Гибридная нейронная сеть для технологии нанесения водяных знаков на медицинские изображения

Введение

Методы применения водяных знаков на цифровых фотографиях важны для подтверждения личности владельцев и защиты авторских прав на изображения. Особенно это касается медицинских изображений (AMI), где необходима осторожность при внедрении водяных знаков, чтобы не повлиять на качество изображения. Изменения в уровнях серого AMI могут исказить его трактовку. В этой статье рассматривается разработанная гибридная и адаптивно настроенная нейронная сеть (TNN) для водяных знаков в AMI, отвечающая большинству требований. Для достижения надежности, безопасности и незаметности используется зрительная система человека (HVS) и TNN для настройки AMI и определения максимального количества водяных знаков, прежде чем они станут заметными. Для повышения прозрачности AMI применяется выравнивание гистограммы. Встраивание водяных знаков выполняется в среднечастотные коэффициенты дискретного косинусного преобразования AMI, чтобы избежать визуальных искажений и атак на высоких частотах, улучшая надежность изображения и увеличивая пропускную способность.

В эпоху цифровых технологий важно защищать цифровые изображения от манипуляций и нелегального копирования. Большое количество AMI сейчас хранится в цифровом формате для удобства. Такие данные требуют защиты с помощью методов сокрытия информации, включая криптографию, стеганографию и водяные знаки. Стеганография заключается в скрытии сообщений внутри изображения, которые невозможно обнаружить, в то время как водяные знаки включают встраивание сообщений в изображение. Современные методы водяных знаков используют искусственный интеллект и нейронные сети. Новые техники водяных знаков на основе нейронных сетей (NN) предложены в исследованиях, однако их использование во временной области может быть уязвимым к атакам. Альтернативные алгоритмы, такие как предложенный Чангом алгоритм на основе полной нейронной сети обратного распространения (FCNN), представляют собой более надежные методы встраивания водяных знаков в AMI.

Углубленная методология гибридной нейронной сети для водяных знаков в AMI

В рамках нашей методологии, мы представляем концепцию гибридной закодированной и адаптированно настроенной нейронной сети, специально разработанной для технологии нанесения водяных знаков на медицинские изображения (AMI). Эта система разработана для обеспечения высокой адаптивности при встраивании водяных знаков, учитывая как максимальную невидимость для человеческой зрительной системы (HVS), так и достаточную прочность самого водяного знака.

Основной фокус методологии заключается в усилении водяного знака до пределов, которые остаются невидимыми для HVS, что достигается путем его внедрения в среднечастотные компоненты изображения, используя дискретное косинусное преобразование (DCT). Подход DCT выбран из-за его эффективности в разделении изображения на частотные компоненты, что позволяет точно определить наиболее подходящие области для внедрения водяного знака, минимизируя риск искажения важных диагностических деталей AMI.

Методика нанесения водяных знаков

На Рисунке 1 изображен наш предложенный гибридный метод нанесения водяных знаков. Этот метод включает в себя два основных этапа: кодирование водяных знаков и настройку AMI. Оба этих процесса интегрируются для создания защищенного изображения с водяными знаками.

Первый этап включает кодирование водяного знака для обеспечения его безопасности и устойчивости при внедрении в AMI. Затем производится оптимизация AMI посредством выравнивания гистограммы, что улучшает прозрачность водяного знака.

Далее используются HVS и TNN для настройки параметров водяного знака, включая определение максимального количества сообщений, которое можно безопасно внедрить, не нарушая визуальное восприятие изображения. В этом процессе ключевую роль играют такие факторы, как чувствительность к яркости, частотная и текстурная чувствительности изображения, что позволяет точно контролировать интенсивность водяного знака.

На последнем этапе водяной знак внедряется в среднечастотные коэффициенты DCT изображения. Этот подход минимизирует возможность визуального восприятия водяного знака в низкочастотной области и уменьшает риск шума и вмешательства на высоких частотах. Таким образом, достигается оптимальный баланс между невидимостью водяного знака и его устойчивостью к внешним воздействиям и атакам.

В целом, этот метод представляет собой комплексный и эффективный подход к защите AMI с помощью водяных знаков, совмещающий передовые технологии обработки изображений и адаптивные нейронные сети.

Рис. 1: Концепция предлагаемого гибридного метода нанесения водяных знаков.

Рис. 1: Концепция предлагаемого гибридного метода нанесения водяных знаков.

Процедурный метод кодирования водяного знака

Для обеспечения безопасности и устойчивости водяного знака, его сообщение подвергается следующему процессу кодирования:

  1. Начинаем с преобразования водяного знака в двоичную кодовую матрицу, используя метод кодирования Уолша [1]. Представление двоичной кодовой матрицы водяного знака выглядит как: [0 1 0 1].

  2. Затем двоичный код водяного знака умножается на матрицу ключа длиной 4, формируя ключевую двоичную кодовую матрицу:

    A =  \begin{bmatrix}    +1 & +1 & +1 & +1 \\    +1 & +1 & -1 & -1 \\    +1 & -1 & -1 & +1 \\    +1 & -1 & +1 & -1 \end{bmatrix}
  3. В результате получаем закодированную весовую матрицу следующего вида:
    Закодированная весовая матрица = [2 0 0 -2].

