基于SVD和SAE的醫(yī)學(xué)圖像多功能零水印算法

孫潔麗，趙彥霞,2，周增慧，邢勝

（1. 河北經(jīng)貿(mào)大學(xué)信息技術(shù)學(xué)院，河北 石家莊 050061；2. 河北大學(xué)管理學(xué)院，河北 保定 071002；3. 河北經(jīng)貿(mào)大學(xué)教務(wù)處，河北 石家莊 050061；4. 滄州師范學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院，河北 滄州 061001）

基于SVD和SAE的醫(yī)學(xué)圖像多功能零水印算法

孫潔麗1，趙彥霞1,2，周增慧3，邢勝4

（1. 河北經(jīng)貿(mào)大學(xué)信息技術(shù)學(xué)院，河北 石家莊 050061；2. 河北大學(xué)管理學(xué)院，河北 保定 071002；3. 河北經(jīng)貿(mào)大學(xué)教務(wù)處，河北 石家莊 050061；4. 滄州師范學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院，河北 滄州 061001）

針對(duì)醫(yī)學(xué)圖像的版權(quán)保護(hù)和篡改定位問題，提出了一種多功能零水印算法。獲取構(gòu)造零頑健水印和半脆弱水印的信息矩陣，并分別與原始頑健和半脆弱水印進(jìn)行異或運(yùn)算，構(gòu)造零頑健和零半脆弱水印圖像。實(shí)驗(yàn)結(jié)果證明，提取的水印效果較好，算法能很好地抵抗常見攻擊，特別是抵抗強(qiáng)度較大的攻擊的效果較好。

醫(yī)學(xué)圖像；多功能零水??；離散小波變換；奇異值分解；堆疊自編碼器

1 引言

醫(yī)院每天都產(chǎn)生大量的醫(yī)學(xué)圖像等數(shù)字產(chǎn)品，對(duì)這些數(shù)字產(chǎn)品的保護(hù)也是對(duì)醫(yī)院、醫(yī)生和患者三方權(quán)益的保護(hù)。數(shù)字水印[1]能夠?qū)?shù)字產(chǎn)品進(jìn)行版權(quán)保護(hù)和篡改定位，較好地保護(hù)這些產(chǎn)品。常用的數(shù)字水印是向原始數(shù)字產(chǎn)品嵌入數(shù)字水印來達(dá)到保護(hù)產(chǎn)品的目的，但提出的算法都會(huì)對(duì)數(shù)字產(chǎn)品進(jìn)行修改，零水印技術(shù)[2]被提出后，不再需要向數(shù)字產(chǎn)品中嵌入水印，而是提取原始數(shù)字產(chǎn)品的特征與數(shù)字水印一起構(gòu)造零水印。目前，研究者已經(jīng)提出了大量文本[3,4]、音頻[5]、視頻[6,7]、圖像[8,9]等數(shù)字產(chǎn)品的零水印算法。

醫(yī)學(xué)圖像是醫(yī)生給病人診病的主要依據(jù)之一，當(dāng)出現(xiàn)醫(yī)患糾紛時(shí)，也可以作為醫(yī)生治療是否造成醫(yī)療事故的原始證據(jù)之一，構(gòu)造頑健水印可以對(duì)醫(yī)學(xué)圖像進(jìn)行版權(quán)保護(hù)，從而避免出現(xiàn)醫(yī)學(xué)圖像真假無法判定的問題。當(dāng)有人將病灶部分修改或?qū)⒉≡钐砑舆M(jìn)醫(yī)學(xué)圖像時(shí)，希望能夠通過技術(shù)手段檢測(cè)到，因此，有必要構(gòu)造半脆弱水印對(duì)被修改的醫(yī)學(xué)圖像進(jìn)行篡改定位。另外，現(xiàn)代信息技術(shù)的快速發(fā)展，也為醫(yī)療機(jī)構(gòu)之間通過醫(yī)學(xué)資源共享提高診病效率提供了可能，這也需要對(duì)醫(yī)學(xué)圖像進(jìn)行版權(quán)保護(hù)和篡改定位。

