一种基于深度学习残差网络和小波变换的CT图像隐写分析方法

本发明涉及一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，属于计算机医学图像处理领域及信息安全领域。

背景技术：

1、医疗物联网(iomt)和远程医疗技术利用计算机、通信和医疗设备促进专家与患者、专家和医务人员之间的异地治疗。如果iomt中的信息在传输和存储过程中被非法隐写、篡改或丢失，将直接影响会诊结果，导致患者隐私泄露，并引发严重的医疗事件。隐写分析对于识别iomt和远程医疗中非法传输的医学图像具有重要意义。

2、隐写分析是隐写技术的一种相互博弈和发展的技术，它可以检测非法隐写图像中的载波图像和隐写信号。按照隐写分析的应用范围，其可以被分为特定方法的隐写分析和通用隐写分析。通常来说，特定方法的隐写分析针对单一算法隐写过的图像效果往往会优于通用型的隐写分析方法，但是实际应用中不可能预先掌握图像可能隐写在图像中的算法类型，所以其应用价值往往不如通用型隐写分析方法。

3、近年来，深度学习技术的大力发展在各个领域都展现出强大的学习与分析能力，在医学图像处理和图像隐写分析领域更是取得了显著的优势。本发明针对iomt和远程医疗网络中医疗图像的非法隐写检测提出了一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，能够以较高的判别准确率实现iomt和远程医疗网络中多种隐写算法的医学图像非法隐写检测。

技术实现思路

1、本发明的目的在于提供一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，用于以较高的判别准确率实现iomt和远程医疗网络中多种隐写算法的医学图像非法隐写检测。

2、本发明为解决上述问题采用以下技术方案：

3、本发明提供一种深度学习残差网络和小波变换的ct图像隐写分析方法，能够以较高准确率和端到端的形式实现多种隐写算法在ct图像中的判别，所述方法包括以下步骤：

4、步骤1，导入需要分析的ct图像，具体如下，导入需要进行隐写分析的256×256大小的ct图像作为整个网络的输入，其他大小的图像需要将图像尺寸转换为256×256大小再输入到网络中；

5、步骤2，隐写信息增强模块对输入图像进行小波变换并增强，具体如下，隐写信息增强模块对输入的图像进行小波变换，变换完成后将得到的水平、垂直和对角线方向上的高频分量与原图像合并并归一化，之后通过卷积输出特征图；

6、步骤3，将增强过的图像输入深度残差网络进行特征提取；具体如下，深度残差网络读取步骤2输出的特征图并进行特征提取并可能保留特征图中原有的高频噪声信号；

7、步骤4，隐写信息识别模块对输入的特征进行特征压缩；具体如下，隐写信息识别模块读取步骤3输出的特征图并进行特征压缩，选取更重要的信道特征并抑制不重要的信道特征；

8、步骤5，分类器输出隐写分析的判别结果，具体如下，压缩完成后的特征图通过一个线性分类器输出分类结果，即该图像是否经过了隐写算法的修改相对于现有技术，本发明利用深度残差网络的强大学习和特征提取能力进行隐写特征提取和压缩。深度残差网络采用隐写信息辨别机制，隐写信息增强模块对输入图像任何可能存在的隐写特征进行加强，隐写信息识别模块利用深度残差网络重新校准隐写特征并丢弃被误认为隐写信息的高频特征，经判别后输出分析结果。

9、与现有技术相比，本发明具有的有益效果是：

10、1.本发明提出的一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，经过一定量数据训练后得到泛化能力强且判别精准度高的模型，实验证明，本发明可以做到较为精准地判别多种算法非法隐写后的医学图像，与传统隐写分析算法相比具有十分显著的优势。

11、2.本发明中的隐写信息增强模块(siem)通过将深度学习和手动方法相结合来设计，以从原始医学图像中提取水平高频信息、垂直高频信息和对角高频信息，并将它们与原始医学图像合并，以增强隐写信号。

