一种面向弥散加权图像的双域鲁棒水印提取方法技术

本发明专利技术公开了一种面向弥散加权图像的双域鲁棒水印提取方法，包括：获取空间域的弥散加权图像I

【技术实现步骤摘要】
一种面向弥散加权图像的双域鲁棒水印提取方法


[0001]本专利技术涉及鲁棒水印提取的
，尤其涉及一种面向弥散加权图像的双域鲁棒水印提取方法。

技术介绍

[0002]如今医学影像技术日益成熟，医学图像已成为医生判断病人病情的重要依据。而当前唯一可以无创地观察活体组织内部水分子运动的弥散加权成像*(Diffusion
‑
Weighted Imaging，DWI)对大脑分割，肿瘤检测等重大疾病有着重要的临床意义和研究价值。由于远程医疗的诊断需求，大量的医学图像需要在网络上进行传输，但是未被保护的医学图像在网络传输过程中极其容易被攻击和非法使用，从而影响医生对医学图像做出正确的诊断，极有可能未授权人员非法使用医学图像从而导致病人的隐私泄露。为了在远程诊断的应用需求下，保护医学图像的完整性和可靠性，向远程专家提供准确而完整的医学图像、并防止医学图像不被未经授权的人员使用就显得十分迫切。面向DWI图像的鲁棒水印算法可以有效的实现弥散加权图像的版权保护。
[0003]针对医学图像鲁棒水印算法的研究中，一方面既要保证医学图像的灰度信息不被破坏从而导致医生发生误判，另一方面则是要保证该水印信息具有较强的鲁棒性。所以如何在保证较高医学图像质量的情况下嵌入鲁棒的水印成为研究者们关注的重点。在传统的医学图像鲁棒水印算法中，比较常见的方法是在医学图像的频率域进行水印的嵌入和提取，由于传统的鲁棒水印算法是在频率上进行水印嵌入，所以在水印的不可感知性上会具有一定优势，但是能明显的发现传统的医学鲁棒水印算法需要针对攻击方式的特点来设计专门的水印保护算法，缺乏普适性。
[0004]深度学习的出现打破了这种局面，基于深度学习框架的医学图像鲁棒水印算法在图像的空间域嵌入水印信息，然后同时利用神经网络从受到攻击的含水印图中提取水印，以此突破了传统鲁棒水印算法的局限性，使其不再需要通过攻击方式来单独设计水印保护算法；但当前基于深度学习框架的医学图像鲁棒水印算法通常选择在单独的频率域或者空间域进行水印嵌入和提取，在单域中进行图像特征提取通常不够不充分，从而导致水印嵌入量较小、水印的鲁棒性较差、嵌入水印信息后的图像重构质量低。

