基于特征融合的医学图像零水印生成及检测方法技术

本发明专利技术公开了一种基于特征融合的医学图像零水印生成及检测方法。该发明专利技术零水印生成方法具体步骤包括：构建一个具有512通道的卷积神经网络，生成网络的两种训练集，训练卷积神经网络，获得零水印图像。零水印检测方法具体步骤包括：生成检测训练集，训练检测器，检测水印信息。本发明专利技术解决了现有技术不能充分保留医学图像位置信息特征，存在特征丢失，生成零水印图像不能正确检测出水印信息的问题，使得本发明专利技术更为全面的提取医学图像特征，降低零水印信息丢失概率，具有生成零水印抵抗攻击能力强、检测水印清晰的优点，可以应用于医学图像的版权保护。的版权保护。的版权保护。

【技术实现步骤摘要】
基于特征融合的医学图像零水印生成及检测方法


[0001]本专利技术属于图像信号处理领域，更进一步涉及医学图像信息安全领域中的一种基于特征融合的医学图像零水印生成及检测方法。本专利技术可对医学图像和水印图像进行特征融合生成零水印图像，在图像版权出现纠纷时，使用训练好的检测器检测零水印图像中的水印信息，验证医学图像版权所属，无损地保护医学图像的版权。

技术介绍

[0002]医学图像零水印技术通过对医学图像进行特征提取，生成医学图像零水印，不用将水印嵌入到医学图像中。在医学图像的版权需要验证时，通过检测医学图像零水印中的水印信息，验证图像版权所属者身份，无损地对医学图像进行保护。而在现实场景下，复杂多样的攻击手段，如旋转攻击、剪裁攻击会使得图像的特征发生明显的改变或缺失，导致图像特征信息的丢失，生成的零水印质量贬低，抵抗攻击能力下降，不能检测出水印信息。同时，零水印生成和检测中所使用的异或方式也容易受到攻击，容错率低，容易导致零水印生成和检测水印信息的失败。
[0003]齐鲁工业大学在其申请的专利文献“彩色医学图像零水印构造方法、系统及检测方法、系统”(申请号：CN201910583272.1，申请公布号：CN110570342A)中公开了一种医学图像零水印生成和检测方法。该方法首先计算医学图像的QPHFM矩，使用低阶QPHFM矩构造特征向量，利用余弦映射对水印图像进行置乱处理，将二值化后的特征向量与置乱的水印图像进行异或操作，得到零水印图像。在检测阶段，将医学图像与对应的零水印图像异或，得到水印信息。该方法采用的QPHFM矩是一种四元数极性谐波正交矩，具有很好的旋转不变性和缩放不变性，使得生成的零水印能够很好地抵抗旋转攻击和缩放攻击。但是，该方法仍然存在的不足之处是：由于该方法在零水印生成和检测中均采用异或操作，二元化的异或操作在使用时易发生错位，丢失零水印信息，导致生成零水印图像失败，不能检测零水印中的水印信息。
[0004]Yueh
‑
Peng Chen等人在其发表的论文“WMNet:A Lossless Watermarking Technique Using Deep Learning for Medical Image Authentication”(Electronics，2021，10(8):932)中提出了一个基于深度网络模型WMNet的医学图像零水印方法。该方法利用频域变换DWT变换和DCT变换进行医学图像特征提取，得到医学图像特征矩阵，将医学图像特征矩阵与水印矩阵关联进行零水印生成。在零水印检测前，将训练数据集中的零水印分为两类，使用WMNet学习和检测零水印图像中所包含的水印信息，从而协助版权验证过程。该方法中即使检测提取到的水印信息不完整，通过WMNet的学习，水印信息中包含的版权信息仍然可以得到客观、准确的解释。但是，该方法仍然存在的不足之处是：使用的DWT变换和DCT变换不关注特征的位置信息，变换得到的医学图像特征不能充分保留图像的位置信息，存在特征信息丢失，导致生成的零水印质量差，抵抗攻击能力降低，检测水印信息失败。