對(duì)醫(yī)學(xué)圖像進(jìn)行保護(hù)的水印算法研究已經(jīng)成為一個(gè)研究熱點(diǎn)，研究者提出了多種零數(shù)字水印算法。Seenivasagam等人[10]提出的零水印算法，利用混合CT-SVD（contourlet transform-singular value decomposition）域提取特征，將QR作為頑健水印，并利用胡氏不變矩構(gòu)造零水印保證云端醫(yī)學(xué)圖像的安全性。Vellaisamy等人[11]提出了基于混合CT-SVD域的零水印算法，利用三角數(shù)生成函數(shù)和胡氏圖像不變量抵抗反轉(zhuǎn)攻擊。Han等人[12]將三維醫(yī)學(xué)圖像進(jìn)行三維離散小波和離散余弦變換，利用感知散列技術(shù)獲取其本身特征向量，并利用Legendre混沌神經(jīng)網(wǎng)絡(luò)生成的混沌序列置亂此特征向量。Dong等人[13]提取DWT-DFT（discrete wavelet transform-discrete Fourier transform）低頻系數(shù)作為加密醫(yī)學(xué)圖像的特征向量，構(gòu)造了頑健水印圖像。但是，參考文獻(xiàn)[10-13]都只構(gòu)造了頑健水印對(duì)醫(yī)學(xué)圖像進(jìn)行版權(quán)保護(hù)，沒有對(duì)醫(yī)學(xué)圖像進(jìn)行篡改定位。肖振久等人[14]提出了利用超混沌技術(shù)的醫(yī)學(xué)圖像篡改定位零水印算法，但算法抵抗噪聲攻擊的能力還需要加強(qiáng)。

要構(gòu)造高質(zhì)量水印圖像，需要獲取能夠代表原始圖像的重要特征，并且構(gòu)造的水印圖像應(yīng)該能夠抵抗對(duì)原始圖像的各種攻擊。由于一般情況下，基于變換域構(gòu)造的頑健水印比基于空域構(gòu)造的水印的頑健性更強(qiáng)。奇異值分解（singular value decomposition，SVD）的穩(wěn)定性好。屬于深度神經(jīng)網(wǎng)絡(luò)的堆疊自編碼器（stacked auto-encoder，SAE）能夠獲取圖像的關(guān)鍵特征，并且還能夠降低圖像的維度，因此，提出的算法將DWT、SVD和SAE結(jié)合起來，構(gòu)造了頑健水印和半脆弱水印，對(duì)醫(yī)學(xué)圖像進(jìn)行版權(quán)保護(hù)和篡改定位。

2 相關(guān)技術(shù)

2.1 奇異值分解

其中，U、V為正交矩陣，S矩陣除對(duì)角線元素外，其他元素都為0。

2.2 堆疊自編碼器

堆疊自編碼器[17]是一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，是由自動(dòng)編碼器（auto-encoder，AE）[18]堆疊而成的深度網(wǎng)絡(luò)[19]。堆疊自編碼網(wǎng)絡(luò)的訓(xùn)練分兩步：自下而上的無監(jiān)督學(xué)習(xí)，采用無標(biāo)簽樣本，利用逐層貪婪學(xué)習(xí)，逐層對(duì)AE進(jìn)行預(yù)訓(xùn)練；自上而下的有監(jiān)督學(xué)習(xí)，對(duì)預(yù)訓(xùn)練得到的權(quán)重、偏置進(jìn)行微調(diào)。

自動(dòng)編碼器是一個(gè)試圖使輸出與輸入相同的簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)。堆疊多個(gè)自動(dòng)編碼器可以構(gòu)成深度網(wǎng)絡(luò)。自動(dòng)編碼器的工作原理如圖1所示。

