基于CenSurE-STAR-TEBLID-DCT的医学图像水印方法

基于censure-star-teblid-dct的医学图像水印方法
技术领域
1.本发明涉及图像水印技术领域，特别是涉及一种基于censure-star-teblid-dct的医学图像水印方法。


背景技术：

2.随着医疗技术的不断进步，医学图像在诊断和治疗中扮演着越来越重要的角色。但是，医学图像的保护和管理问题也随之而来。医学图像的泄露和篡改不仅会泄露患者的隐私，还会严重影响治疗效果。因此，保护医学图像的完整性、避免医学图像的版权被盗用非常重要。
3.数字图像水印是一种广泛应用的技术，它通过将水印嵌入到图像中，能够实现对图像的版权保护以及接受对医学图像的完整性验证。医学图像水印技术需要具有高鲁棒性和高可视性，以满足医疗图像在使用中的特殊需求。但传统的数字图像水印方法不能对医学图像本身进行有效保护，易将医学图像的数据内容发生变化，鲁棒性低。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于censure-star-teblid-dct的医学图像水印方法，可以有效保护原始医学图像信息的安全性，具有较强的鲁棒性和不可见性。其具体方案如下：
5.一种基于censure-star-teblid-dct的医学图像水印方法，包括：
6.采用censure-star算法提取医学图像的关键点；
7.利用teblid算法对所述医学图像的关键点进行描述，生成所述医学图像的特征描述符矩阵；
8.对所述医学图像的特征描述符矩阵进行dct变换，得到所述医学图像的特征向量；
9.将所述医学图像的特征向量与混沌置乱水印逐位进行异或运算，以将水印信息嵌入至所述医学图像中。
10.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，采用censure-star算法提取医学图像的关键点，包括：
11.对所述医学图像进行近似高斯差分处理，并采用非极大值抑制算法检测出所述医学图像对应的局部极大值作为特征点；
12.采用harris边缘滤波器剔除所述医学图像边缘上的不稳定特征点，剩下的特征点作为所述医学图像的关键点。
13.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，利用teblid算法对所述医学图像的关键点进行描述，生成所述医学图像的特征描述符矩阵，包括：
14.使用二进制弱描述符作为预先设定的特征提取函数上的决策树；
15.利用所述决策树对所述医学图像的关键点进行处理，并以贪婪算法最小化选择对
应的目的弱描述符；
16.根据选择出的目的弱描述符，生成所述医学图像的特征描述符矩阵。
17.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，对所述医学图像的特征描述符矩阵进行dct变换，得到所述医学图像的特征向量，包括：
18.对所述医学图像的特征描述符矩阵进行dct变换，得到所述医学图像的系数矩阵；
19.取所述医学图像的系数矩阵中设定大小的矩阵，构成所述医学图像的新矩阵；
20.利用哈希函数对所述医学图像的新矩阵进行符号转换，得到所述医学图像的特征向量。
21.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，在将所述医学图像的特征向量与混沌置乱水印逐位进行异或运算之前，还包括：
22.获取二值混沌序列；
23.将原始水印进行二值化处理，得到二值水印图像；
24.使用所述二值混沌序列对所述二值水印图像进行置乱，得到混沌置乱水印。
25.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，在将水印信息嵌入至所述医学图像中的同时，还包括：
26.生成逻辑密钥；
27.对待测医学图像进行特征提取，得到所述待测医学图像的特征向量；
28.将所述待测医学图像的特征向量和所述逻辑密钥进行异或运算，提取加密水印。
29.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，对待测医学图像进行特征提取，得到所述待测医学图像的特征向量，包括：
30.采用censure-star算法提取所述待测医学图像的关键点；
31.利用teblid算法对所述待测医学图像的关键点进行描述，生成所述待测医学图像的特征描述符矩阵；
32.对所述待测医学图像的特征描述符矩阵进行dct变换，得到所述待测医学图像的特征向量。
