[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

说明书

本发明公开了一种基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入及提取方法，利用InceptionV3网络对医学图像进行卷积操作，将得到的全连接层系数进行全局离散余弦变换(DCT变换)，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并进行二值化处理，得到目标医学图像的特征向量，与传统的图像特征提取方法不同，提取特征时不需要手工设计特征，通过深度卷积学习的方式实现图像特征提取，该算法具有更强的特征学习和表达能力，InceptionV3网络与DCT变换相结合，即提高了数字水印的抗几何攻击能力，又保留了DCT抗常规攻击能力强和鲁棒性好的优势。解决现有的基于数字水印技术的医学图像处理方法抗几何攻击性能较差，鲁棒性能还有待提高的技术问题。

技术领域

本发明涉及图像水印技术领域，尤其涉及一种基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入及提取方法。

背景技术

随着信息技术和计算机网络技术的持续创新发展，远程医疗技术和医学影像信息技术得到了极大的推动和提高。其中，数字化医学图像已经成为医生诊断的主要依据，在临床医学和科研等方面发挥着重要的作用。借助远程医疗技术，相关人员通过网络将医学影像信息进行传输，以寻求专家高质量和全面的诊断意见。但是，医学图像在公共网络传输过程中可能存在有信息泄露、非法篡改和盗用等安全问题，为了对医学图像进行保护，需要对医学图像进行技术处理，用以保证医学图像在传输共享过程中不被泄露、篡改和盗用。

数字水印技术是一种常见的信息隐藏技术，具备不可见性和鲁棒性的特点，将特定的数字信号嵌入到多媒体数据中，能够保证多媒体数据在经历了各种攻击之后，仍能可靠地提取水印信息明确版权，被广泛应用于多媒体数据保护。但是，医学图像与普通多媒体图像有所不同，医学图像是专家获取患者病理信息做出医学诊断的重要依据。所以在进行数字水印版权保护时，不允许对医学图像作任何改动，而零水印技术可以在不对医学图像做任何改动的情况下，提取图像特征生成零水印信号，以便于很好的应用于医学图像传输领域。目前，医学图像的数字水印技术仍处于发展阶段，其中的抗几何攻击性能较差，鲁棒性能还有待提高。

发明内容

本发明提供了一种基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入方法和提取方法，用于解决现有的基于数字水印技术的医学图像处理方法抗几何攻击性能较差，鲁棒性能还有待提高的技术问题。

有鉴于此，本发明第一方面提供了一种基于InceptionV3深度学习网络的医学图像鲁棒水印嵌入方法，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。

可选地，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。

可选地，选取医学图像作为InceptionV3网络的输入图像之前，还包括：