残差注意力模块示意图；
图9为本发明第二个实施例提供的一种面向弥散张量图像的鲁棒水印方法在攻击渲染的效果图；
图10为本发明第二个实施例提供的一种面向弥散张量图像的鲁棒水印方法中原始图像和水印图像之间的差距图；
图11为本发明第二个实施例提供的一种面向弥散张量图像的鲁棒水印方法水印鲁棒性图；
图12为本发明第二个实施例提供的一种面向弥散张量图像的鲁棒水印方法水印鲁棒性图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-8，为本发明的一个实施例，提供了一种面向弥散张量图像的鲁棒水印方法，包括：
S1：将弥散张量图像输入水印嵌入网络，水印嵌入网络随机生成一串8位二进制数值作为水印信息，并将该水印信息嵌入弥散张量图像，最后输出含有水印的弥散张量图像。整个过程以平均绝对误差函数作为损失函数来训练。
要说明的是，在临床诊断中，采集的弥散核磁共振图像序列通常包括T1加权图像、T2加权图像和弥散加权图像等，本发明面向的弥散张量图像由多个弥散加权图像拟合得到，T1信息指T1加权图像。
应说明的是，首先通过公式3来重组弥散张量图像的张量部分，然后利用3D卷积来融合冗余的水印信息以保证水印的鲁棒性，再将T1信息作为先验知识，通过变换器计算T1和原始弥散加权图像的相关性，并利用相关性分数中最大值的索引从T1信息中得到最显著特征，而相关性分数中的最大值则作为最显著特征权重，最后利用从T1信息中提取的最显著特征来提升重构图像的质量。在水印提取网络中，利用变换器来从全图中学习最显著水印特征，然后利用卷积神经网络从水印特征中提取出水印信息。弥散张量成像技术利用水分子的弥散各向异性进行成像。在人体生理条件下，水分子的自由运动受细胞本身特征及结构的影响，如组织的粘滞度、温度、分子的大小以及细胞膜、细胞器等生理性屏障，使其在三维空间内各个方向上扩散运动的快慢不同，以至一个方向上弥散比另一个方向受更多的限制，具有很强方向依赖性，称之为各向异性，其运动轨迹近似一个椭球体。而对于一个三维空间，要定义一个椭球体，则至少需要6个参数，三个特征值λ1、λ2、λ3描述椭球形在三个方向的长度，三个特征向量v1、v2、v3描述椭球形在三个轴向的方向。在弥散张量图像中，通常用一个
Figure SMS_55
的张量描述这6个值，张量元素与特征值、特征向量之间的转换分别通过奇异值分解和奇异值分解的逆变换完成，通过奇异值分解能够将张量元素转换为特征值和特征向量，通过奇异值分解的逆变换能够将特征值和特征向量转换为张量元素。本发明主要在张量元素中嵌入水印信息，而特征值和特征向量用于各向异性和平均弥散率的计算，如公式 1所示。因此，弥散张量图像有着5维的数据形式，其数据表现形式如公式2所示，图2展示了弥散张量图像的数据结构。
Figure SMS_56
（1）；
其中，
Figure SMS_57
表示张量的9个元素，/>
Figure SMS_58
为张量的三个特征向量，/>
Figure SMS_59
为三个特征向量对应的特征值，/>
Figure SMS_60
表示向量的转置。
Figure SMS_61
（2）；
Figure SMS_62
表示图像在三维空间中沿高、宽、长三个轴的坐标，3, 3表示张量的维度。
在本文中，为了对DTI数据进行3D卷积操作，本文对首先对5维的DTI数据进行了如下处理，将其正定矩阵转成一维向量，使3D卷积能在通道的维度上对DTI数据进行数据融合，具体的处理过程如公式3所示。
Figure SMS_63
（3）；
Figure SMS_64
表示图像在三维空间中沿高、宽、长三个轴的坐标，3, 3表示张量的维度，/>
Figure SMS_65
表示数据形状转换后的向量维度，维度为9。
应说明的是水印嵌入网络: 该网络的目的主要在于将水印信息嵌入弥散张量图像得到含水印弥散张量图像
Figure SMS_66
，并且保证/>
Figure SMS_67
依然具有临床诊断的医学价值，同时还要保证嵌入/>
Figure SMS_68
中的水印具有极高的鲁棒性。
水印嵌入网络整体过程如图4所示，首先利用3D卷积从输入的DTI图像中提取张量特征得到F1，然后随机生成一串8位二进制数据作为水印信息，将该水印信息W与张量特征F1进行拼接得到F2，最后利用3D卷积将两者进行融合得到Fe,具体的计算过程如公式4所示。
Figure SMS_69
（4）；
其中cat表示在通道上进行拼接，Conv3d表示3D卷积，
Figure SMS_70
为输入的弥散张量图像，/>
Figure SMS_71
为第一个三维卷积输出的特征，W为水印信息，/>
Figure SMS_72
为水印信息和特征
Figure SMS_73
的拼接数据，/>
Figure SMS_74
为水印信息和图像特征融合后的特征。