  4. Следующий шаг включает повышение значений до положительных, добавляя 2, что дает нам повышенную закодированную весовую матрицу = [4 2 2 0].

  5. Эту матрицу затем преобразуем в двоичный код: [100 010 010 000].

  6. В конечном итоге формируется следующая матрица:

    \begin{bmatrix}    3 & 2 & 4 & 5 \\    7 & 7 & 8 & 2 \\    3 & 1 & 2 & 3 \\    5 & 4 & 6 & 7 \end{bmatrix}

Этот процесс кодирования гарантирует, что водяной знак защищен и устойчив к различным видам манипуляций, обеспечивая надежное внедрение в AMI.

Оптимизация медицинских изображений. Процесс улучшения изображения включает усиление контрастности AMI, как это часто делается в ультразвуковых исследованиях и рентгенографии. Для этого применяется метод выравнивания гистограммы, который является эффективным способом улучшения распределения пикселей в темных и низкоконтрастных изображениях. Растяжение гистограммы усиливает контраст AMI, особенно когда данные AMI имеют близкие значения контрастности [2]. Выравнивание гистограммы (HE) MAI используется для повышения контрастности, что способствует улучшению прозрачности водяных знаков [3]. Размер изображения определяется следующим образом:

  1. Подсчет количества пикселей в изображении.

  2. Расчет вероятности каждого пикселя как отношение количества пикселей определенной интенсивности к общему количеству пикселей.

  3. Определение совокупной вероятности пикселя.

  4. Округление значений вниз для уточнения их значений.

Модель зрительной системы человека (HVS). Интеграция HVS с нейронными сетями в процессе настройки нанесения водяных знаков позволяет удовлетворить ключевые требования к этому процессу. HVS позволяет изменять значения пикселей без заметного снижения качества изображения. Используя HVS, можно создать адаптивное сообщение с водяным знаком, которое будет эффективно встроено в улучшенный AMI, обеспечивая невидимость и надежность водяных знаков [4], [5], [6], [7]. Три основных свойства HVS, используемые в качестве входных данных для TNN, включают чувствительность к яркости (L_k), частоте (F_k) и текстуре (T_k).

Адаптивная нейронная сеть. Нейронные сети, ключевой компонент искусственного интеллекта, обладают способностями самообучения и самоорганизации, что делает их совместимыми с HVS [8]. В предложенном методе используется TNN с прямой связью (FFTNN). Векторы признаков HVS (L_k, F_k, T_k), представляющие значения чувствительности к яркости, частоте и текстуре, используются как входные данные TNN. Эти сигналы передаются на скрытый слой, а затем на выходной слой. В процессе обучения веса соединений обновляются, исходя из полученной обратной связи, чтобы минимизировать ошибку. Этот процесс повторяется до достижения минимальной ошибки, как показано на рисунке 2. Предложенный TNN важен для создания максимально прочных водяных знаков.

Рис. 2: Структура работы нейронной сети

Рис. 2: Структура работы нейронной сети

Методика встраивания и извлечения водяного знака

Предложенная техника встраивания и извлечения водяных знаков акцентирует внимание на использовании среднечастотных компонентов дискретного косинусного преобразования (DCT). Этот метод ориентирован на усиление защиты медицинских изображений от различных видов атак, включая шумовые воздействия, сжатие и геометрические изменения, такие как применение медианного фильтра, обрезка и другие виды вмешательств. Особенностью данного подхода является его эффективность в извлечении водяных знаков даже после подвержения изображений разнообразным атакам.

Данный метод основывается на выборе среднечастотных компонентов DCT как оптимального места для встраивания водяных знаков. Это позволяет достигнуть баланса между устойчивостью к атакам и сохранением качества изображения. Среднечастотные компоненты обладают меньшей восприимчивостью к визуальным искажениям по сравнению с низкочастотными, и в то же время, более устойчивы к потерям при сжатии, чем высокочастотные компоненты.

Этот подход обеспечивает устойчивость водяных знаков к ряду атак, улучшая их надежность и эффективность в области защиты медицинских изображений. Таким образом, методика встраивания и извлечения водяного знака представляет собой комплексный и надежный способ защиты важной медицинской информации [9].

Рис. 3: До и после наложения водяного знака

Рис. 3: До и после наложения водяного знака

Оценка качества метода водяных знаков

Для оценки эффективности метода нанесения водяных знаков используются специфические метрики качества. Одной из ключевых является пиковое отношение сигнал/шум (PSNR), которое позволяет измерить разницу между исходным изображением и изображением после встраивания водяного знака:

PSNR = 10*log_{10}\frac{255^2}{MSE}.

Для расчета PSNR сначала вычисляется среднеквадратичная ошибка (MSE), которая определяет среднюю разницу между пикселями исходного изображения и изображения с водяным знаком:

MSE =\frac{1}{mn}\sum\limits_{i=0}^{m-1}\sum\limits_{j=0}^{n-1}(I(i,j)-K(i,j))^2.