技术实现思路

[0005]本专利技术的目的在于针对上述已有技术存在的不足，提供一种基于特征融合的医学图像零水印生成及检测方法，旨在解决医学图像零水印中存在的零水印信息丢失，图像特征位置信息丢失，生成的零水印不能抵抗攻击，检测水印信息失败等问题。
[0006]实现本专利技术目的的思路是：本专利技术在零水印生成方法中构建了通道数为512的卷积神经网络，利用训练好的卷积神经网络得到512通道数的医学图像风格特征，将风格特征与水印图像的内容特征进行特征融合，风格特征保留了医学图像的形状、色彩和位置信息，又充分保留了图像特征信息，由此避免了现有技术图像特征位置信息丢失的可能，提高了零水印图像抵抗攻击的能力。本专利技术在零水印检测方法中，训练经典残差网络ResNet18作为检测器，直接将医学图像和零水印图像级联输入到检测器中，并行的输入图像的信息，利用残差网络充分的学习零水印信息，确保信息不错位，零水印信息的完整不丢失，提高了最终检测零水印中水印信息的成功率。
[0007]本专利技术零水印生成方法的具体步骤如下：
[0008]步骤1，构建一个具有512通道的卷积神经网络：
[0009]步骤1.1，搭建一个十六层卷积层的卷积神经网络，其结构依次为：第一卷积层，第二卷积层，第一池化层，第三卷积层，第四卷积层，第二池化层，第五卷积层，第六卷积层，第七卷积层，第八卷积层，第三池化层，第九卷积层，第十卷积层，第十一卷积层，第十二卷积层，第四池化层，第十三卷积层，第十四卷积层，第十五卷积层，第十六卷积层，第五池化层，激活函数层；
[0010]步骤1.2，设置卷积神经网络参数，将第一至第二卷积层的通道数均设置为64，第三至第四卷积层的通道数均设置为128，第五至第八卷积层的通道数均设置为256，第九至第十六卷积层的通道数均设置为512，卷积核的大小均设置3
×
3，卷积步长均设置为1，卷积核填充均设置为1；第一至第五池化层均采用最大池化方式，池化区域核的大小均设置为2
×
2，步长均设置为2；激活函数层采用Softmax函数实现；
[0011]步骤2，生成网络的两种训练集：
[0012]步骤2.1，将P张医学图像和R张水印图像组成样本集，其中，P≥10，R≥4，每张图像的长、宽、通道数均为256
×
256
×
3；
[0013]步骤2.2，对样本集中每张医学图像分别进行六种攻击方式的图像攻击，得到所有攻击后的医学图像；
[0014]步骤2.3，将样本集中的医学图像和所有攻击后的医学图像组成训练集；
[0015]步骤2.4，将样本集中的水印图像组成水印图像训练集；
[0016]步骤3，训练卷积神经网络：
[0017]步骤3.1，从医学图像训练集取一张未选取过的医学图像输入到卷积神经网络中，计算当前所取医学图像的风格特征，即医学图像在第一卷积层，第三卷积层，第五卷积层，第九卷积层，第十三卷积层的激活响应的内积之和；
[0018]步骤3.2，从水印图像训练集取一张未选取过的水印图像输入卷积神经网络，计算当前所取水印图像的内容特征，即水印图像在第十四层卷积层的激活响应之和；
[0019]步骤3.3，将所选的医学图像与水印图像级联生成级联图像，输入卷积神经网络，每次迭代训练时，网络将级联图像的风格特征和内容特征更新，将更新后的风格特征与所
选医学图像得到的风格特征的均方差损失设为风格特征损失函数，将更新后的内容特征与所选得的水印图像得到的内容特征之间的均方差损失设为内容特征损失函数，对卷积神经网络用Adam算法更新网络参数，直到上述两个损失函数均收敛为止，完成医学图像风格特征与水印图像内容特征的特征融合；