接下来将Fe从张量通道上进行索引取值得到Fe_i_w，其中i=1,2,3,...num,然后通过图5所示的编码变换器从先验知识T1加权图像（简称T1信息）中学习DTI的结构信息，该机制融合了最显著特征模块和软注意力机制。num的值可在一定程度上影响重构DTI水印图的质量。
最显著特征模块的计算主要与三个向量有关，三个向量分别为查询向量Q，键向量K和值向量V。K和V为一对键值对，K是V的索引。具体的计算步骤如下：通过计算Q和K的点积得到两个向量之间的相关性分数，然后通过最大相关性分数的索引去V中取值。在水印嵌入网络中，当前张量特征Fe_i_w作为查询向量Q，T1信息的索引和值作为键向量K和值向量V，首先通过向量Q和向量K的内积得到相关性分数Ti,x,y，如公式5所示。然后从Ti,x,y的每一行中取最大值作为最相关特征分数Si,x，取Si,x在Ti,x,y中的索引值作为位置信息，记为Pi,x，然后利用Pi,x作为索引值从T1中获得结构特征Fi,x，其中x,y表示图像转换成向量前的行索引和列索引，i表示第i个张量通道，如公式6所示。
Figure SMS_75
（5）；
其中，
Figure SMS_76
为查询向量，/>
Figure SMS_77
为查询向量/>
Figure SMS_78
的模，/>
Figure SMS_79
为键向量，/>
Figure SMS_80
为键向量/>
Figure SMS_81
的模，其中/>
Figure SMS_82
表示图像转换成向量前的行索引和列索引，i表示第i个张量通道
Figure SMS_83
（6）；
其中，
Figure SMS_84
为张量特性和结构特征之间的相关性，/>
Figure SMS_85
函数返回最大值的索引值，/>
Figure SMS_86
函数返回最大值。
通过索引值从作为先验信息的T1中取得的特征无法参与神经网络的梯度回传，所以为了提升Fi,x的可信度，本文通过软注意力机制的方式，将Si,x为Fi,x特征增加一个权重值，具体的计算方式如公式7所示，然后将该结构特征与含水印的张量特征Fe_i_w进行融合。具体的计算过程如公式8所示，其中Conv2d表示2维卷积，cat表示对两个矩阵在通道上进行拼接。
Figure SMS_87
（7）；
其中，
Figure SMS_88
为结构特征，/>
Figure SMS_89
为张量特征和结构特征的最大相关值。
Figure SMS_90
（8）；
其中，Conv2d表示二维卷积，cat表示矩阵拼接，
Figure SMS_91
为加权特征，Fe_i_w为含水印的张量特征。
最后利用3D卷积将各个张量通道的特征进行融合得到嵌入水印的DTI图像
Figure SMS_92
，其计算过程如公式9所示，并且为了让网络在训练过程充分学习原DTI的图像特征，本文的损失函数设计如公式10所示，其中Io表示原始DTI图像，C、K、B分别表示图像的高、宽、长。
Figure SMS_93
（9）；
其中，
Figure SMS_94
表示三维卷积，/>
Figure SMS_95
表示矩阵拼接，
Figure SMS_96
表示 />
Figure SMS_97
个通道的含水印加权特征。
Figure SMS_98
（10）；
其中Io表示参考的弥散张量图像，
Figure SMS_99
表示加水印的弥散张量图像，C、K、B分别表示图像的高、宽、长。
S2：将
Figure SMS_100
输入攻击网络，网络对图像进行攻击。如裁剪、局部裁剪替换、全局随机像素替换、高斯滤波和高斯噪声。
应说明的是，为了保证嵌入DTI图纸中的水印具有鲁棒性，本文算法在网络训练的攻击层中设计了多种DTI图像的攻击算法，从而使提取水印的网络能提前适应这些攻击。这些攻击算法多是针对DTI高维数据的有意或无意的攻击方法，其中包括但不局限于随机裁剪，随机局部像素替换，全局随机像素替换，高斯滤波和高斯噪声。随机裁剪攻击是将含水印DTI图像随机裁剪的区域作为被攻击图像，被攻击图像和原图之间的比例p表示裁剪攻击强度；随机局部像素替换是指先随机在含水印DTI图像上进行裁剪，然后再用原图中对应位置的像素填充含水印DTI图像裁剪空出来的像素，被替换的像素点数量占整张图的像素点数量的比例q是替换强度。全局随机像素替换是指随机使用原图中的像素替换含水印DTI图像中对应位置的像素，被替换的像素点数量占整张图的像素点数量的比例q是替换强度。高斯滤波是指用一个模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，模板长宽的大小r就是该攻击的强度。高斯噪声则是先随机生成与含水印DTI图像大小一样且符合正态分布的随机数，然后将这些随机数直接添加到含水印DTI图像的像素值中，其中标准差的大小σ表示该攻击的强度。
S3：将攻击后的含水印图像输入水印提取网络，网络从图像中准确地提取出在水印嵌入网络中嵌入的水印信息。即在水印嵌入网络中生成的8位二进制串。