33.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，采用censure-star算法提取所述待测医学图像的关键点，包括：
34.对所述待测医学图像进行近似高斯差分处理，并采用非极大值抑制算法检测出所述待测医学图像对应的局部极大值作为特征点；
35.采用harris边缘滤波器剔除所述待测医学图像边缘上的不稳定特征点，剩下的特征点作为所述待测医学图像的关键点。
36.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，利用teblid算法对所述待测医学图像的关键点进行描述，生成所述待测医学图像的特征描述符矩阵，包括：
37.利用所述决策树对所述待测医学图像的关键点进行处理，并以贪婪算法最小化选择对应的目的弱描述符；
38.根据选择出的目的弱描述符，生成所述待测医学图像的特征描述符矩阵。
39.优选地，在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，在提取加密水印后，还包括：
40.将提取的所述加密水印与所述二值混沌序列进行异或运算，得到还原水印。
41.从上述技术方案可以看出，本发明所提供的一种基于censure-star-teblid-dct的医学图像水印方法，包括：采用censure-star算法提取医学图像的关键点；利用teblid算法对医学图像的关键点进行描述，生成医学图像的特征描述符矩阵；对医学图像的特征描述符矩阵进行dct变换，得到医学图像的特征向量；将医学图像的特征向量与混沌置乱水印逐位进行异或运算，以将水印信息嵌入至医学图像中。
42.本发明提供的上述医学图像水印方法，基于censure-star、teblid和dct对医学图像进行特征提取，兼顾了censure-star计算速度快、尺度不变性和teblid计算速度快、鲁棒性强的优点，通过将提取的特征向量、混沌加密和水印技术相结合，解决了传统水印嵌入技术对原始数据修改所带来的问题，具有较强的鲁棒性和不可见性，能够有效保护原始医学图像信息的安全性，并在一定程度上避免了病人隐私泄露。
附图说明
43.为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
44.图1为本发明实施例提供的基于censure-star-teblid-dct的医学图像水印方法的流程图；
45.图2为本发明实施例提供的原始医学图像；
46.图3为本发明实施例提供的第一肺部医学图像；
47.图4为本发明实施例提供的第二肺部医学图像；
48.图5为本发明实施例提供的股骨医学图像；
49.图6为本发明实施例提供的颈部医学图像；
50.图7为本发明实施例提供的肝部医学图像；
51.图8为本发明实施例提供的胫骨关节医学图像；
52.图9为本发明实施例提供的肠部医学图像；
53.图10为本发明实施例提供的原始水印图像；
54.图11为本发明实施例提供的加密后的水印图像；
55.图12为本发明实施例提供的不加干扰时提取的水印；
56.图13为本发明实施例提供的压缩质量为10％的jpeg压缩时的医学图像；
57.图14为本发明实施例提供的压缩质量为10％的jpeg压缩时提取的水印；
58.图15为本发明实施例提供的窗口大小为[3*3]，中值滤波5次后的医学图像；
[0059]
图16为本发明实施例提供的窗口大小为[3*3]，中值滤波5次后提取的水印；
[0060]
图17为本发明实施例提供的逆时旋转20
°
的医学图像；
[0061]
图18为本发明实施例提供的逆时旋转20
°
提取的水印；
[0062]
图19为本发明实施例提供的逆时旋转45
°
的医学图像；
[0063]
图20为本发明实施例提供的逆时旋转45
°
提取的水印；
[0064]
图21为本发明实施例提供的缩放因子为1.3时缩放后的医学图像；
[0065]
图22为本发明实施例提供的缩放因子为1.3时提取的水印；
[0066]
图23为本发明实施例提供的缩放因子为1.5时缩放后的医学图像；
[0067]
图24为本发明实施例提供的缩放因子为1.5时提取的水印；
[0068]
图25为本发明实施例提供的水平左移20％后的医学图像；
[0069]
图26为本发明实施例提供的水平左移20％后提取的水印；
[0070]
图27为本发明实施例提供的垂直上移20％后的医学图像；
[0071]
图28为本发明实施例提供的垂直上移20％后提取的水印；
[0072]
