本发明专利技术公开了一种基于GoogLeNet深度网络的医学图像鲁棒水印方法，属于多媒体信号处理领域。本发明专利技术的步骤是：首先利用Logistic Map的性质在频域对水印进行置乱加密；然后通过GoogLeNet深度网络和DCT变换提取医学图像的一个特征向量来进行水印的嵌入，将特征向量与二值水印相关联得到一个二值逻辑序列，并将该二值序列存于第三方；同样的方法，再通过GoogLeNet深度网络和DCT变换提取待测医学图像的特征向量，并与存于第三方的二值序列相关联来进行水印的提取。本发明专利技术是基于GoogLeNet深度网络的医学图像数字水印技术，有较好的鲁棒性，针对旋转、缩放、平移、剪切等几何攻击尤为突出，水印的嵌入不改变原始加密体数据的内容，是一种零水印技术。是一种零水印技术。
【技术实现步骤摘要】
一种基于GoogLeNet深度网络的医学图像鲁棒水印方法
[0001]本专利技术涉及一种基于GoogLeNet深度网络和DCT变换、混沌映射和图像特征向量的医学图像鲁棒数字水印技术，具体是一种基于 GoogLeNet深度网络的医学图像鲁棒水印方法，是一种多媒体数据保护方法，属于多媒体信号处理领域。
技术背景
[0002]随着现代科学技术的发展，数字医疗系统也日益成熟。越来越多的医学图像和患者信息在网络中传输和存储，这就意味着在这个过程中医学图像可能遭受篡改和盗用，为了解决这些问题需要对原始医疗图像进行处理：将零水印技术与感知哈希技术相结合，作为信息安全的一项技术，可以保证安全传输，也可以实现信息认证，在现实中具有实用用途。
[0003]数字水印技术最初是用于数字媒体的版权保护，现在利用数字水印的不可见性、鲁棒性等特点，可以把病人的个人信息隐藏在其医学图像中，以保证它在互联网上的安全传输。因此，在数字图像被广泛应用于网络传输中的情况下，在针对医学图像数字水印算法的研究变得极为重要；通过独特的不可见性，鲁棒性等特点，保护患者的隐私，并且零水印可以避免被篡改的医疗数据，从而实现远程医疗诊断所需的相关患者信息。
[0004]目前对于医学图像的数字水印算法的研究较少，对于抗几何攻击的医学数据的零水印算法的研究成果更少。而在未来将会面对大量的医学数据传输问题，因此研究如何在医学数据中嵌入数字鲁棒水印意义重大，并且对于医学数据，一般是不允许修改其内容的。这又为在医学数据中嵌入水印提高了难度。
[0005]总之，在基于GoogLeNet深度网络的医学图像中嵌入可抗旋转、缩放、平移、剪切等几何攻击的数字水印的方法，目前尚属空白，未见公开报道。
技术实现思路
[0006]本专利技术是一种基于GoogLeNet深度网络的医学图像鲁棒水印方法，通过将医学图像的特征向量、密码学、哈希函数和零水印技术结合，弥补了传统的数字水印方法不能对医学图像本身进行保护的缺点，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。
[0007]为了实现上述目的，本专利技术是这样进行的：以医学图像为输入，取出GoogLeNet网络中最后一个全连接层的输出值，并对其进行一维离散余弦变换(DCT)；然后，在DCT系数中选取合适的低频系数作为医学图像的视觉特征向量；最后将水印技术与混沌加密、Hash 函数和“第三方概念”有机结合起来，实现了数字水印的抗几何攻击和常规攻击。本专利技术所采用的方法包括基于GoogLeNet网络模型的特征向量提取、水印加密、水印嵌入、水印提取和水印解密五大部分。
[0008]现对本专利技术的方法进行详细说明如下：
[0009]选择一个有意义的二值文本图像(这里取32
×
32)作为嵌入医学图像的水印，记为
W＝{w(i,j)|w(i,j)＝0,1；1≤i≤32,1≤j≤32}。同时，我们选取一个512
×
512的医学图像作为原始医学图像，记为I(i, j),W(i,j)和I(i,j)分别表示水印和原始医学图像的像素灰度值。需要注意的是，由于GoogLeNet网络要求输入端为224
×
224像素尺寸的 RGB图像，因此需要将选用的原始医学图像转为RGB图像，并且将其大小调整缩放到224
×
224。
[0010]第一部分：通过GoogLeNet网络和DCT来提取医学图像的特征向量 (1)以医学图像I(i,j)作为GoogLeNet网络的输入，提取GoogLeNet 网络的最后一个全连接层的输出特征值P(i)；
