[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

说明书

本发明公开了一种基于ShuffleNet迁移学习的医学图像鲁棒多水印方法，属于多媒体信号处理领域。本发明的步骤是：首先对ShuffleNet网络进行结构改动，在自制的医学数据集上训练好后保存；接着把医学图像输入到训练好的ShuffleNet网络中，经过前向传播，对获得的数值处理后就成了医学图像的特征向量；然后对水印进行置乱加密，将医学图像的特征向量与加密后的三张二值水印分别进行异或得到三个二值逻辑序列；再通过相同的操作来提取待测医学图像的特征向量，并与二值密钥序列分别关联来进行水印的提取。本发明是基于ShuffleNet迁移学习的医学图像数字水印技术，有较好的鲁棒性，针对旋转、平移、缩放、剪切等几何攻击尤为突出，水印的嵌入不改变原始数据的内容，是一种零水印技术。

技术领域

本发明涉及一种基于ShuffleNet迁移学习、混沌映射和图像特征向量的医学图像鲁棒数字水印技术，具体是一种基于ShuffleNet迁移学习的医学图像鲁棒多水印方法，是一种多媒体数据保护方法，属于多媒体信号处理领域。

技术背景

在科学技术高速发展的当下，多媒体信息的传播变得越来越便利，但与此同时，信息被盗用和窃取的风险也随之增加。而在医学领域，医学图像往往对应着每一位患者的重要信息，既不可轻易篡改，也要避免病人隐私信息的泄漏。因此，如何实施对医学图像的信息保护成为了一个重要的研究课题。

数字水印技术是一种能将特定的数字信号嵌入数字产品中保护数字产品版权或完整性的技术。如今，数字水印凭借其鲁棒性、不可见性、加密性的特点，逐渐取代了传统水印，广泛应用于众多领域，为多媒体信息传播的安全性与保密性。如今数字水印技术成为网络中保障信息安全、实施版权保护的重要手段。在医学领域，应用于医学图像的数字水印能够起到保护患者隐私、避免医疗数据被篡改的作用，为医学图像的安全性和准确性提供了保障。

然而，现有的水印算法虽然对图像压缩、滤波等信号处理攻击有较好的抵御效果，但应对旋转、剪切、缩放等几何攻击的效果较差。目前对于医学图像的数字水印算法的研究较少，对于抗几何攻击的医学数据的水印算法的研究成果更少，因此研究出能够应对几何攻击的数字水印有着重大意义。

总之，在基于ShuffleNet迁移学习的医学图像中嵌入可抗旋转、缩放、平移、剪切等几何攻击的多水印方法，目前尚属空白，未见公开报道。

发明内容

本发明是一种基于ShuffleNet迁移学习的医学图像鲁棒多水印方法，通过将医学图像的特征向量、密码学、哈希函数和零水印技术结合，弥补了传统的数字水印方法不能对医学图像本身进行保护的缺点，具有很强的鲁棒性和不可见性，能同时保护病人的隐私信息和医学图像的数据安全。

为了实现上述目的，本发明是这样进行的：先对ShuffleNet的最后几层做一些改动,使这个网络能够输出32个数值，然后在自制的医学数据集上重新训练，训练完成后将医疗图像作为ShuffleNet深度网络的输入图像，并对网络的32个输出值进行二值化，以此作为医疗图像的特征向量，将水印技术与混沌加密、Hash函数和“第三方概念”有机结合起来，实现了数字水印的抗几何攻击和常规攻击。本发明所采用的方法包括基于ShuffleNet迁移学习的特征向量提取、水印加密、水印嵌入、水印提取和水印解密五大部分。

现对本发明的方法进行详细说明如下：

第一部分：基于ShuffleNet迁移学习的特征向量提取

基于ShuffleNet迁移学习的特征向量提取又分为改进ShuffleNet 深度网络、制作数据集和训练网络三个过程。

改进ShuffleNet深度网络：

1)将ShuffleNet深度网络的全连接层由原先的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；

制作数据集：