圖1 自動(dòng)編碼器的工作原理

圖1中，在網(wǎng)絡(luò)訓(xùn)練期間，對(duì)每個(gè)訓(xùn)練樣本進(jìn)行訓(xùn)練后，會(huì)在輸出層產(chǎn)生一個(gè)新的信號(hào)，網(wǎng)絡(luò)學(xué)習(xí)的目的就是使輸出信號(hào)與輸入信號(hào)盡量相同。一個(gè)自動(dòng)編碼器的工作過程可分為3步：輸入數(shù)據(jù)x，學(xué)習(xí)得到一個(gè)函數(shù)f，將輸入數(shù)據(jù)編碼成 h=f( x)；學(xué)習(xí)得到一個(gè)函數(shù)g，重構(gòu)h為利用損失函數(shù)L( r, x)計(jì)算重構(gòu)的r與輸入數(shù)據(jù)x的誤差，然后通過反向微調(diào)，最小化誤差。一般情況下，中間層神經(jīng)元數(shù)量遠(yuǎn)遠(yuǎn)少于輸入層，在訓(xùn)練過程中得到的h的維度一般遠(yuǎn)遠(yuǎn)小于x的維度。如果將自動(dòng)編碼器與分類器結(jié)合，將h作為分類器的輸入，將大大減少處理數(shù)據(jù)的信息量，從而大大提高計(jì)算效率。

3 基于SVD和SAE的醫(yī)學(xué)圖像多功能零水印算法

3.1 零水印算法構(gòu)造流程

構(gòu)造零水印圖像的過程如圖2所示，具體介紹如下。

步驟 1讀出、轉(zhuǎn)換和分解原始彩色圖像。讀出原始圖像，轉(zhuǎn)換為YCbCr圖像，分解出Y、Cb、Cr通道。

步驟 2讀出和置亂頑健水印圖像。讀出頑健水印圖像，利用Arnold變換對(duì)其進(jìn)行置亂。設(shè)頑健水印圖像尺寸大小為n1×n1。

步驟 3讀出半脆弱水印圖像。設(shè)半脆弱水印圖像尺寸大小為m2×n2。

步驟 4對(duì)原始圖像的Y通道進(jìn)行小波分解和奇異值分解。利用三尺度的“db1”離散小波變換對(duì)原始圖像的Y通道進(jìn)行分解，然后再進(jìn)行奇異值分解。Y通道小波變換后得到的第三層低頻子帶小波系數(shù)矩陣、對(duì)角方向、垂直方向和水平方向高頻子帶小波系數(shù)矩陣分別為L(zhǎng)L3、HH3、LH3、HL3，對(duì)這4個(gè)小波系數(shù)矩陣進(jìn)行奇異值分解，得到12個(gè)矩陣。

步驟5構(gòu)造SAE深度網(wǎng)絡(luò)的輸入矩陣和輸出標(biāo)簽矩陣。將步驟4中得到的12個(gè)矩陣的尺寸轉(zhuǎn)換為偶數(shù)，將其最大值賦值給m，創(chuàng)建m×m×12的特征矩陣l，設(shè)其每個(gè)面為分別將步驟4中得到的12個(gè)矩陣，賦值給（l?1），就得到了輸入特征矩陣。建立一個(gè)尺寸為8×8×12的矩陣Y0和一個(gè)尺寸為1×8×12的矩陣Y，將l每個(gè)面的前8行×前8列矩陣賦值給矩陣Y0每個(gè)面，將矩陣Y0每個(gè)面的每列的和除以每個(gè)面元素總個(gè)數(shù)，所得的值賦值給Y的每個(gè)面。分別將l和Y轉(zhuǎn)換成12×m×m和12×1×8的二維矩陣，則得到的l和Y分別是SAE的輸入矩陣和輸出標(biāo)簽矩陣。

圖2 零水印圖像算法構(gòu)造流程

步驟6 建立如圖3所示的SAE深度網(wǎng)絡(luò)。

圖3所示為算法中用到的SAE深度網(wǎng)絡(luò)結(jié)構(gòu)，由輸入層（V0）、隱含層 1（H0或 V1）、隱含層 2（H1或 V2）、隱含層 3（H2）和輸出層構(gòu)成，各層之間神經(jīng)元采用全連接，本層神經(jīng)元之間沒有連接。輸入層神經(jīng)元個(gè)數(shù)為（m×m），設(shè)隱含層 1、隱含層2、隱含層3的神經(jīng)元個(gè)數(shù)分別為N1、N2、N3，隱含層1、隱含層2、隱含層3的神經(jīng)元個(gè)數(shù)可根據(jù)情況確定，但是需要滿足（m×m）〉N1〉N2〉N3且（12×（N3+1））〉（n1×n1），輸出層的神經(jīng)元個(gè)數(shù)為8。