图29为本发明实施例提供的沿y轴剪切30％后的医学图像；
[0073]
图30为本发明实施例提供的沿y轴剪切30％后提取的水印；
[0074]
图31为本发明实施例提供的沿x轴剪切30％后的医学图像；
[0075]
图32为本发明实施例提供的沿x轴剪切30％后提取的水印。
具体实施方式
[0076]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0077]
本发明提供一种基于censure-star-teblid-dct的医学图像水印方法，如图1所示，包括以下步骤：
[0078]
s101、采用censure-star算法提取医学图像的关键点；
[0079]
需要说明的是，censure-star是基于censure(center surround extrema，中心环绕极值)算法的特征检测算法，主要应用于各种计算机视觉应用中，如机器人视觉、自动驾驶、智能安防等领域，具有较好的鲁棒性和稳定性。
[0080]
上述医学图像作为原始医学图像，记为i(i,j)。用i(i,j)表示原始医学图像的像素灰度值。本发明是采用censure-star算法提取医学图像i(i,j)的关键点。
[0081]
s102、利用teblid算法对医学图像的关键点进行描述，生成医学图像的特征描述符矩阵；
[0082]
需要说明的是，teblid是基于三元组的高效二进制本地图像描述符算法，其全称为“triplet encoded binary local image descriptor”，是bad(box average difference)算法在opencv中的集成。teblid算法是一种快速二进制描述符，它基于efficient-brief的思想，通过学习来优化描述符的布局。它使用了三元组损失、硬负采样和锚点交换来提高图像匹配结果，其基本思想是：使用贪婪算法选择一个不相关的像素差集，区分相似和不同的图像块。teblid特征描述符具有高效、鲁棒、紧凑、尺度不变和旋转不变等特点，适用于图像匹配、物体识别等应用场景。
[0083]
本发明是利用teblid算法对医学图像i(i,j)的关键点进行描述，生成医学图像i(i,j)的特征描述符矩阵descrips。
[0084]
s103、对医学图像的特征描述符矩阵进行dct变换，得到医学图像的特征向量；
[0085]
具体地，对医学图像i(i,j)的特征描述符矩阵descrips进行dct变换，可以得到医学图像i(i,j)的特征向量v(i,j)。
[0086]
s104、将医学图像的特征向量与混沌置乱水印逐位进行异或运算，以将水印信息嵌入至医学图像中。
[0087]
需要指出的是，上述混沌置乱水印是将原始水印经过混沌置乱处理后得到的水印。本发明在执行步骤s104时可以选取一个有意义的二值文本图像作为嵌入医学图像i(i,j)的原始水印，记为w＝{w(i,j)|w(i,j)＝0,1；1≤i≤m1,1≤j≤m2}，m1和m2分别为原始水印的长宽尺寸。用w(i,j)表示原始水印的像素灰度值。即原始水印w(i,j)进行混沌置乱处理后可得到混沌置乱水印bw(i,j)。
[0088]
具体地，将医学图像i(i,j)的特征向量v(i,j)和混沌置乱水印bw(i,j)逐位进行异或运算，可以将水印信息嵌入至医学图像i(i,j)中。
[0089]
在本发明实施例提供的上述基于censure-star-teblid-dct的医学图像水印方法中，基于censure-star、teblid和dct对医学图像进行特征提取，兼顾了censure-star计算速度快、尺度不变性和teblid计算速度快、鲁棒性强的优点，通过将提取的特征向量、混沌加密和水印技术相结合，解决了传统水印嵌入技术对原始数据修改所带来的问题，具有较强的鲁棒性和不可见性，能够有效保护原始医学图像信息的安全性，并在一定程度上避免了病人隐私泄露。
[0090]
在具体实施时，在本发明实施例提供的上述医学图像水印方法中，步骤s101采用censure-star算法提取医学图像的关键点，具体可以包括：首先，对医学图像i(i,j)进行近似高斯差分处理，并采用非极大值抑制算法检测出医学图像i(i,j)对应的局部极大值作为特征点；然后，采用harris边缘滤波器剔除医学图像i(i,j)边缘上的不稳定特征点，剩下的特征点作为医学图像i(i,j)的关键点。
[0091]
