[发明专利]基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入及提取方法

权利要求书

1.一种基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入方法，其特征在于，包括：

选取医学图像作为InceptionV3网络的输入图像，利用InceptionV3网络对医学图像进行卷积操作，取InceptionV3网络的全连接层的输出，得到全连接层系数；

将全连接层系数进行全局离散余弦变换(DCT变换)，然后由DCT变换得到的系数矩阵中选取低频系数作为医学图像的视觉特征向量，对视觉特征向量进行二值化处理，得到目标医学图像的特征向量；

对原始目标水印进行混沌置乱加密，得到混沌置乱的加密水印；

将目标医学图像的特征向量进行升维，得到目标医学图像特征矩阵；

根据得到的目标医学图像特征矩阵和混沌置乱的加密水印逐位进行异或运算，以将原始目标水印信息嵌入至目标医学图像中，同时得到二值逻辑密钥序列。

2.根据权利要求1所述的基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入方法，其特征在于，对原始目标水印进行混沌置乱加密，得到混沌置乱的加密水印，包括：

通过Logistic Map产生混沌序列；

将产生的混沌序列进行二值化运算，得到二值加密矩阵；

将二值加密矩阵与转换后的原始目标水印逐位进行运算，得到混沌置乱的加密水印。

3.根据权利要求1所述的基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入方法，其特征在于，选取医学图像作为InceptionV3网络的输入图像之前，还包括：

将医学图像的图像尺寸大小调整为299×299。

4.根据权利要求1所述的基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入方法，其特征在于，目标医学图像特征矩阵大小为32×32。

5.根据权利要求1-4中任一项所述的基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入方法，其特征在于，还包括：

将二值逻辑密钥序列存储在第三方，其中，二值逻辑密钥序列与对应的嵌入原始目标水印信息的医学图像绑定。

6.一种基于InceptionV3深度学习网络的医学图像鲁棒水印提取方法，其特征在于，包括：

将待提取水印信息的医学图像输入InceptionV3网络，利用InceptionV3网络对待提取水印信息的医学图像进行卷积操作，取InceptionV3网络的全连接层的输出，得到全连接层系数；

将全连接层系数进行全局离散余弦变换(DCT变换)，然后由DCT变换得到的系数矩阵中选取低频系数作为待提取水印信息的医学图像的视觉特征向量，对视觉特征向量进行二值化处理，得到待提取水印信息的医学图像的特征向量；

将待提取水印信息的医学图像的特征向量进行升维，得到32×32大小的待提取水印信息的医学图像特征矩阵；

调取待提取水印信息的医学图像特征矩阵和第三方获取的逻辑密钥逐位进行异或运算，提取出加密的水印；

对加密水印进行解密，得到还原的水印信息。

7.根据权利要求6所述的基于InceptionV3深度学习网络的医学图像鲁棒水印提取方法，其特征在于，对加密水印进行解密，得到还原的水印信息，包括：

通过Logistic Map产生混沌序列；

将产生的混沌序列进行二值化运算，得到二值混沌矩阵；

将二值混沌矩阵和加密水印按位进行异或运算，得到还原的水印信息。

8.根据权利要求6或7所述的基于InceptionV3深度学习网络的医学图像鲁棒水印提取方法，其特征在于，还包括：

获取原始目标水印，将原始目标水印和还原水印进行归一化相关系数计算，确定目标医学图像的所有权和嵌入的水印信息。