提取网络框架如图6所示，先利用公式11从Iw_DTI中提取全局特征Fd，然后再从通道上将Fd划分为三维的通道特征Fd_i,其中i=1,2,3,...num。之后再将通道特征送入如图7所示的多头注意力机制中提取水印信息特征。
Figure SMS_101
（11）；
其中，
Figure SMS_102
表示三维卷积，/>
Figure SMS_103
表示加水印的弥散张量图像。
先利用3d卷积将该张量通道特征投影成三个通道特征Fd_i_1,Fd_i_2,Fd_i_3。然后利用图7所示的解码变换器为三个通道建立特征联系，实现的方式是通过将Fd_i_1,Fd_i_2作为参数来计算Fd_i_3中的最显著水印特征和最显著水印特征的分布权重，并且利用卷积网络的梯度回传来更新参数，具体的计算过程如图7所示，Fd_i_1和Fd_i_2作为Q和K，Fd_i_3作为V。
图7中解码变换器具体过程是，先利用公式5-公式7来计算相关性Si,x’和最相关位置信息Pi,x’,然后利用Pi,x’作为索引从Fd_i_3中得到最显著水印特征Fi,x’，但是由于该特征是通过索引得到的，所以无法参与梯度回传，为了增加该显著水印特征的置信度，将由Si,x’组成的Si’和由Fi,x’组成的Fi’相乘，通过梯度回传来更新Si’从而增加最显著水印特征的置信度，最后再加上Fd_i_3从而得到突出最显著水印特征的水印特征图Fd_i_at，其具体的计算过程如公式12所示。
Figure SMS_104
（12）；
其中，
Figure SMS_105
表示第i个通道的结构特征，/>
Figure SMS_106
表示第i个通道的相关性权重，/>
Figure SMS_107
表示第i个通道的第3个通道特征。
为了有效地从Fd_i_at中提取出能表达水印信息的高语义特征，本文提出残差注意力模块，对Fd_i_at进行水印特征的提取从而得到第i个通道中的水印特征Fd_i_feature。具体的方法如图8所示。将Fd_i_at作为输入，分别通过2D卷积和下采样从中提取浅层特征，然后将两个浅层特征和Fd_i_at相加后送入通道注意力模块，通道注意力模块通过计算能够得到深层特征，最后将浅层特征与深层特征相加，以弥补通过注意力模块中信息的丢失。
最后，利用3D卷积对所有张量通道中提取出来的水印特征进行融合得到水印信息，再利用sigmoid对其进行激活，其计算过程如公式13所示。本文采用二元交叉熵函数作为水印提取网络的损失函数，其计算方式如公式14所示。
Figure SMS_108
(13) ；
其中，
Figure SMS_109
表示/>
Figure SMS_110
函数，/>
Figure SMS_111
表示三维卷积，
Figure SMS_112
表示矩阵拼接，/>
Figure SMS_113
表示
Figure SMS_114
个通道的水印特征。
Figure SMS_115
(14) ；
其中W为参考的水印信息，x为预测的水印信息，lg为以e为底的log函数。
图2展示了弥散张量图像的数据结构，除空间上的三维坐标外，每个体素中包含一个
Figure SMS_116
的二阶正定对称张量。
图3展示了本文的算法流程。首先，将弥散张量图像输入水印嵌入网络，以平均绝对误差函数作为损失函数来训练网络，网络输出含有水印的弥散张量图像
Figure SMS_117
。然后，将/>
Figure SMS_118
输入攻击网络，网络对图像进行各种攻击，包括局部像素替换cropout、全局像素替换dropout、裁剪crop、高斯加噪和高斯滤波，以提高水印的鲁棒性。最后，将攻击后的含水印图像输入水印提取网络，网络从图像中准确地提取出在水印嵌入网络中嵌入的水印信息。
图4为水印嵌入网络的网络结构图。将弥散张量图像中每个体素的
Figure SMS_119
张量展平，图像的维度从/>
Figure SMS_120
变换为/>
Figure SMS_121
，这一步仅仅改变了数据的维度，并未改变数据本身。然后，将图像输入三维卷积函数，以提取图像的张量特征。得到的张量特征与水印W拼接后输入三维卷积函数，以融合张量特征和水印信息。然后将融合后的特征逐通道输入编码变换器。编码变换器的结构如图5所示，编码器利用软注意力机制来计算结构信息T1和融合特征之间的相关性，以结构相关性为权重重构含有水印的弥散张量特征。将编码变换器的输出逐通道拼接以输入三维卷积函数，最后输出含有水印的弥散张量图像。
图6为水印提取网络的网络结构图。含有水印的弥散张量图像作为输入，经过三维卷积提取张量通道特征后，将张量通道特征逐通道输入解码变换器中。解码变换器的结构如图7所示，三维卷积函数将输入的特征投影为三个通道特征，这三个特征分别作为注意力机制中的查询向量Q，键向量K和值向量V。然后，通过向量K和向量V计算特征之间的相关性和它们的位置相关性，利用最相关位置信息得到最显著的水印特征。最后，将解码变换器输出的特征逐通道拼接并融合，输出水印信息。