在具体实施时，在本发明实施例提供的上述医学图像水印方法中，步骤s102利用teblid算法对医学图像的关键点进行描述，生成医学图像的特征描述符矩阵，具体可以包括：首先，使用二进制弱描述符作为预先设定的特征提取函数上的决策树；然后，利用决策树对医学图像i(i,j)的关键点进行处理，并以贪婪算法最小化选择对应的目的弱描述符；最后，根据选择出的目的弱描述符，生成医学图像i(i,j)的特征描述符矩阵descrips。
[0092]
具体地，上述特征提取函数可以是既有判别力又能快速计算，该特征提取函数f(x)的表达式为：
[0093][0094]
其中，i(t)是像素点t处的灰度值，r(u,s)是以像素点u为中心的大小为s的方形图像框。
[0095]
使用二进制弱描述符
[0096][0097]
作为特征提取函数f(x)上的决策树，大小为s的框中心在像素点u处的平均灰度值
之差计算出的特征。它近似于给定方向和尺度下的图像梯度，并且可以使用积分图高效地计算。
[0098]
以贪婪算法最小化，选择第i个弱描述符。
[0099][0100]
其中，[
·
]
+
＝max(0,
·
)是带有边界τ的trl，ai是锚点补丁，pi是与锚点在同一场景下(即相同场景)的正样本，ni是关于a的负样本(即不同场景)。使用τ来寻找最小化的k个特征。
[0101]
在具体实施时，在本发明实施例提供的上述医学图像水印方法中，步骤s103对医学图像的特征描述符矩阵进行dct变换，得到医学图像的特征向量，具体可以包括：首先，对医学图像i(i,j)的特征描述符矩阵descrips进行dct变换，得到医学图像i(i,j)的系数矩阵f(i,j):
[0102]
f(i,j)＝dct2(descripts(i,j))；
[0103]
然后，取医学图像i(i,j)的系数矩阵中设定大小(如低频处的2*16)的矩阵，构成医学图像i(i,j)的新矩阵d(i,j)；利用哈希函数对医学图像i(i,j)的新矩阵d(i,j)进行符号转换，得到医学图像i(i,j)的特征向量v(i,j)。具体地，如果新矩阵d(i,j)中的元素大于0，则置为1，否则置为0，可以生成32位医学图像i(i,j)的特征二值序列作为特征向量v(i,j)。
[0104]
在具体实施时，在本发明实施例提供的上述医学图像水印方法中，在执行步骤s104将医学图像的特征向量与混沌置乱水印逐位进行异或运算之前，还可以包括：获取二值混沌序列；将原始水印进行二值化处理，得到二值水印图像；使用二值混沌序列对二值水印图像进行置乱，得到混沌置乱水印。
[0105]
具体地，可以使用设定参数值的logistic混沌映射生成一个混沌序列，初始状态值可以自行设置。序列的长度为m*n-1，其中m和n是宿主图像的尺寸。设定参数值的范围可以为3.57至4，优选地，设定参数值为4时，可以满足应用的需求，并产生良好的混沌序列。
[0106]
将原始水印w(i,j)进行二值化处理，使用生成的混沌序列对二值水印图像进行置乱。置乱的方法是根据排序后的混沌序列对二值水印图像的像素进行重新排列。这样就得到混沌置乱水印bw(i,j)。
[0107]
在具体实施时，在本发明实施例提供的上述医学图像水印方法中，在执行步骤s104将水印信息嵌入至医学图像中的同时，还可以包括：生成逻辑密钥key(i,j):
[0108][0109]
保存key(i,j)，这在后面提取水印时要用到。通过将key(i,j)作为密钥向第三方申请，可以获得医学图像i(i,j)的所有权和使用权，从而达到保护医学图像i(i,j)的目的。
[0110]
接下来，对待测医学图像i’(i,j)进行特征提取，得到待测医学图像i’(i,j)的特征向量。该待测医学图像i’(i,j)可以理解为医学图像i(i,j)在经网络传输后得到的图像。
[0111]
在具体实施时，对待测医学图像i’(i,j)进行特征提取，得到待测医学图像i’(i,j)的特征向量，具体可以包括：首先，采用censure-star算法提取待测医学图像i’(i,j)的关键点；然后，利用teblid算法对待测医学图像i’(i,j)的关键点进行描述，生成待测医学
图像i’(i,j)的特征描述符矩阵descrips’；最后，对待测医学图像i’(i,j)的特征描述符矩阵descrips’进行dct变换，得到待测医学图像i’(i,j)的特征向量v’(i,j)。
[0112]
最后，将待测医学图像i’(i,j)的特征向量v’(i,j)和逻辑密钥key(i,j)进行异或运算，提取加密水印bw’(i,j)：
[0113][0114]
需要指出的是，本发明实施例提供的上述医学图像水印方法在提取水印时只需要密钥key(i,j)，不需要原始图像参与，是一种零水印提取算法。
[0115]
