一种医学图像鲁棒零水印方法及系统技术方案

本发明专利技术公开了一种医学图像鲁棒零水印方法及系统，将载体图像输入已训练的ST

【技术实现步骤摘要】
一种医学图像鲁棒零水印方法及系统


[0001]本专利技术涉及一种医学图像鲁棒零水印方法及系统，属于信息隐藏


技术介绍

[0002]数字水印是通过将秘密信息嵌入到数字媒体中以达到版权验证和信息保护目的的一种新兴技术。零水印作为数字水印中的一种，不同于嵌入式水印，而是通过提取载体的稳健特征进行水印的构建，不需要考虑嵌入时的鲁棒性和不可见性之间的矛盾，非常适用医学图像的版权验证或信息保护。
[0003]基于现有的深度学习的方法中，大都是采用卷积神经网络。因为卷积神经网络具有强大的归纳偏置：平移同变性和局部性，使得网络能够学习到优秀的图像特征。在2019年，Atoany Fierro
‑
Radilla等人提出利用CNN来提取特征，取得不错的效果，并且考虑到图像之间的相似性，提出利用主份额生成方案来验证图像。但是医学图像之间相似度较高，提取的特征相似度也较高，并不能有效区分验证。在2021年，Han等人也提出利用均值哈希和混沌神经网络结合，取得了不错的效果，但是该方法引入额外的网络，增加了额外的计算。在2022年，Zh本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像鲁棒零水印方法，其特征在于，包括：将载体图像输入预先训练好的ST
‑
ResNet模型，提取最后池化层前的复杂特征图，利用图像融合策略对复杂特征图处理得到深度融合图；通过帐篷映射生成两串密钥，分别对深度融合图和预先获取的原始水印进行映射，得到映射后的融合图像和映射后的水印图像；利用均值哈希算法对映射后的融合图像进行处理，得到一个二值矩阵，并且和映射后的水印图像进行异或处理，得到零水印密钥；将所述零水印密钥按行存储于区块链中。2.根据权利要求1所述的医学图像鲁棒零水印方法，其特征在于，所述ST
‑
ResNet模型的训练，包括：构建ST
‑
ResNet模型，包括：获取ResNet50模型框架，利用新的卷积块和新的验证块替换ResNet50模型框架中原始的卷积块和原始的验证块；所述新的卷积块，用于采用分组卷积的方式，将输入卷积块的特征沿着通道分为n条支路，在每条支路上分别依次进行空间变换模块和分层分割，提取图像特征，将每条支路上的图像特征进行融合后利用SE通道注意力机制提取具有鲁棒性的特征，再通过卷积处理后得到设定第一尺度的特征，将所述输入卷积块的特征经过卷积升维后与得到的所述设定第一尺度的特征融合后输出；所述新的验证块，用于采用分组卷积的方式，将输入验证块的特征沿着通道分为n条支路，在每条支路上进行分层分割，提取图像特征，将每条支路上的图像特征进行融合后利用SE通道注意力机制提取具有鲁棒性的特征，再通过卷积处理后得到设定第二尺度的特征，将所述输入验证块的特征与得到的所述设定第二尺度的特征融合后输出；获取训练数据以及基于中心损失函数和互补交叉熵损失函数联合构建的最终损失函数；基于训练数据以及最终损失函数对ST
‑
ResNet模型进行训练，得到训练好的ST
‑
ResNet模型。3.根据权利要求1所述的医学图像鲁棒零水印方法，其特征在于，所述最终损失函数表示为：L
final
＝αL1+L4其中，L
final
为最终损失函数，α为用于控制中心损失函数L1的参数，L4为互补交叉熵损失函数；函数；
其中，N表示训练数据的样本数，i，j分别表示的第i个样本和第j个类别，y
(i)
表示真实分布，e表示的是为样本的类中心，L2表示交叉熵...

【专利技术属性】
技术研发人员：张小瑞，黄志文，孙伟，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：