图8展示了残差注意力模块的具体结构。将最显著特征作为输入，并在注意力机制的基础上加入残差模块，以输出能表达水印信息的高语义特征。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器、磁变存储器、铁电存储器、相变存储器、石墨烯存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器或动态随机存取存储器等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。
本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
实施例2
参照图9-12，为本发明的一个实施例，提供了一种面向弥散张量图像的鲁棒水印方法，为了验证本发明的有益效果，通过对比实验和消融实验进行科学论证。
首先我们通过与其他相关方法的对比实验证明了本发明的优越性，具体的实验结果如表1所示。其中，HiDDeN是首个用于数字水印的端到端神经网络模型，该方法具有开创性；SuperDTI能够实现弥散张量图像相关参数的重构，值得注意的是，该方法没有完成弥散张量图像的重构，而是直接计算弥散张量图像的各向异性和平均弥散率。
表1 不同模型算法的含水印的弥散张量图像之间的质量对比表
Figure SMS_122
其次我们验证了是否能通过卷积来增加张量通道数量来提升重构DTI图像的质量。具体的实验如表2所示，通过将张量通道数量num的值设计为16，32，64三组实验。当num为16时，其重构DTI水印图像的PSNR为52.64db，是三组实验中的最小值，当num为64时，其DTI水印图像的PSNR为54.00db，并且同时记录了三组模型训练所需时间，虽然不同的通道数量能在一定程度上影响重构的DTI图像质量，但是计算效率上的差距比较大，所以综合来看建议num值设置为16。
表2 不同的张量通道数量对平均峰值信噪实验 4 表示通过通过解比的影响表
序号 张量通道数量 平均峰值信噪比 训练时间
1 16 52.64 43500s
2 32 52.29 81542s
3 64 54.00 144836s
然后为了验证本文所提编码变换器力模块中的最显著特征和软注意力机制对重构DTI水印图像质量的有效性，本文设计如表3所示的消融实验，其中选择经历本文提到的攻击后水印提取正确率最高的参数进行测试，其中序号2的实验水印提取正确率在训练过程中只有95.35%，其他序号的水印提取准确率在训练过程中都能达到1。序号1表示在重构过程中最显著特征和软注意力机制都没有，并且在卷积过程中不融合T1信息的实验，序号2表示在重构过程中最显著特征和软注意力机制都没有但是通过图4的2D卷积直接在通道上融合T1信息的实验，序号3表示在重构过程中只有最显著特征的实验，序号4表示在重构过程中只有软注意力机制的实验，序号5表示在重构过程中有最显著特征和软注意力的实验。从实验结果可知直接通过卷积融合T1信息会导致图像的质量和水印提取准确率都出现下降的情况，而通过本文提出的最显著特征和软注意力融合T1信息却能在保证水印提取正确率不下降的前提下提升DTI图像的重构质量。
表3 最显著特征和软注意力机制对平均峰值信噪比的影响表
序号 类别 平均峰值信噪比
1 嵌入网络没有最显著特征和软注意力 40.88
2 嵌入网络没有最显著特征和软注意力，但是有T1信息 38.45
3 嵌入网络只有最显著特征 40.45
4 嵌入网络只有软注意力机制 41.92
5 有最显著特征和软注意力 42.41
变换器通过计算相关性获得最显著水印特征和水印权重，然后再通过残差注意力模块延长网络的深度来提取更具有语义能力的特征来表示水印特征，从而提升最后的水印提取正确率，为了验证这两个模块的有效性。本文设计了如表4所示的消融实验，所有实验嵌入相同的水印保证公平性，并且从3.3中得知，本文算法仅对cropout强度为0.1的攻击抵抗能力较弱，所以在本实验中选择强度为0.1的cropout作为攻击从而凸显水印提取正确率的差异。实验1表示有最显著水印特征和水印权重，但是在提取完水印相关特征图后，仅利用一层卷积进行水印特征的提取然后利用全连接层得到水印信息，其水印提取的正确率为2.5%。实验2则是没有通过解码变换器提取完水印相关特征图，直接利用残差注意力模块提取深层特征来表示水印特征，其水印提取的正确率为40.41%。实验3表示通过解码变换器计算相关性后仅获得水印权重，然后将其与原特征相乘后ResSe（残差注意力）模块提取深层特征来表示水印特征，其准确率为41.45%。实验4表示通过通过解码变换器计算相关性后仅获得最显著水印特征，然后通过残差注意力模块提取深层特征来表示水印特征，其准确率为41.87%。实验5表示本文算法，其水印提取准确率为42.08%。实验1和实验5的差异能证明残差注意力能大幅度提升水印的提取正确率，实验2、实验3、实验4和实验5的差异表明通过解码变换器模块计算出来的最显著水印特征和水印权重都能小幅度提升水印正确率。
