关键词:
医学图像
零水印
特征向量
GoogLeNet
鲁棒性
摘要:
随着信息数字化的兴起,现代智慧医疗服务体系得到了蓬勃的发展,越来越多的医学图像被用来在互联网上传输重要的健康数据。然而,医学隐私信息在传输和存储过程中很容易泄露和受到恶意的攻击,隐私信息的安全受到了极大的威胁。因此,如何更好地保护医学隐私信息,已成为当前亟待解决的问题。医学图像水印技术为解决信息安全问题提供了有效的手段。该技术可以通过将病人的隐私信息作为水印嵌入到医学载体图像中,使隐私信息不易发现,有效增强了医学信息的安全性。当前,一些相关的传统水印算法被提出,但大多算法抗几何攻击的鲁棒性较差,其嵌入水印的容量也受限。因此,本文利用卷积神经网络的特征提取能力,并与零水印、混沌加密等技术相结合,提出了基于GoogLeNet的医学图像鲁棒多水印算法,主要研究内容如下:(1)研究了一种基于GoogLeNet-DCT的医学图像多水印算法。首先,利用了预训练的GoogLeNet网络,将医学载体图像作为网络的输入,并提取网络中全连接层的输出特征值;然后对输出特征值进行DCT变换,同时结合感知哈希得到图像的特征向量。最后,将Logistic混沌加密后的多水印与特征向量相结合,从而实现水印的嵌入和提取过程。研究结果表明,相比大多传统水印算法,所研究的算法在几何攻击上具有更好的鲁棒性,并实现了多水印嵌入和提取,有效地保护了水印隐私信息。(2)研究了一种基于GoogLeNet迁移学习的医学图像多水印算法。该方案在预训练网络基础上,构建了医学图像数据集,并对GoogLeNet模型进行深度网络迁移,进一步学习到医学数据集中的深度卷积特征,使特征提取模块的性能得到了优化,从而提取到更稳定的图像特征向量。然后,利用安全性更高的Henon映射对多类型的水印进行混沌加密。最后,将特征向量与多类型的加密水印相结合来完成水印的嵌入和提取。研究结果表明,该算法进一步提升了预训练网络水印方案的性能,所提取的特征向量具有更好的稳定性,在常规和几何攻击方面均表现出较好的鲁棒性,算法整体上有了更好的性能。