[发明专利]一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法

说明书

本发明公开了一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法，包括使用编码器重构原始图像，生成含有水印的编码图像；对所述编码图像添加噪声，生成噪声图像；利用解码器从所述噪声图像中提取水印；判别器缩小所述编码图像与原始图像的分布差距，使生成图像更加清晰。本发明利用全尺度特征融合，使得嵌入模块充分学习并融合不同尺度的重构特征，生成高质量的且含有水印信息的图像；优化了BEGAN的判别器结构，引入特征引导模块缩小编码层与解码层的语义差异，使重构图像的收敛速度更快、质量更稳定；此外，在训练过程中加入深度监督能进一步提高水印的层次表示，使水印具有更高的鲁棒性。

技术领域

本发明涉及医学图像的数字水印的技术领域，尤其涉及一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法。

背景技术

随着医学影像技术的不断发展，医学图像成为医生诊断患者病情的重要依据。弥散加权成像(Diffusion-Weighted Imaging，DWI)是一种新型的功能磁共振成像技术，通过检测活体组织内部水分子无规则的扩散运动，反映机体组织在生理状态下水分子扩散的情况，间接地反映细胞密度、组织结构等方面的信息。该技术是目前唯一可以无创地观察活体组织内部水分子运动的方法，对大脑分割、肿瘤检测等重大疾病诊断具有巨大的临床应用价值。为了给患者提供更为准确的临床诊断和最佳的治疗方案，基于医学图像的远程共享和专家远程诊断技术已经成为重要的诊疗方式。伴随远程的医疗共享、诊断技术的不断发展与普及，也让越来越多的原本在医院单机上存储和使用的医学图像数据需要通过网络进行传输。可是未被保护的医学图像在远程传输过程中极易遭受窃取、非法使用、恶意攻击或篡改，严重影响医学专家的正确诊断。为有效保护医学图像信息的完整性，向远程专家提供准确的医学图像，以及限制未授权用户的使用，基于医学图像的数字水印技术成为解决上述问题的有效手段。

传统的鲁棒水印算法在均衡图像失真与水印鲁棒性方面具有一定的优势，但启发式方法在嵌入水印信息时，需针对不同的应用场景、成像特性、噪声攻击设计不同的水印提取算法，因此传统鲁棒水印算法通常可扩展性较差。HiDDeN利用神经网络在遭受噪声攻击时具有较高鲁棒性这一特点，在训练过程中加入特定的扰动来学习噪声图像与原始图像之间的分布相关性来提取鲁棒水印，以此突破传统方法的局限性。相比传统算法，HiDDeN的最大优势是只需要添加新噪声到训练过程中而不用设计专门的算法就能对该噪声鲁棒。但是，HiDDeN框架在重构过程中没有过多的考虑从多尺度的角度去学习图像语义特征和水印信号的分布特征，因此利用HIDDeN框架获取的含有水印信息的图像质量与水印的鲁棒性仍具有较大的提升空间。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有数字水印存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统的鲁棒水印算法在嵌入水印信息时，需针对不同的应用场景、成像特性、噪声攻击设计不同的水印提取算法，因此通常可扩展性较差；另一方面传统HIDDeN框架获取的含有水印信息的图像质量与水印的鲁棒性较差，收敛速度慢。

为解决上述技术问题，本发明提供如下技术方案：使用编码器重构原始图像，生成含有水印的编码图像；对所述编码图像添加噪声，生成噪声图像；利用解码器从所述噪声图像中提取水印；判别器缩小所述编码图像与原始图像的分布差距，使生成图像更加清晰。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述使用编码器重构原始图像包括，从多尺度的上下文中学习纹理、细节特征，将DWI图像经过卷积模块与下采模块获得不同尺度的解码特征，水印嵌入模块将水印序列嵌入全尺度的解码特征中，并且通过调节每层嵌入因子来控制水印嵌入强度。