技术实现思路

[0005]本部分的目的在于概述本专利技术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专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。
[0007]为解决上述技术问题，本专利技术提供如下技术方案，包括：在空间域对弥散加权图像I
o
进行特征提取，获取弥散加权图像I
o
的实体特征，并利用编码器在实体特征中嵌入水印W，对含有水印W的弥散加权图像进行重构，获得弥散加权图像I
ispace
；将弥散加权图像I
ispace
进
行频域变换，并对其频谱系数进行特征提取，获取弥散加权图像I
ispace
的全局纹理特征；将弥散加权图像I
o
的频域信息作为先验信息，而后利用编码器在全局纹理特征中冗余地嵌入水印W并重构出含有水印W的频域图像；对所述频域图像进行频域反变换，获得嵌有水印W的弥散加权图像I
kspace
，并利用BEGAN网络对其进行视觉增强；对视觉增强后的弥散加权图像I
ksapce
添加噪声，生成噪声图像I
knoise
；通过水印提取解码器从噪声图像I
knoise
中提取水印W。
[0008]作为本专利技术所述的面向弥散加权图像的双域鲁棒水印提取方法的一种优选方案，其中：重构含有水印W的弥散加权图像包括：基于超分辨率重构算法搭建重构模块；通过重构模块将每个实体特征进行通道拼接后通过注意力机制形成金字塔特征，而后对金字塔特征进行卷积；并将卷积结果与实体特征相加，通过卷积获得弥散加权图像I
ispace
。
[0009]作为本专利技术所述的面向弥散加权图像的双域鲁棒水印提取方法的一种优选方案，其中：包括：利用SDRDB在空间域对弥散加权图像I
o
进行特征提取；其中，SDRDB通过利用不同的扩张率对弥散加权图像I
o
做空洞卷积，从而获得n个尺度的实体特征。
[0010]作为本专利技术所述的面向弥散加权图像的双域鲁棒水印提取方法的一种优选方案，其中：包括：在重构时分别设计相应的损失函数：
[0011][0012]L
w
＝P(I
ispace
)+L
mae
(L
kspace
)L
en
＝L
w
+L
BEGAN
其中，L
mae
(I
ksapce
)为双域重构的损失函数，双域指的是空间域和频域；P(I
ispace
)为空间域重构的损失函数；C为图像长，K为图像宽，B为批处理的图片数，I
out
为嵌入水印W后的图，P为感知损失，L
BEGAN
为对抗损失，L
en
为水印W嵌入的总损失。
[0013]作为本专利技术所述的面向弥散加权图像的双域鲁棒水印提取方法的一种优选方案，其中：包括：水印W为[0，1]组成的序列。
[0014]作为本专利技术所述的面向弥散加权图像的双域鲁棒水印提取方法的一种优选方案，其中：水印提取解码器包括BasicBlock模块和注意力机制；通过BasicBlock模块提升提取特征的抽象性；将BasicBlock模块和注意力机制相结合，循环多次提取水印特征，而后利用卷积对水印特征进行融合，使其通道数与水印序列长度相同，获得水印W。
[0015]作为本专利技术所述的面向弥散加权图像的双域鲁棒水印提取方法的一种优选方案，其中：包括：将BasicBlock模块和注意力机制相结合，使提取的特征自我学习通道的权重，其通道的权重计算公式如下式：
[0016][0017]其中，F
weight
为通道的权重，F
basic
为BasicBlock模块输出的特征值，w1和w2为全连接层的参数，δ为relu激活函数，σ为sigmoid激活函数，W为图宽，H为图高，i、j为加符号中遍历的下标。
[0018]作为本专利技术所述的面向弥散加权图像的双域鲁棒水印提取方法的一种优选方案，其中：包括：在编码器进行梯度下降的过程中，将弥散加权图像I
ispace
和频域图像共享同一个水印提取解码器的参数进行训练，如下式：
[0019]W
d1
＝D(I
inoise
)，W
d2
＝D(I
knoise
)
[0020]L
bce
(W...

【技术保护点】

【技术特征摘要】
1.一种面向弥散加权图像的双域鲁棒水印提取方法，其特征在于，包括：在空间域对弥散加权图像I
o
进行特征提取，获取弥散加权图像I
o
的实体特征，并利用编码器在实体特征中嵌入水印W，对含有水印W的弥散加权图像进行重构，获得弥散加权图像I
ispace
；将弥散加权图像I
ispace
进行频域变换，并对其频谱系数进行特征提取，获取弥散加权图像I
ispace
的全局纹理特征；将弥散加权图像I
o
的频域信息作为先验信息，而后利用编码器在全局纹理特征中冗余地嵌入水印W并重构出含有水印W的频域图像；对所述频域图像进行频域反变换，获得嵌有水印W的弥散加权图像I
kspace
，并利用BEGAN网络对其进行视觉增强；对视觉增强后的弥散加权图像I
ksapce
添加噪声，生成噪声图像I
knoise
；通过水印提取解码器从噪声图像I
knoise
中提取水印W。2.如权利要求1所述的面向弥散加权图像的双域鲁棒水印提取方法，其特征在于，重构含有水印W的弥散加权图像包括：基于超分辨率重构算法搭建重构模块；通过重构模块将每个实体特征进行通道拼接后通过注意力机制形成金字塔特征，而后对金字塔特征进行卷积；并将卷积结果与实体特征相加，通过卷积获得弥散加权图像I
ispace
。3.如权利要求1或2所述的面向弥散加权图像的双域鲁棒水印提取方法，其特征在于，包括：利用SDRDB在空间域对弥散加权图像I
o
进行特征提取；其中，SDRDB通过利用不同的扩张率对弥散加权图像I
o
做空洞卷积，从而获得n个尺度的实体特征。4.如权利要求3所述的面向弥散加权图像的双域鲁棒水印提取方法，其特征在于，包括：在重构时分别设计相应的损失函数：L
w
＝P(I
ispace
)+L
mae
(I
kspace
)L
en
＝L
w
+L
BEGAN
其中，L
mae
(I
ksapce
)为双域重构的损失函数，双域指的是空间域和频域；P(I
ispace
)为空间域重构的损失函数；C为图像长，K为图像宽，B为批处理的图片数，I
out
为嵌入水印W后的图，P为感知损失，L
BEGA...

【专利技术属性】
技术研发人员：李智，刘程萌，樊缤，
申请(专利权)人：贵州大学，
类型：发明
国别省市：