圖3 堆疊自編碼器深度網(wǎng)絡(luò)結(jié)構(gòu)示意

步驟7對(duì)SAE深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將步驟5中產(chǎn)生的SAE的輸入矩陣x作為堆疊自編碼器隱含層1的輸入值，然后對(duì)AE1、AE2和AE3這3個(gè)自編碼器進(jìn)行預(yù)訓(xùn)練。

SAE網(wǎng)絡(luò)的訓(xùn)練分兩步。

首先對(duì)AE1、AE2和AE3進(jìn)行預(yù)訓(xùn)練。采用逐層貪婪學(xué)習(xí)方法訓(xùn)練每個(gè)自編碼器，AE1訓(xùn)練完成后，其解碼器的輸出值H0為AE2的輸入值，AE2解碼器的輸出值H1為AE3的輸入值。自編碼器的工作示意如圖1所示，單個(gè)自編碼器訓(xùn)練時(shí)，需要經(jīng)過編碼和解碼兩個(gè)階段。

堆疊自編碼器l層第k個(gè)樣本編碼后的輸出為 y(l)[17]：

再對(duì)預(yù)訓(xùn)練得到的權(quán)重、偏置進(jìn)行微調(diào)。

將訓(xùn)練好的3個(gè)自編碼器AE1、AE2和AE3按照堆疊的方式連接起來，在AE3的H2之后加一層softmax分類器，構(gòu)成如圖3所示的SAE深度網(wǎng)絡(luò)，根據(jù)輸出誤差，利用反向傳播算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。反向傳播算法的步驟為：首先，進(jìn)行前向傳導(dǎo)計(jì)算；其次，從輸出層開始，逐層向前傳遞誤差，對(duì)連接權(quán)重和偏置進(jìn)行微調(diào)。

假設(shè)網(wǎng)絡(luò)的層數(shù)為N，第l層的單元數(shù)量（不含偏置）用sl表示。輸入層第i個(gè)輸入值xi用d(1)i表示，l層的第i個(gè)單元的輸出用表示，表示l層第j個(gè)單元與（l+1）層第i個(gè)單元的連接權(quán)重，表示第（l+1）層第i個(gè)單元的偏置值，表示l層第i個(gè)單元輸入加權(quán)和其中，σ(.)為Sigmoid函數(shù)(x)為輸出層的輸出。在前向傳導(dǎo)階段，SAE第（l+1）層的和為：

m個(gè)訓(xùn)練樣本的損失函數(shù)[20]為：

其中，(i)x、(i)

y 分別為第 i個(gè)訓(xùn)練樣本的輸

入和輸出。

在反向傳播階段，m個(gè)樣本損失函數(shù)的偏導(dǎo)為：

用向量表示的輸出層(N)的殘差(N)δ 的計(jì)

算式為：

偏導(dǎo)的計(jì)算式為：

權(quán)值更新計(jì)算式為：

其中，α=1，λ=0.5。

步驟 8 獲取用于構(gòu)造頑健水印的原始圖像信息矩陣。取出輸出層的輸入矩陣A，創(chuàng)建一個(gè)尺寸為 n1×n1的元素值為 0的矩陣 B，從矩陣 A隔1列取一個(gè)元素作為矩陣B的元素，每取n1個(gè)元素后，矩陣 B的行號(hào)加 1。創(chuàng)建尺寸為 n1×n1的元素值為0的矩陣C。當(dāng)矩陣B的元素滿足B(i,j)≤B((i+1),j)≤B((i+2),j)時(shí)，矩陣C的元素為1，否則為0，得到的矩陣C為用于構(gòu)造零頑健水印的信息矩陣。

步驟 9構(gòu)造零頑健水印圖像。將步驟 8獲得的矩陣 C和置亂的原始頑健水印進(jìn)行異或運(yùn)算，將產(chǎn)生的矩陣轉(zhuǎn)換成像素值只有0和255的零頑健水印圖像。

步驟10獲取用于構(gòu)造半脆弱水印的原始圖像信息矩陣。利用Y通道離散小波變換后得到的水平方向系數(shù)矩陣HL3得到信息矩陣，當(dāng)時(shí) ， 信息矩陣的元素為1，否則為0，得到與半脆弱水印尺寸相等的信息矩陣。

