【技术实现步骤摘要】
一种面向弥散张量图像的鲁棒水印方法
[0001]本专利技术涉及面向弥散张量图像的数字水印
，具体为一种面向弥散张量图像的鲁棒水印方法。
技术介绍
[0002]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。
[0003]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...
【技术保护点】
【技术特征摘要】
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F
e_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F
e_i_w
和T1信息之间的相关性得到T
i,x,y
，从T
i,x,y
的每一行中取最大值作为最相关特征分数S
i,x
，取S
i,x
在T
i,x,y
中的索引值作为位置信息，记为P
i,x
，利用P
i,x
作为索引值从T1中获得结构特征F
i,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F
d_i
投影成三个通道特征 F
d_i_1
，F
d_i_2
，F
d_i_3
，利用解码变换器为三个通道特征建立特征联系，将 F
d_i_1
和F
d_i_2
作为最显著注意机制中的查询向量Q和键向量K，F
d_i_3
作为值向量V，通过计算 F
d_i_1
和F
d_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S
i,x
’
再根据S
i,x
’
在F
d_i_3
中的索引值作为最相关位置信息P
i,x
’
，利用P
i,x
’
作为索引从F
d_i_3
中得到最显著水印特征F
i,x
’
，将由S
i,x
’
组成的S
i
’
和由F
i,x
’
组成的F
i
’
相乘，通过梯度回传来更新S
i
’
增加最显著水印特征的置信度，最后加上F
d_i_3
，得到突出最显著水印特征的水印特征图F
d_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，；弥散张量图像有着5维的数据形式，其数据表现形式如：；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：；其中，表示张量的9个元素，为张量的三个特征向量，为三个特征向量对应的特征值，表示向量的转置；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；表示数据形状转换后的向量维度，维度为9。3.如权利要求...
【专利技术属性】
技术研发人员：李智，李丹丹，郑茂坤，刘程萌，郑龙，
申请(专利权)人：贵州大学，
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。