12、3.本发明首次提出了隐写信息鉴别机制(sidm)，该机制自动获得每个隐写信号特征信道的重要性，以通过隐写信号特性信道的相互依赖性增强隐写信号的高频特征，并且抑制诸如医学图像的自然噪声和组织解剖结构边缘的伪隐写信息。

13、4.本发明收集了用于隐写分析的医学图像的私人数据集。通过五种广泛使用的空间和频域隐写方法，在0.1bpp(bpnzac)～0.5bpp(bpnzac)有效载荷范围内对数据集进行信息隐写。定性和定量结果表明，该数据集可用于训练、验证和测试基于深度学习的医学图像隐写分析算法。

14、5.本发明在训练完成后，只需输入图像即可，无需调整其它参数，是一种端到端的、一步式的医学图像非法隐写检测方法。

技术特征：

1.一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，其特征在于，步骤2、步骤3、步骤4、步骤5中需要训练的网络结构如下：步骤2中卷积网络隐写信息增强模块包含2个卷积模块，第1个模块中包含64个卷积单元，第2个模块中包含16个卷积单元，每个单元包含一个3*3，步长为1的卷积核，1个bn批归一化层以及relu激活层。

3.根据权利要求1所述的一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，其特征在于，步骤3的深度残差网络包括5个特征提取模块，每个模块包含了一个残差块，每个残差块按照“16个3*3，步长为1的卷积核，bn批归一化层，relu激活层，16个3*3，步长为1的卷积核，bn批归一化层”的顺序构成。

4.根据权利要求1所述的一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，其特征在于，步骤4中隐写信息识别模块包含了5个特征压缩模块，第1个特征压缩模块包含了1个sidm单元，16个特征压缩卷积单元，第2个特征压缩模块包含了1个sidm单元，64个特征压缩卷积单元，第3个特征压缩模块包含了1个sidm单元，128个特征压缩卷积单元，第4个特征压缩模块包含了1个sidm单元，256个特征压缩卷积单元，每个特征压缩卷积单元由1个1*1，步长为2的卷积核，1个bn批归一化层构成，第5个特征压缩模块由512个分类单元构成，分类单元按照“1个3*3，步长为1的卷积核，1个批归一化层，1个relu激活层，1个3*3，步长为1的卷积核，1个批归一化层，1个全局平均池化层”的顺序构成，sidm单元的构成如下：1个残差模块，该残差模块由卷积单元及残差单元构成，卷积单元由“1个3*3，步长为1的卷积核，1个批归一化层，1个relu激活层，1个3*3，步长为1的卷积核，1个批归一化层，1个全局平均池化层”构成，残差单元由“1个1*1*c的全局平均池化层，1个1*1*c/r的全连接层，1个1*1*c的全连接层和1个sigmoid层”组成，其中c为特征图通道数，r为自然数且通常取16，步骤5的线性分类器的尺寸是512*2。

5.根据权利要求1所述的一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，其特征在于,隐写分析网络需要训练的网络损失函数为：

6.根据权利要求1所述的一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，其特征在于，在步骤五的隐写分析判别中，检测性能用总分类误差衡量，公式如下

7.根据权利要求1所述的一种基于深度学习残差网络和小波变换的ct图像隐写分析方法，其特征在于，步骤2、步骤3、步骤4、步骤5中需要训练的网络模型参数经过优化器迭代更新。

技术总结
本发明公开了基于基于深度学习残差网络和小波变换的CT图像隐写分析方法，用于医学图像的隐写分析。该方法由隐写信息增强模块(SIEM)，隐写信息识别模块(SIDM)和深度残差网络构成。首先通过隐写信息增强模块提取出输入图像的隐写特征并强化，然后将强化后的数据输入深度残差网络中进行特征提取，提取完成后进入信息增强模块，隐写信息识别模块将卷积得到的特征图进行压缩并关注隐写信息最丰富的区域，抑制不重要的区域特征。压缩完成后通过一个分类器输出隐写分析判别结果，即该图像是否经过了某种算法的隐写。

技术研发人员：陈凯,周正源,陈阳
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/3/11