步驟11構(gòu)造零半脆弱水印圖像。將步驟10得到的信息矩陣和原始半脆弱水印進(jìn)行異或運(yùn)算，將產(chǎn)生的矩陣元素轉(zhuǎn)換成像素灰度值只有 0和255的零半脆弱水印圖像。

3.2 零水印算法提取流程

提取零水印圖像的過程如圖4所示，具體介紹如下。

步驟1讀出零頑健水印圖像。

步驟2讀出零半脆弱水印圖像。

步驟3讀出待檢測(cè)圖像，轉(zhuǎn)換成YCbCr圖像，并分解出Y*、Cb*、Cr*通道。

步驟4對(duì)待檢測(cè)圖像的Y*通道進(jìn)行離散小波變換，并進(jìn)行奇異值分解。對(duì)待檢測(cè)圖像的 Y*通道進(jìn)行三尺度的“db1”離散小波變換，Y*通道小波變換后得到的第三層的低頻子帶小波系數(shù)矩陣、對(duì)角方向、垂直方向和水平方向高頻子帶小波系數(shù)矩陣分別為對(duì)這4個(gè)小波系數(shù)矩陣進(jìn)行奇異值分解，得到12個(gè)矩陣。

步驟5構(gòu)造SAE深度網(wǎng)絡(luò)的輸入矩陣和輸出標(biāo)簽矩陣。過程同第3.1節(jié)的步驟5。

步驟6建立如圖4所示的SAE深度網(wǎng)絡(luò)。

步驟7對(duì)SAE深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練過程同第3.1節(jié)的步驟7。

步驟 8構(gòu)造用于提取頑健水印圖像的信息矩陣。過程同第3.1節(jié)的步驟8。

步驟 9提取頑健水印圖像。將零頑健水印和第3.2節(jié)的步驟8得到的信息矩陣進(jìn)行異或運(yùn)算，提取出像素值為0和1的置亂頑健水印圖像，轉(zhuǎn)換成像素值為0和255的圖像，對(duì)其進(jìn)行Arnold變換，則獲得提取的頑健水印圖像。

步驟10獲取用來提取半脆弱水印圖像的信息矩陣。過程同第3.1節(jié)的步驟10。

步驟11提取半脆弱水印圖像。將零半脆弱水印和第3.2節(jié)的步驟10得到的信息矩陣進(jìn)行異或運(yùn)算，則獲得提取的半脆弱水印圖像。

圖4 零水印圖像算法提取流程

4 仿真實(shí)驗(yàn)和結(jié)果分析

4.1 仿真實(shí)驗(yàn)

算法采用 MATLAB 仿真實(shí)現(xiàn)。原始圖像為408×354×3（單位：像素）的CT圖像，頑健水印和半脆弱水印圖像均采用自制圖像，圖像的像素灰度值只有0和255，尺寸分別為36×36（單位：像素）和 51×45（單位：像素），頑健水印進(jìn)行Arnold變換的次數(shù)為60次。第3.1節(jié)的步驟6的m×m=52×52=2 704，N1=1 000，N2=500，N3=205，輸出層神經(jīng)元個(gè)數(shù)為8。所用的原始圖像和水印圖像如圖5所示。

圖5 原始圖像和水印圖像

4.1.1 零水印圖像構(gòu)造和提取實(shí)驗(yàn)

構(gòu)造的零頑健和零半脆弱水印圖像如圖6所示。

圖6 零頑健水印圖像和零半脆弱水印圖像

分別用歸一化互相關(guān)（normalised cross-correlation，NC）和篡改評(píng)估函數(shù)（tamper assessment function，TAF）表示提取的水印圖像與原始水印圖像的相似度和不相似度。在原始圖像未受攻擊時(shí)，提取的水印圖像和半脆弱水印圖像篡改定位圖像如圖7所示。提取的頑健水印圖像和半脆弱水印圖像的NC都為1，提取的半脆弱水印圖像的TAF=0。

圖7 提取的水印圖像和篡改定位圖像

4.1.2 原始圖像受攻擊實(shí)驗(yàn)