在具体实施时，在本发明实施例提供的上述医学图像水印方法中，采用censure-star算法提取待测医学图像i’(i,j)的关键点，具体可以包括：首先，对待测医学图像i’(i,j)进行近似高斯差分处理，并采用非极大值抑制算法检测出待测医学图像i’(i,j)对应的局部极大值作为特征点；然后，采用harris边缘滤波器剔除待测医学图像i’(i,j)边缘上的不稳定特征点，剩下的特征点作为待测医学图像i’(i,j)的关键点。
[0116]
在具体实施时，在本发明实施例提供的上述医学图像水印方法中，利用teblid算法对待测医学图像i’(i,j)的关键点进行描述，生成待测医学图像i’(i,j)的特征描述符矩阵descrips’，具体可以包括：利用决策树对待测医学图像i’(i,j)的关键点进行处理，并以贪婪算法最小化选择对应的目的弱描述符；根据选择出的目的弱描述符，生成待测医学图像i’(i,j)的特征描述符矩阵descrips’。
[0117]
关于待测医学图像i’(i,j)的特征提取方式可以参考上述医学图像i(i,j)的特征提取方式，在此不做赘述。
[0118]
在具体实施时，在本发明实施例提供的上述医学图像水印方法中，在提取加密水印后，还可以包括：利用和水印加密同样的方法，得到相同的二值混沌序列，将提取的加密水印bw’(i,j)与该二值混沌序列进行异或运算，得到还原水印w’(i,j)。
[0119]
通过计算原始水印w(i,j)和还原水印w’(i,j)的归一化相关系数(normalized cross correlation，nc)，确定医学图像i(i,j)的所有权和嵌入的水印信息。
[0120]
下面结合附图对本发明作进一步说明，实验测试的对象是512*512的手部医学图像，见图2，用i(i,j)表示。首先对手部医学图像i(i,j)进行censure-star-teblid-dct变换，考虑到鲁棒性和一次性嵌入水印的容量取32个系数，即一个2*16的模块。
[0121]
选取七张不同的医学图像对算法的区分性进行验证。分别提取它们的32位特征向量，计算其图像间的归一化相关系数值。图3至图9和表一给出了七张不同的医学图像以及它们之间的nc值。从数据中可以看出，使用上述方法提取的特征向量得到的不同图像间的nc值都小于0.5，且各自的nc值都为1.00，表示该算法能很好地对不同图像进行区分。这些结果与人类的视觉特征一致。
[0122]
表一七张不同医学图像之间的相关系数(32位)
[0123]
图片图3图4图5图6图7图8图9图310.460.410.420.180.370.4图40.4610.260.170.430.330.43图50.410.2610.380.350.230.44图60.420.170.3810.350.430.34图70.180.430.350.3510.280.49
图80.370.330.230.430.2810.15图90.40.430.440.340.490.151
[0124]
选择一个有意义的二值图像作为原始水印，这里水印的大小为32*32，记为w(i,j)，见图10。设置混沌系数的初始值为0.2，增长参数是4，迭代次数是32。然后对原始水印进行混沌加密，加密后水印见图11。通过水印算法检测出还原水印w’(i,j)后，通过计算nc来判断是否有水印嵌入，当其数值越接近1时，则相似度越高，从而判断算法的鲁棒性。用psnr表示的图片的失真程度，当psnr值越大，图片的失真度越小。
[0125]
图12是不加干扰时提取的水印，可以看到nc＝1.00，可以准确得提取水印。
[0126]
下面通过具体实验来判断该数字水印方法的抗常规攻击能力和抗几何攻击能力。
[0127]
首先，采用图像压缩质量百分数作为参数对腹部医学图像进行jpeg压缩；表二为水印抗jpeg压缩的实验数据。当压缩质量为5％，这时图像质量较低，仍然可以提取出水印，nc＝0.72。
[0128]
图13是压缩质量为10％的医学图像；
[0129]
图14是压缩质量为10％提取的水印，nc＝1。
[0130]
表二水印抗jpeg压缩实验数据
[0131]
压缩质量(％)50403020105psnr(db)39.2738.8037.5435.3031.9527.97nc0.620.7910.7910.72
[0132]
表三为水印抗中值滤波攻击实验数据。从表三中可以看到当图像中值滤波窗口大小为[3*3]，滤波次数20次时，nc＝1，仍然可以提取水印。
[0133]
图15是均值滤波窗口大小为[3*3]，滤波重复次数为5次的医学图像；
[0134]
