[发明专利]基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究

权利要求书

1.一种基于ShuffleNet迁移学习的医学图像鲁棒多水印实现方法，其特征在于：基于ShuffleNet迁移学习，经过对ShuffleNet网络的改进和再训练，得到医学图像的抗几何攻击的特征向量，并与水印技术结合起来，实现了医学图像零水印的抗几何攻击，该医学图像数字水印实现方法共分三大部分，共计十个步骤：

第一部分是原始医学图像的特征提取：

1)将ShuffleNet网络的全连接层的输出由原来的1000个输出改为32个输出，删除全连接层后面的所有层，并使用均方误差损失函数使其能够完成回归任务,改动后的网络在自制的医学数据集(数据集的制作请看上面的详细说明)上训练好后保存(训练好后就不需要再次训练)；；

2)接着把医学图像输入到训练好的ShuffleNet深度网络中，经过前向传播，得到32个数值，；

3)这32个数值经过处理(大于等于0.5的判为1，小于0.5的判为0)后就成了医学图像的特征向量，记为V(i,j)；

第二部分是水印的加密与嵌入：

4)通过Logistic Map产生三个不同的32位的混沌序列X₁(j)，X₂(j)，X₃(j)；

5)将32×32大小的二值水印图片W₁(i,j)、W₂(i,j)、W₃(i,j)的每一行都分别与产生的混沌序列X₁(j)、X₂(j)、X₃(j)进行异或，得到混沌置乱的水印BW₁(i,j)、BW₂(i,j)、BW₃(i,j)；

6)将加密水印序列BW₁(i,j)、BW₂(i,j)、BW₃(i,j)和提取的医学图像的特征序列V(i,j)进行异或操作，生成三个二值逻辑密钥序列Key_w₁(i,j)、Key_w₂(i,j)、Key_w₃(i,j)，然后将这三个二值逻辑序列存在第三方，

第三部分是水印的提取：

7)用相同的方法求出待测医学图像的特征序列V’(i,j)，具体请参考步骤2)、3)；

8)利用存在于第三方的二值逻辑密钥序列Key_w₁(i,j)、Key_w₂(i,j)、Key_w₃(i,j)和待测医学图像的特征向量V’(i,j)，提取出加密水印BW₁’(i,j)、BW₂’(i,j)、BW₃’(i,j)。

9)通过Logistic Map产生和步骤4)相同的三个32位混沌序列X₁(j)、X₂(j)、X₃(j)，将提取出的加密水印BW₁’(i,j)、BW₂’(i,j)、BW₃’(i,j)的每一行都与产生的混沌序列X₁(j)、X₂(j)、X₃(j)分别进行异或，得到还原的水印W₁’(i,j)、W₂’(i,j)、W₃’(i,j)。

10)将W₁(i,j)和W₁’(i,j)、W₂(i,j)和W₂’(i,j)、W₃(i,j)和W₃’(i,j)分别进行归一化相关系数计算，求出NC值，衡量算法的鲁棒性。