實(shí)驗(yàn)中，對(duì)待檢測(cè)圖像進(jìn)行了多種攻擊。對(duì)待檢測(cè)圖像進(jìn)行剪切比例為27.972 3%的剪切攻擊后的圖像、提取出的水印圖像和半脆弱水印圖像的篡改定位圖像如圖8所示。圖8中，提取的頑健水印的NC=0.989 0，半脆弱水印的NC= 0.872 6，半脆弱水印的TAF=0.209 2。

圖8 剪切攻擊后的圖像、提取出的水印圖像及篡改定位圖像

如圖 9～圖 16所示，分別為原始圖像受到剪切、拼貼、中值濾波、旋轉(zhuǎn)、JPEG壓縮、高斯噪聲、椒鹽噪聲和縮放等常見攻擊實(shí)驗(yàn)后，提取的頑健水印圖像NC、半脆弱水印圖像NC和半脆弱水印圖像TAF值的測(cè)量值。

圖9 剪切攻擊實(shí)驗(yàn)結(jié)果

圖10 拼貼攻擊實(shí)驗(yàn)結(jié)果

圖11 中值濾波攻擊實(shí)驗(yàn)結(jié)果

圖12 旋轉(zhuǎn)攻擊實(shí)驗(yàn)結(jié)果

圖13 JPEG壓縮攻擊實(shí)驗(yàn)結(jié)果

圖14 高斯噪聲攻擊實(shí)驗(yàn)結(jié)果

圖15 椒鹽噪聲攻擊實(shí)驗(yàn)結(jié)果

圖16 縮放攻擊實(shí)驗(yàn)結(jié)果

4.2 實(shí)驗(yàn)結(jié)果及分析

由實(shí)驗(yàn)結(jié)果可看出，本算法在原始圖像未受攻擊時(shí)，提取的頑健水印和半脆弱水印圖像的NC值都為1。在原始圖像受到多種攻擊時(shí)，提取的頑健水印圖像NC值在0.964 9以上，說明提取的水印有較好的頑健性。另外，半脆弱水印也能夠很好地對(duì)多種攻擊進(jìn)行篡改定位。

對(duì)于RGB彩色圖像，亮度信息代表圖像的主要信息，由于彩色圖像的Y通道代表原始圖像的亮度信息，Cb、Cr通道代表原始圖像的色度信息。為了減少計(jì)算的數(shù)據(jù)量，提出的算法選擇在Y通道中提取原始圖像關(guān)鍵特征信息。在構(gòu)造零頑健水印時(shí)，考慮到SVD能代表圖像的代數(shù)特征，在算法中采用了SVD，又進(jìn)一步利用SAE能夠提取圖像關(guān)鍵特征的優(yōu)點(diǎn)，獲取原始圖像的關(guān)鍵特征。另外，DWT的應(yīng)用也可以增加頑健水印的頑健性。在構(gòu)造半脆弱水印時(shí)，選擇了 DWT得到的水平方向高頻子帶小波系數(shù)矩陣HL3構(gòu)造半脆弱水印，也能很好地對(duì)受到攻擊后的圖像進(jìn)行篡改定位。

許多水印算法中仿真實(shí)驗(yàn)使用的圖像，對(duì)應(yīng)的矩陣都是方陣，這里實(shí)驗(yàn)所用的 CT圖像不是方陣，是醫(yī)院真實(shí)的圖像。實(shí)驗(yàn)結(jié)果表明，所提出的算法對(duì)于真實(shí)的醫(yī)學(xué)圖像具有很好的效果，具有很好的實(shí)用價(jià)值。

5 結(jié)束語(yǔ)

提出了一種基于SVD和SAE的醫(yī)學(xué)圖像多功能零水印算法。實(shí)驗(yàn)結(jié)果表明，頑健水印的頑健性很好，半脆弱水印能夠很好地對(duì)篡改進(jìn)行定位，算法能夠抵抗多種常見攻擊。提出的算法，創(chuàng)新性地將SAE能夠較好提取圖像特征的優(yōu)勢(shì)應(yīng)用到構(gòu)造頑健水印的過程中，使構(gòu)造的頑健水印對(duì)多種攻擊，特別是強(qiáng)度大的攻擊都有很好的頑健性，研究成果可以應(yīng)用于證書、電子簽字等多種數(shù)字產(chǎn)品的保護(hù)中，有很好的實(shí)用價(jià)值。進(jìn)一步對(duì)算法進(jìn)行研究，結(jié)合領(lǐng)域的實(shí)際情況，將算法推廣應(yīng)用于更多的領(lǐng)域，可以保證這些領(lǐng)域數(shù)字產(chǎn)品的安全，對(duì)這些領(lǐng)域的發(fā)展做出貢獻(xiàn)。