图16是均值滤波窗口大小为[3*3]，滤波重复次数为5提取的水印，nc＝0.89。
[0135]
表三水印抗中值滤波实验数据
[0136]
中值滤波次数51020psnr(db)37.2636.2535.69nc0.890.790.79
[0137]
表四为水印抗旋转攻击实验数据。从表四中可以看到当图像逆时旋转60
°
时，nc＝0.89，仍然可以提取水印。
[0138]
图17是逆时旋转20
°
的医学图像；
[0139]
图18是逆时旋转20
°
提取的水印，nc＝0.79，可以准确地提取水印。
[0140]
图19是逆时旋转45
°
的医学图像；
[0141]
图20是逆时旋转45
°
提取的水印，nc＝1，可以准确地提取水印。
[0142]
表四水印抗旋转攻击实验数据
[0143]
逆时针旋转(
°
)1020304045psnr(db)11.509.549.218.748.43nc0.790.7910.791
[0144]
表五为医学图像的水印抗缩放攻击实验数据，从表五可以看到当缩放因子小至0.9时，相关系数nc＝0.79，可以准确得提取出水印。
[0145]
图21是缩放后的医学图像(缩放因子为1.3)；
[0146]
图22是缩放攻击后提取的水印，nc＝0.79，可以准确得提取出水印。
[0147]
图23是缩放后的医学图像(缩放因子为1.5)；
[0148]
图24是缩放攻击后提取的水印，nc＝1，可以准确得提取出水印。
[0149]
表五水印抗缩放攻击实验数据
[0150]
缩放比例0.70.91.11.31.51.71.9nc0.570.7910.7910.890.7
[0151]
表六是水印抗平移变换实验数据。从表六中得知图像数据垂直移动40％时，nc值都高于0.6，可以准确提取水印，故该水印方法有较强的抗平移变换能力。
[0152]
图25是医学图像水平左移20％后的图像；
[0153]
图26是水平左移20％后提取的水印，可以准确提取水印，nc＝1。
[0154]
图27是医学图像垂直上移20％后的图像；
[0155]
图28是垂直上移20％后提取的水印，可以准确提取水印，nc＝0.89。
[0156]
表六水印抗平移变换实验数据
[0157][0158]
表七为水印抗剪切攻击实验数据，从表七中可以看到，当沿坐标轴y剪切医学图像，剪切量为40％时，nc＝0.79，沿坐标轴x剪切医学图像，剪切量为40％时，nc＝0.80，仍然可以提取水印，说明该水印算法有较强的抗剪切攻击能力。
[0159]
图29是沿y轴剪切30％后的医学图像；
[0160]
图30是沿y轴剪切30％后提取的水印，可以准确得提取水印，nc＝0.8。
[0161]
图31是沿x轴剪切30％后的医学图像；
[0162]
图32是沿x轴剪切30％后提取的水印，可以准确得提取水印，nc＝0.71。
[0163]
表七水印抗剪切攻击实验数据
[0164][0165]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0166]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业
技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0167]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0168]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0169]
以上对本发明所提供的基于censure-star-teblid-dct的医学图像水印方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于censure-star-teblid-dct的医学图像水印方法，其特征在于，包括：采用censure-star算法提取医学图像的关键点；利用teblid算法对所述医学图像的关键点进行描述，生成所述医学图像的特征描述符矩阵；对所述医学图像的特征描述符矩阵进行dct变换，得到所述医学图像的特征向量；将所述医学图像的特征向量与混沌置乱水印逐位进行异或运算，以将水印信息嵌入至所述医学图像中。2.根据权利要求1所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，采用censure-star算法提取医学图像的关键点，包括：对所述医学图像进行近似高斯差分处理，并采用非极大值抑制算法检测出所述医学图像对应的局部极大值作为特征点；采用harris边缘滤波器剔除所述医学图像边缘上的不稳定特征点，剩下的特征点作为所述医学图像的关键点。