表4 最显著特征和软注意力机制对提取水印准确率的影响表
序号 类别 准确率
1 没有ResSe模块 2.5%
2 没有最显著特征和软注意力 40.41%
3 只有软注意力机制 41.45%
4 只有最显著特征 41.87%
5 有最显著特征和软注意力 42.08%
通过计算，本文算法重构的DTI图像与原图的FA是0.00017，其次本文算法重构的DTI图像与原图的MD基本为0。所以本文算法在为DTI图像嵌入水印后依然具有医学临床诊断的意义，本文所提算法的效果图展示如图10所示。
在本文中，为了探索水印抵抗各种攻击的鲁棒性训练了两种模型，一种是通过单一攻击训练出来的模型，另一种是通过多种攻击混合训练的模型。对于单一攻击训练的水印提取正确率结果如图11所示，对于各种攻击，本文所提算法的水印具有优秀的鲁棒性。裁剪攻击使DTI水印图仅剩下0.1时，水印提取的准确率依然能达到1；局部裁剪替换攻击使DTI水印图被替换了0.8的像素后，水印提取准确率也可以达到1左右；全局随机像素替换使DTI水印图被替换了0.9的像素后，水印提取准确率也可以达到1左右；对于高斯滤波，进行卷积的模板大小为7时，其依然能准确提取；添加高斯噪声依然能准确提取水印信息。
对于多种攻击混合训练的水印提取正确率结果如图12所示，对于各种攻击，混合训练的模型依然具有优秀的鲁棒性。用混合训练的模型提取经历裁剪强度为0.1的DTI水印图中的水印信息时，其准确率依然可以达到1；对于两种像素替换攻击也具有极其优秀的抵抗能力；对于高斯模糊和高斯噪声也依然能准确的提取出水印信息。经过本节的这两个结果可以得出本文算法嵌入的水印具有极其优秀的鲁棒能力。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种面向弥散张量图像的鲁棒水印方法，其特征在于，包括：
将经数据处理过的弥散张量图像输入水印嵌入网络，水印嵌入网络随机生成一串8位二进制数值作为水印信息，并将所述水印信息嵌入弥散张量图像，通过最显著注意力特征模块和软注意力机制将T1加权图像作为先验知识融入水印嵌入过程，最显著特征模块是计算当前张量特征Fe_i_w和T1信息的相关性，通过索引值从T1信息中取得最相关的结构特征，计算Fe_i_w和T1信息之间的相关性得到Ti,x,y，从Ti,x,y的每一行中取最大值作为最相关特征分数Si,x，取Si,x在Ti,x,y中的索引值作为位置信息，记为Pi,x，利用Pi,x作为索引值从T1中获得结构特征Fi,x，其中x,y表示图像转换成向量前的行索引和列索引，i表示第i个张量通道；以提升含水印图像的重构质量，最后输出含有水印的弥散张量图像，并以平均绝对误差函数作为损失函数来训练；
输入攻击网络，对图像进行攻击，使得水印提取网络能提前适应这些攻击；
将攻击后的含水印图像输入水印提取网络，水印提取网络通过最显著注意力特征模块和软注意力机制得到最显著水印特征，利用3D卷积，将张量通道特征Fd_i投影成三个通道特征 Fd_i_1，Fd_i_2，Fd_i_3，利用解码变换器为三个通道特征建立特征联系，将 Fd_i_1和Fd_i_2作为最显著注意机制中的查询向量Q和键向量K，Fd_i_3作为值向量V，通过计算 Fd_i_1和Fd_i_2的内积得到相关性分数，取相关性分数中的最大值作为最相关特征分数Si,x’再根据Si,x’在Fd_i_3中的索引值作为最相关位置信息Pi,x’，利用Pi,x’作为索引从Fd_i_3中得到最显著水印特征Fi,x’，将由Si,x’组成的Si’和由Fi,x’组成的Fi’相乘，通过梯度回传来更新Si’增加最显著水印特征的置信度，最后加上Fd_i_3，得到突出最显著水印特征的水印特征图Fd_i_at，通过残差注意力模块得到能表达水印信息的高语义特征，最后通过3D卷积从该高语义特征中准确地提取出在水印嵌入网络中嵌入的水印信息。
2.如权利要求1所述的面向弥散张量图像的鲁棒水印方法，其特征在于：对数据的处理包括：张量元素与特征值、特征向量之间的转换，
Figure QLYQS_1
；
弥散张量图像有着5维的数据形式，其数据表现形式如：
Figure QLYQS_2
；
对5维的DTI数据进行了特殊处理，使其正定矩阵转成一维向量，使3D卷积能在通道的维度上对DTI数据进行数据融合，具体包括：
Figure QLYQS_3
；
其中，
Figure QLYQS_4
表示张量的9个元素，/>
Figure QLYQS_5
为张量的三个特征向量，/>
Figure QLYQS_6
为三个特征向量对应的特征值，/>
Figure QLYQS_7
表示向量的转置；/>
Figure QLYQS_8
表示图像在三维空间中沿高、宽、长三个轴的坐标，3, 3表示张量的维度；/>