[1] TIRKEL A Z, RANKIN G A, SCHYNDEL R G, et al. Electronic watermark[C]//Digital Image Computing, Technology and Applications(DICTA 1993), Dec 8-10,1993, Sidney, Australia.Sydney: Australian Pattern Recognition Society, 1993:666-673.

[2] 溫泉, 孫錟鋒, 王樹勛. 零水印的概念與應(yīng)用[J]. 電子學(xué)報(bào),2003, 31(2): 214-216.WEN Q, SUN T F, WANG S X. Concept and application of zero-watermark[J]. Acta Electronica Sinica, 2003, 31(2): 214-216.

[3] ZHU P, XIANG G L, SONG W N, et al. A text zero-watermarking algorithm based on Chinese phonetic alphabets[J]. Wuhan University Journal of Natural Sciences. 2016(4):277-282.

[4] 周新民, 魯芳. 基于漢字結(jié)構(gòu)知識(shí)的文本認(rèn)證零水印算法[J].吉林大學(xué)學(xué)報(bào)(理學(xué)版), 2016, 54(5): 1071-1076.ZHOU X M, LU F. Zero-watermarking algorithm for text authentication based on structure knowledge of Chinese characters[J]. Journal of Jilin University (Science Edition), 2016,54(5): 1071-1076.

[5] LEI M, YANG Y, LIU X M, et al. Audio zero-watermark scheme based on discrete cosine transform-discrete wavelet transform-singular value decomposition[J]. China Communications, 2016, 13(7): 117-121.

[6] 王靜, 郁梅, 李文峰, 等. 抗量化轉(zhuǎn)碼的 HEVC視頻流零水印算法[J]. 光電工程, 2016, 43(10): 77-83.WANG J, YU M, LI W F, et al. HEVC-based video stream zero-watermarking algorithm with robustness to re-quantization transcoding[J]. Opto-Electronic Engineering, 2016, 43(10):77-83.

[7] XU Q S, LU J F, PENG X X, et al. A video zero-watermarking algorithm based on text detection[C]//2015 16th IEEE International Conference on Communication Technology(ICCT2015),Oct 18-20, 2015, Hangzhou, China. New Jersey: IEEE Press,2015: 328-333.

[8] 徐蓮, 李京兵. 基于 DWT-PCA和感知哈希的魯棒零水印算法[J]. 電視技術(shù), 2016, 40(1): 25-30．XU L, LI J B. Robust zero-watermarking algorithm based on DWT-PCA and perceptual hashing[J]. Video Engineering, 2016,40(1): 25-30．

[9] LI D, LIU Z, CUI L H. A zero-watermark scheme for identification photos based on QR code and visual cryptography[J]. International Journal of Security and its Applications, 2016, 10(1):203-214.

[10] SEENIVASAGAM V, VELUMANI R. A QR code based zero-watermarking scheme for authentication of medical images in teleradiology cloud[J]. Computational & Mathematical Methods in Medicine, 2013(4): 1-16.

[11] VELLAISAMY S, RAMESH V. Inversion attack resilient zero-watermarking scheme for medical image authentication[J].IET Image Processing, 2014, 8(12): 718-727.

[12] HAN B R, CAI L S, LI W F. Zero-watermarking algorithm for medical volume data based on legendre chaotic neural network and perceptual hashing[J]. International Journal of Grid Distribution Computing, 2015, 8(1): 201-212.

[13] DONG J T, LI J B. A robust zero-watermarking algorithm for encrypted medical images in the DWT-DFT encrypted domain[J]. Innovation in Medicine and Healthcare, 2016, 60(4):197-208.