3.根据权利要求2所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，利用teblid算法对所述医学图像的关键点进行描述，生成所述医学图像的特征描述符矩阵，包括：使用二进制弱描述符作为预先设定的特征提取函数上的决策树；利用所述决策树对所述医学图像的关键点进行处理，并以贪婪算法最小化选择对应的目的弱描述符；根据选择出的目的弱描述符，生成所述医学图像的特征描述符矩阵。4.根据权利要求3所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，对所述医学图像的特征描述符矩阵进行dct变换，得到所述医学图像的特征向量，包括：对所述医学图像的特征描述符矩阵进行dct变换，得到所述医学图像的系数矩阵；取所述医学图像的系数矩阵中设定大小的矩阵，构成所述医学图像的新矩阵；利用哈希函数对所述医学图像的新矩阵进行符号转换，得到所述医学图像的特征向量。5.根据权利要求4所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，在将所述医学图像的特征向量与混沌置乱水印逐位进行异或运算之前，还包括：获取二值混沌序列；将原始水印进行二值化处理，得到二值水印图像；使用所述二值混沌序列对所述二值水印图像进行置乱，得到混沌置乱水印。6.根据权利要求5所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，在将水印信息嵌入至所述医学图像中的同时，还包括：生成逻辑密钥；对待测医学图像进行特征提取，得到所述待测医学图像的特征向量；将所述待测医学图像的特征向量和所述逻辑密钥进行异或运算，提取加密水印。7.根据权利要求6所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，对待测医学图像进行特征提取，得到所述待测医学图像的特征向量，包括：
采用censure-star算法提取所述待测医学图像的关键点；利用teblid算法对所述待测医学图像的关键点进行描述，生成所述待测医学图像的特征描述符矩阵；对所述待测医学图像的特征描述符矩阵进行dct变换，得到所述待测医学图像的特征向量。8.根据权利要求7所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，采用censure-star算法提取所述待测医学图像的关键点，包括：对所述待测医学图像进行近似高斯差分处理，并采用非极大值抑制算法检测出所述待测医学图像对应的局部极大值作为特征点；采用harris边缘滤波器剔除所述待测医学图像边缘上的不稳定特征点，剩下的特征点作为所述待测医学图像的关键点。9.根据权利要求8所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，利用teblid算法对所述待测医学图像的关键点进行描述，生成所述待测医学图像的特征描述符矩阵，包括：利用所述决策树对所述待测医学图像的关键点进行处理，并以贪婪算法最小化选择对应的目的弱描述符；根据选择出的目的弱描述符，生成所述待测医学图像的特征描述符矩阵。10.根据权利要求9所述的基于censure-star-teblid-dct的医学图像水印方法，其特征在于，在提取加密水印后，还包括：将提取的所述加密水印与所述二值混沌序列进行异或运算，得到还原水印。

技术总结
本发明公开了一种基于CenSurE-STAR-TEBLID-DCT的医学图像水印方法，包括：采用CenSurE-STAR算法提取医学图像的关键点；利用TEBLID算法对医学图像的关键点进行描述，生成医学图像的特征描述符矩阵；对医学图像的特征描述符矩阵进行DCT变换，得到医学图像的特征向量；将医学图像的特征向量与混沌置乱水印逐位进行异或运算，以将水印信息嵌入至医学图像中。这样兼顾了CenSurE-STAR计算速度快、尺度不变性和TEBLID计算速度快、鲁棒性强的优点，具有较强的鲁棒性和不可见性，能够有效保护原始医学图像信息的安全性，并在一定程度上避免了病人隐私泄露。了病人隐私泄露。了病人隐私泄露。


技术研发人员：李京兵 王鑫龙 黄梦醒 陈延伟
受保护的技术使用者：海南大学
技术研发日：2023.07.10
技术公布日：2023/10/11