Figure QLYQS_9
表示数据形状转换后的向量维度，维度为9。
3.如权利要求2所述的面向弥散张量图像的鲁棒水印方法，其特征在于：所述水印嵌入网络包括：利用3D卷积从输入的DTI图像中提取张量特征得到F1，然后将水印信息与张量特征进行拼接得到F2，最后利用3D卷积将两者进行融合得到Fe，具体的：
Figure QLYQS_10
；
其中，cat表示在通道上进行拼接，Conv3d表示3D卷积，
Figure QLYQS_11
为输入的弥散张量图像，
Figure QLYQS_12
为第一个三维卷积输出的特征，W为水印信息，/>
Figure QLYQS_13
为水印信息和特征
Figure QLYQS_14
的拼接数据，/>
Figure QLYQS_15
为水印信息和图像特征融合后的特征；
将
Figure QLYQS_16
从张量通道上进行索引取值得到当前张量特征Fe_i_w，其中i=1,2,3,...num，通过编码变换器从先验知识T1信息中学习DTI的结构信息，T1 信息为 T1 加权图像。
4.如权利要求3所述的面向弥散张量图像的鲁棒水印方法，其特征在于：所述水印嵌入网络中，最显著特征模块的计算为：
Figure QLYQS_17
；
其中，
Figure QLYQS_19
为查询向量，/>
Figure QLYQS_23
为查询向量/>
Figure QLYQS_25
的模，/>
Figure QLYQS_20
为键向量，/>
Figure QLYQS_22
为键向量/>
Figure QLYQS_24
的模，其中/>
Figure QLYQS_26
表示图像转换成向量前的行索引和列索引，i表示第i个张量通道；Ti,x,y为张量特性和结构特征之间的相关性，/>
Figure QLYQS_18
函数返回最大值的索引值，
Figure QLYQS_21
函数返回最大值。
5.如权利要求4所述的面向弥散张量图像的鲁棒水印方法，其特征在于：通过软注意力机制的方式，将
Figure QLYQS_27
为/>
Figure QLYQS_28
特征增加一个权重值，
Figure QLYQS_29
；
然后将该结构特征与含水印的张量特征Fe_i_w进行融合；
Figure QLYQS_30
；
其中，Conv2d表示2维卷积，cat表示对两个矩阵在通道上进行拼接；
Figure QLYQS_31
为结构特征，
Figure QLYQS_32
为张量特征和结构特征的最大相关值；/>
Figure QLYQS_33
为加权特征，Fe_i_w为含水印的张量特征；
利用3D卷积将各个张量通道的特征进行融合得到嵌入水印的DTI图像
Figure QLYQS_34
；
Figure QLYQS_35
；
其中，
Figure QLYQS_36
表示三维卷积，/>
Figure QLYQS_37
表示矩阵拼接，
Figure QLYQS_38
表示/>
Figure QLYQS_39
个通道的含水印加权特征；
让网络在训练过程充分学习原DTI的图像特征，所述损失函数：
Figure QLYQS_40
；
其中Io表示原始DTI图像，C、K、B分别表示图像的高、宽、长，c表示高1从到C的取值，k表示宽从1到K的取值，b表示长从1到B的取值；
Figure QLYQS_41
表示加水印的弥散张量图像。
6.如权利要求5所述的面向弥散张量图像的鲁棒水印方法，其特征在于：所述水印提取网络包括：从
Figure QLYQS_42
中提取全局特征Fd，从通道上将Fd划分为三维的通道特征Fd_i，其中i=1,2,3,...num；将通道特征送入多头注意力机制中提取水印信息特征；
Figure QLYQS_43
；
其中，
Figure QLYQS_44
表示三维卷积，/>
Figure QLYQS_45
表示加水印的弥散张量图像。
7.如权利要求6所述的面向弥散张量图像的鲁棒水印方法，其特征在于：所述突出最显著水印特征的水印特征图Fd_i_at表示为：
Figure QLYQS_46
；
其中，Ti'表示第i个通道的结构特征，Si’表示第i个通道的相关性权重，Fd_i_3表示第i个通道的第3个通道特征；
利用残差注意力模块，将卷积得到的浅层特征和通道注意力模块得到的深层特征相结合，得到第i个通道中能表达水印信息的高语义特征Fd_i_feature；
利用3D卷积对所有张量通道中提取出来的水印特征进行融合得到水印信息，再利用sigmoid对其进行激活；
Figure QLYQS_47
；
其中，
Figure QLYQS_48
表示/>
Figure QLYQS_49
函数，/>
Figure QLYQS_50
表示三维卷积，/>
Figure QLYQS_51
表示矩阵拼接，/>
Figure QLYQS_52
表示/>
Figure QLYQS_53
个通道的水印特征。