[0020]步骤3.4，重复步骤3.1至步骤3.3，直到遍历医学图像训练集和水印图像训练集所有图像，得到训练好的卷积神经网络；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的医学图像零水印生成方法，其特征在于，构建通道数为512的卷积神经网络，利用训练好的卷积神经网络提取医学图像风格特征和水印图像内容特征，将两个特征融合生成零水印图像；该方法的步骤包括如下：步骤1，构建一个具有512通道的卷积神经网络：步骤1.1，搭建一个十六层卷积层的卷积神经网络，其结构依次为：第一卷积层，第二卷积层，第一池化层，第三卷积层，第四卷积层，第二池化层，第五卷积层，第六卷积层，第七卷积层，第八卷积层，第三池化层，第九卷积层，第十卷积层，第十一卷积层，第十二卷积层，第四池化层，第十三卷积层，第十四卷积层，第十五卷积层，第十六卷积层，第五池化层，激活函数层；步骤1.2，设置卷积神经网络参数，将第一至第二卷积层的通道数均设置为64，第三至第四卷积层的通道数均设置为128，第五至第八卷积层的通道数均设置为256，第九至第十六卷积层的通道数均设置为512，卷积核的大小均设置3
×
3，卷积步长均设置为1，卷积核填充均设置为1；第一至第五池化层均采用最大池化方式，池化区域核的大小均设置为2
×
2，步长均设置为2；激活函数层采用Softmax函数实现；步骤2，生成网络的两种训练集：步骤2.1，将P张医学图像和R张水印图像组成样本集，其中，P≥10，R≥4，每张图像的长、宽、通道数均为256
×
256
×
3；步骤2.2，对样本集中每张医学图像分别进行六种攻击方式的图像攻击，得到所有攻击后的医学图像；步骤2.3，将样本集中的医学图像和所有攻击后的医学图像组成训练集；步骤2.4，将样本集中的水印图像组成水印图像训练集；步骤3，训练卷积神经网络：步骤3.1，从医学图像训练集取一张未选取过的医学图像输入到卷积神经网络中，计算当前所取医学图像的风格特征，即医学图像在第一卷积层，第三卷积层，第五卷积层，第九卷积层，第十三卷积层的激活响应的内积之和；步骤3.2，从水印图像训练集取一张未选取过的水印图像输入卷积神经网络，计算当前所取水印图像的内容特征，即水印图像在第十四层卷积层的激活响应之和；步骤3.3，将所选的医学图像与水印图像级联生成级联图像，输入卷积神经网络，每次迭代训练时，网络将级联图像的风格特征和内容特征更新，将更新后的风格特征与所选医学图像得到的风格特征的均方差损失设为风格特征损失函数，将更新后的内容特征与所选得的水印图像得到的内容特征之间的均方差损失设为内容特征损失函数，对卷积神经网络用Adam算法更新网络参数，直到上述两个损失函数均收敛为止，完成医学图像风格特征与水印图像内容特征的特征融合；步骤3.4，重复步骤3.1至步骤3.3，直到遍历医学图像训练集和水印图像训练集所有图像，得到训练好的卷积神经网络；步骤4，生成零水印图像：步骤4.1，利用cv.resize函数，调整待生成零水印的医学图像与对应的水印图像的尺寸，将两张图像的长、宽、通道尺寸调整为256
×
256
×
3；步骤4.2，将尺寸调整后的医学图像和水印图像级联生成级联图像；
步骤4.3，将级联图像输入到训练好的神经网络中，输出医学图像的风格特征与水印图像的内容特征融合后的零水印图像。2.根据权利要求1所述的基于特征融合的医学图像零水印生成方法，其特征在于：步骤2.2中所述六种攻击方如下：第一种攻击方式：对样本集每张医学图像进行旋转度数为1
°
到144
°
的旋转攻击，得到该张...

【专利技术属性】
技术研发人员：刘刚，相若彤，刘晶，李柯，党敏，张子怡，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：