[0011](2)对全连接层的输出值P(i)进行一维DCT变换得到系数D(i)；
[0012]D(i)＝DCT(P(i))
[0013](3)选取D(i)低频处32个系数来构成向量A(i)；
[0014](4)利用哈希函数，生成32位医学图像的特征二值序列V(i)，即 V(i)就是医学图像的特征向量。
[0015]特征提取过程如图1所示。
[0016]第二部分：水印的加密
[0017](5)获取二值混沌序列
[0018]首先根据初始值x0生成混沌序列X(j)，本实验将混沌系数的初值设为0.2，生长参数为4，迭代次数为1023；
[0019](6)得到混沌加密的水印
[0020]混沌序列X(j)利用哈希函数生成二值序列(阈值取0.5)，接着按照二值序列顺序对水印像素的位置空间进行异或置乱，得到混沌置乱的水印BW(i,j)。
[0021]第三部分：水印的嵌入
[0022](7)得到逻辑密钥Key(i,j)
[0023]对原始医学图像的特征向量V(i)进行升维运算，得到二维特征向量矩阵V(i,j)。然后将特征向量矩阵V(i,j)和加密后的水印BW(i,j) 逐位进行异或运算，便可将水印嵌入到医学图像中，同时得到逻辑密钥Key(i,j)。
[0024]Key(i,j)＝BW(i,j)
⊕
V(i,j)
[0025]保存Key(i,j)，这在后面提取水印时要用到。通过将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；
[0026]第四部分：水印的提取
[0027](8)待测医学图像I'(i,j)的特征向量V'(i)
[0028]按照上述第一部分中相同的方法,以待测医学图像I'(i,j)作为 GoogLeNet网络的输入，提取GoogLeNet网络的最后一个全连接层的输出特征值P'(i)；再进行DCT逆变换得到系数矩阵D'(i)，选取D'(i) 低频处32个系数来构成向量A'(i)；最后利用哈希函数，生成32位医学图像的特征向量V'(i)。
[0029](9)提取加密的水印BW'(i,j)
[0030]首先，对待测的医学图像的特征向量V'(i)进行升维运算，得到二维特征向量矩阵V'(i,j)。然后将特征向量矩阵V'(i,j)和逻辑密钥 Key(i,j)进行异或运算，便提取出加密的水印BW'(i,j)；
[0031]BW'(i,j)＝Key(i,j)
⊕
V'(i,j)
[0032]该算法在提取水印时只需要密钥Key(i,j)，不需要原始图像参与，是一种零水印提取算法；
[0033]第五部分：水印的解密
[0034](10)获取二值混沌加密序列X(j)
[0035]利用和水印加密同样的方法，得到相同的二值混沌加密序列X(j)；
[0036](11)还原提取出的加密水印W'(i,j)
[0037]依照由小及大的顺序对已经获取的X(j)中的各个值做排序操作；然后，根据它中各个值排序前后的位置变化对水印中的像素的位置空间进行还原得到还原的水印W
′
(i,j)；
[0038]通过计算W(i,j)和W'(i,j)的相关系本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于GoogLeNet深度网络的医学图像鲁棒水印实现方法，其特征在于：基于GoogLeNet网络构建的特征提取网络和DCT变换，得到医学图像的抗几何攻击的特征向量，并与水印技术结合起来，实现了医学图像零水印的抗几何攻击和常规攻击，该医学图像数字水印实现方法共分三大部分，共计十个步骤：第一部分是医学图像的特征提取：1)以医学图像I(i,j)作为GoogLeNet网络的输入，提取GoogLeNet网络的最后一个全连接层的输出特征值P(i)；2)对全连接层的输出值P(i)进行一维DCT变换得到系数D(i)；3)选取D(i)低频处32个系数来构成向量A(i)；并利用哈希函数，生成32位医学图像的特征二值序列V(i)，即V(i)就是医学图像的特征向量。第二部分是水印的加密与嵌入：4)通过Logistic Map产生混沌序列X(j)；5)混沌序列X(j)利用哈希函数生成二值序列(阈值取0.5)，接着按照二值序列顺序...
【专利技术属性】
技术研发人员：李京兵，张文星，邵春艳，肖驰，
申请(专利权)人：海南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。