8.如权利要求7所述的面向弥散张量图像的鲁棒水印方法，其特征在于：采用二元交叉熵函数作为水印提取网络的损失函数：
Figure QLYQS_54
；
其中，W为参考的水印信息，x为预测的水印信息，lg为以e为底的log函数。
9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202310584290.8A 2023-05-23 2023-05-23 一种面向弥散张量图像的鲁棒水印方法 Active CN116308985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310584290.8A CN116308985B (zh) 2023-05-23 2023-05-23 一种面向弥散张量图像的鲁棒水印方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310584290.8A CN116308985B (zh) 2023-05-23 2023-05-23 一种面向弥散张量图像的鲁棒水印方法

Publications (2)

Publication Number Publication Date
CN116308985A true CN116308985A (zh) 2023-06-23
CN116308985B CN116308985B (zh) 2023-07-25

Family

ID=86801805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310584290.8A Active CN116308985B (zh) 2023-05-23 2023-05-23 一种面向弥散张量图像的鲁棒水印方法

Country Status (1)

Country Link
CN (1) CN116308985B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598761A (zh) * 2020-04-17 2020-08-28 中山大学 一种基于图像降噪的抗打印拍摄图像数字水印方法
CN113095988A (zh) * 2021-03-29 2021-07-09 贵州大学 一种基于orc采样和qgpce变换的弥散张量图像鲁棒零水印方法
CN113095987A (zh) * 2021-03-26 2021-07-09 贵州大学 一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法
CN114596187A (zh) * 2022-01-27 2022-06-07 贵州大学 一种面向弥散加权图像的双域鲁棒水印提取方法
CN114984457A (zh) * 2022-05-17 2022-09-02 复旦大学 基于脑功能网络的患者光刺激参数选择方法及系统
CN115115500A (zh) * 2022-07-19 2022-09-27 宁波大学科学技术学院 一种结合水下图像增强的水印嵌入方法
CN115809953A (zh) * 2022-11-16 2023-03-17 山东大学 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598761A (zh) * 2020-04-17 2020-08-28 中山大学 一种基于图像降噪的抗打印拍摄图像数字水印方法
CN113095987A (zh) * 2021-03-26 2021-07-09 贵州大学 一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法
CN113095988A (zh) * 2021-03-29 2021-07-09 贵州大学 一种基于orc采样和qgpce变换的弥散张量图像鲁棒零水印方法
CN114596187A (zh) * 2022-01-27 2022-06-07 贵州大学 一种面向弥散加权图像的双域鲁棒水印提取方法
CN114984457A (zh) * 2022-05-17 2022-09-02 复旦大学 基于脑功能网络的患者光刺激参数选择方法及系统
CN115115500A (zh) * 2022-07-19 2022-09-27 宁波大学科学技术学院 一种结合水下图像增强的水印嵌入方法
CN115809953A (zh) * 2022-11-16 2023-03-17 山东大学 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BIN FAN, ZHI LI, JIAN GAO: "DwiMark: a multiscale robust deep watermarking framework for diffusion-weighted imaging images", MULTIMEDIA SYSTEMS, pages 295 - 310 *