Здесь m и n обозначают размеры изображения, I — исходное изображение, а K — изображение с водяным знаком.

Кроме того, применяется нормализованный коэффициент корреляции (NC) для измерения схожести между первоначальным и извлеченным водяными знаками:

NC =\frac{\sum\limits_{i=0}^{m}\sum\limits_{j=0}^{n} W_{i,j}\bigoplus W_{i,j}^*}{m*n}.

Это позволяет оценить точность извлечения водяного знака, где W (i, j) — это исходное сообщение, а W* (i, j) — извлеченное сообщение.

Предложенный метод водяных знаков был испытан на множестве медицинских изображений размером (512×512) пикселей. Эти метрики оценки качества позволяют точно оценить эффективность и надежность метода встраивания водяных знаков в медицинские изображения, обеспечивая баланс между защитой и сохранением качества оригинального изображения.

Результаты исследования

Устойчивость к сжатию. В ходе исследований было выяснено, что приложение сжатия к изображениям для передачи или хранения может снижать их качество. Однако применение нашего метода нанесения водяных знаков показало высокую степень устойчивости, даже когда коэффициент качества (QF) снижается с 90% до 10%. Особенно заметно, что при QF выше 90%, сообщение с водяным знаком успешно извлекается, а при QF 30% извлеченное сообщение остается идентифицируемым. Это подтверждает способность метода извлекать водяной знак даже при значительном сжатии изображения.

Устойчивость к различным атакам. Для оценки надежности метода, он был подвергнут различным атакам, таким как гауссово размытие, обрезка и другие. Результаты показывают высокие значения коэффициента корреляции (NC), превышающие 0.6 и приближающиеся к 1, что свидетельствует о почти идентичности между исходным и извлеченным водяным знаком. Таким образом, эффективность и надежность предложенного метода подтверждается, особенно в ситуациях сжатия изображения.

Значение коэффициента корреляции (NC):

Атака

Изобр. 1

Изобр. 2

Изобр. 3

Изобр. 4

Гауссово размытие

0.93

0.91

0.94

0.95

Поворот

0.72

0.70

0.71

0.73

Размытие

0.67

0.65

0.68

0.67

Медианный фильтр

0.82

0.87

0.83

0.86

Обрезка

0.91

0.95

0.93

0.91

Заключение

В этой работе представлен уникальный метод нанесения водяных знаков на медицинские изображения, обеспечивающий высокий уровень безопасности, емкости, прозрачности и надежности. Гибридный подход сочетает в себе техники улучшения, декомпозиции и преобразования изображений. С использованием HVS и TNN было возможно определить оптимальное количество адаптивных водяных знаков для встраивания в среднечастотные компоненты DCT изображений. Моделирование показало высокие значения PSNR (около 40), указывающие на то, что качество изображений с водяными знаками практически не отличается от оригинальных. Кроме того, NC значения близки к 1, что свидетельствует о точности извлечения водяных знаков. Наш метод демонстрирует возможность извлечения водяных знаков даже при значительном сжатии изображения до QF 10%.

Список литературы

[1] M. Tayel и др., «A Hybrid Encoded and Adapted-tuned Neural Networkfor Asset Medical Image Watermarking Technique», 2022.
[2] V. Mutneja и D.K. Behera, «Contrast enhancement analysis of videosequence in the temporal-based (TB) method», Int J Eng Educ, т. 6, с. 25–29, 2014.
[3] M.P. Hajare, A.P. Rahane и V.V. Sangekar, «Image Analysis, BrightnessImprovement and Enhancement of Image using Histogram EqualizationTechnique», International Journal on Recent and Innovation Trends inComputing and Communication, т. 3, No 4, с. 2060–2064,
[4] V. Sundhararaj, R. Prabua, B. Meenakshipriyaa и R. Madhankumar, «Enhancementof Hybrid Image Watermarking Algorithm using Human visual SystemModel based on Discrete Wavelet Transform», South Asian Journal ofEngineering and Technology, т. 2, No 18, 2015.
[5] M. Deljavan Amiri, M. Meghdadi и A. Amiri, «HVS-based scalable imagewatermarking», Multimedia Tools and Applications, т. 78, No 6, с. 7097–7124, 2019.
[6] B. Jagadeesh и D.P. Kumar, «Robust Digital Image Watermarking Schemebased on DCT and BPNN», India: GVP College of Engineering, 2014.
[7] T. Sridevi и S.S. Fathima, «Watermarking algorithm based using geneticalgorithm and HVS», International Journal of Computer Applications, т. 74, No 13, 2013.
[8] A.M. Zeki, A. Abubakar и H. Chiroma, «Investigating Digital WatermarkDynamics on Carrier File by Feed-Forward Neural Network,» в 2013 InternationalConference on Advanced Computer Science Applications and Technologies, IEEE, 2013, с. 162–165.
[9] H. Li и X. Guo, «Embedding and extracting digital watermark based onDCT algorithm», Journal of Computer and Communications, т. 6, No 11, с. 287–298, 2018.

© Habrahabr.ru