[14] 肖振久, 李南, 王永濱, 等. 基于超混沌的醫(yī)學(xué)圖像篡改定位零水印算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2015, 53(7):115-120.XIAO Z J, LI N, WANG Y B, et al. Zero watermarking scheme for medical image temper location based on hyper-chaos encryption[J]. Computer Engineering and Applications, 2015,53(7): 115-120.

[15] 薛棟, 周亞訓(xùn), 金煒. 版權(quán)保護(hù)和內(nèi)容認(rèn)證的全盲雙功能數(shù)字水印算法[J]. 電信科學(xué), 2017, 33(2): 79-89.XUE D, ZHOU Y X, JIN W. Bifunctional watermarking for copyright protection and content authentication with perfectly blind detection[J]. Telecommunications Science, 2017, 33(2):79-89.

[16] GHAZY R A, ABBAS A M, AI-ZUBI N, et al. Block-based SVD image watermarking in spatial and transform domains[J].International Journal of Electronics, 2015, 102(7): 1091-1113.

[17] BENGIO Y, LAMBLIN P, POPOVICI D, et al. Greedy layer-wise training of deep networks[C]//Advances in Neural Information Processing Systems 19(NIPS2006), Dec 4-7, 2006,Vancouver, Canada. Cambridge: MIT Press, 2007: 153-160.

[18] BENGIO Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning, 2009, 2(1): 1-127.

[19] YANN L C, YOSHUA B, GEOFFREY H. Deep learning[J].Nature, 2015, 521(7553): 436-444.

[20] NG A. Sparse autoencoder[EB/OL]. [2017-06-18]. https://www.mendeley.com/research-papers/sparse-autoencoder/.

Multipurpose zero watermarking algorithm for medical image based on SVD and SAE

SUN Jieli1, ZHAO Yanxia1,2, ZHOU Zenghui3, XING Sheng4
1. College of Information and Technology, Hebei University of Economics and Business, Shijiazhuang 050061, China
2. College of Management, Hebei University, Baoding 071002, China
3. Educational Administration Office, Hebei University of Economics and Business, Shijiazhuang 050061, China 4. College of Computer Science and Engineering, Cangzhou Normal University, Cangzhou 061001, China

A multipurpose zero watermarking algorithm was proposed according to the copyright protection and tamper location of medical image. The two information matrices were executed the XOR operation with the original robust watermarking image and the original semi-fragile watermarking image separately to generate zero robust watermarking image and zero semi-fragile watermarking image. The experimental results show that effects of extracted zero watermarking image are terrific, and the algorithm can resist the common attacks, particularly its resistance is effect ive for strong attacks.

medical image, multipurpose zero watermarking, discrete wavelet transform, singular value decomposition, stacked auto-encoder

s: The National Natural Science Foundation of China (No.71371063, No.61672205), The Key Basic Research Project of Applied Basic Research Program of Hebei Province (No.16960314D), The Science and Technology Cooperation Project of Hebei Provincial Department of Human Resources and Social Security (No.JRSHZ-2016-07038)

TN911.7

A

10.11959/j.issn.1000?0801.2017254

2017?06?27；

2017?08?05

國(guó)家自然科學(xué)基金資助項(xiàng)目（No.71371063，No.61672205）；河北省應(yīng)用基礎(chǔ)研究計(jì)劃重點(diǎn)基礎(chǔ)研究項(xiàng)目（No.16960314D）；河北省人力資源社會(huì)保障科研合作課題（No.JRSHZ-2016-07038）

孫潔麗（1969?），女，博士，河北經(jīng)貿(mào)大學(xué)教授，主要研究方向?yàn)樾畔⑻幚?、?shù)據(jù)挖掘。

趙彥霞（1970?），女，河北大學(xué)管理學(xué)院博士生，河北經(jīng)貿(mào)大學(xué)講師，主要研究方向?yàn)閿?shù)字水印、不確定知識(shí)管理與機(jī)器學(xué)習(xí)、信息處理。

周增慧（1975?），男，河北經(jīng)貿(mào)大學(xué)工程師，主要研究方向?yàn)樾畔⒐芾?、?shù)據(jù)挖掘。

邢勝（1982?），男，博士，滄州師范學(xué)院講師，主要研究方向?yàn)椴淮_定知識(shí)管理與機(jī)器學(xué)習(xí)。