李智;周旭阳;殷昕旺;张丽;: "基于深度残差网络的医学图像鲁棒可逆水印算法", 贵州大学学报(自然科学版), pages 58 - 68 *
樊缤: "基于深度学习的弥散加权图像鲁棒水印算法研究", 中国优秀硕士学位论文全文数据库 基础科学辑, pages 006 - 1139 *

Also Published As

Publication number Publication date
CN116308985B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Sun et al. An adversarial learning approach to medical image synthesis for lesion detection
Mo et al. Fake faces identification via convolutional neural network
Qi et al. SGUIE-Net: Semantic attention guided underwater image enhancement with multi-scale perception
CN110544275B (zh) 生成配准的带病灶分割标签的多模态mri的方法、系统及介质
CN108648256A (zh) 一种基于超维的灰度岩心三维重建方法
CN113095987B (zh) 一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法
Kim et al. Binocular fusion net: deep learning visual comfort assessment for stereoscopic 3D
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
Liao et al. GIFMarking: The robust watermarking for animated GIF based deep learning
CN112489048B (zh) 一种基于深度网络的视神经自动分割方法
CN116308985B (zh) 一种面向弥散张量图像的鲁棒水印方法
CN111489405B (zh) 基于条件增强生成对抗网络的人脸草图合成系统
Zhu et al. Information-containing adversarial perturbation for combating facial manipulation systems
CN117437420A (zh) 一种跨模态医学影像分割方法及系统
CN116486495A (zh) 一种基于注意力与生成对抗网络的人脸图像隐私保护方法
CN116402949A (zh) 一种基于mdcm-gan的从素描到人脸重建方法
CN112598578B (zh) 一种核磁共振图像超分辨率重建系统及方法
Surabhi et al. Advancing Faux Image Detection: A Hybrid Approach Combining Deep Learning and Data Mining Techniques
CN114463214A (zh) 区域注意力机制引导的双路虹膜补全方法及系统
Wang et al. Boosting light field image super resolution learnt from single-image prior
CN112529949A (zh) 一种基于t2图像生成dwi图像的方法及系统
Behravan et al. Introducing a new method of image reconstruction against crop attack using sudoku watermarking algorithm
Alshehri et al. Self-Attention-Based Edge Computing Model for Synthesis Image to Text through Next-Generation AI Mechanism
CN115994966B (zh) 多视角图像生成方法、装置、可读存储介质及电子设备
Botta et al. Image Fragile Watermarking through Quaternion Linear Transform in Secret Space

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