用于医学图像篡改检测的可逆信息隐藏方法

摘  要：为改善医学图像视觉效果和提升图像检测篡改的能力，该文提出一种应用在医学图像上检测篡改的可逆信息隐藏方法。首先，分析医学图像局部纹理复杂度并对局部复杂度分类;然后，根据不同局部复杂度嵌入隐秘信息;最后，在医学图像的背景区中嵌入哈希验证码以检测医学图像是否被恶意篡改。实验结果表明，提出的方法能够增强图像对比度，检测图像是否遭受过篡改，并且较准确地标识出篡改图像的区域。

关键词：可逆信息隐藏;视觉效果;哈希码;篡改检测

中图分类号：TP309.7    文献标识码：A 文章编号：2096-4706（2020）03-0055-05

Abstract：In order to improve the visual effect of the medical image enhance the ability of medical image to detect tampering，a reversible data hiding method is proposed for tamper detection on medical images. Firstly，analyze the local complexity of medical image to classify the local complexity. Secondly，embed secret data based on different local complexity. Finally，embed hash authentication code in the background of the medical image to detect if the medical image has maliciously been tampered with. The experimental results show that the proposed method can enhance image contrast，detect whether the image has been tampered，and identify the tampered image area accurately.

Keywords：reversible data hiding;visual effect;hash code;tamper detection

0  引  言

可逆信息隐藏技术[1]能在载体中嵌入隐秘信息并能够确保提取信息后无损地恢复载体，该技术可用于军事、司法、医学等敏感图像的认证、标注或篡改检测。传统的可逆信息隐藏方法是提高嵌入容量同时降低载密图像的失真度。

相关方法中，GAO[2]等人提出一种利用直方图分布特性进行信息嵌入的可检测篡改的可逆信息隐藏方法。其使用直方图平移的方法嵌入信息;使用离散型提升小波变换（LWT）选取低频子带的位平面作为验证码嵌入实现图像篡改检测目的。但该方法篡改检测的结果不够明显，检测结果不够准确。

为改善上述问题，在保证其他条件相当的情况下，盡可能地减少嵌入信息后引起图像失真。本文使用图像分块并对每个像素所在区域进行纹理复杂度评估的方法嵌入隐秘信息;另外，在图像背景区嵌入哈希码以提高篡改检测率，使检测出来的篡改区域从肉眼上更接近原始篡改区域，检测结果更准确。最后进行实验验证以及结果分析。

1  改进算法

1.1  算法框架

本文提供一种应用在医学图像上改善篡改检测结果的可逆信息隐藏改进算法。算法分为信息嵌入和信息提取（篡改检测）两大部分，算法框架如图1所示。

嵌入阶段：首先，分割图像的前景（感兴趣区域ROI）和背景（Background）;然后，将隐秘信息嵌入ROI中;最后，将认证码嵌入到背景区中。

提取阶段：如果嵌入信息后的图像没有被篡改，恢复图像的ROI至原始状态;否则，一旦水印图像被篡改，就可以检测被篡改的区域内容。

1.2  嵌入过程

1.2.1  图像预处理（分割图像ROI和背景）

在嵌入隐秘信息前，需要对医学图像进行预处理。本文使用大津阈值分割法（OTSUs Method）[3]对医学图像进行分割。一幅图像经分割后得到唯一阈值T，该阈值T把图像分为ROI和背景区。具体说来，一幅8位二进制的灰度图像像素，大于等于T的为ROI，小于T的为背景区。用简单的式（1）表示如下：

1.2.2  信息嵌入

在大小为H×W的图像中，按从左到右、由上往下的顺序遍历整个图像。如果扫描到当前位置（i，j）像素Ii，j处于背景区，即Ii，j∈[0，T-1]，则跳过该像素不做处理;如果Ii，j处于ROI，即Ii，j∈[T，255]，并且仅当其周围像素也处于ROI，即N（Ii，j）∈[T，255]，嵌入信息。

（1）计算像素Ii，j的局部纹理复杂度。使用块内像素N（Ii，j）的最大与最小像素值之差D（Ii，j）去评估图像局部复杂度，用式（2）表示：

其中， 和  分别表示块内最大和最小像素值。为表示纹理复杂度，根据预先设定的阈值Tk（Tk为T0，T1，T2，T3，T4和T5，且0

1.2.3  认证码嵌入

为生成特征码（篡改认证码），需复制一幅ROI对比度增强的图像，然后对其进行操作：

（1）把背景区的像素值置零。把像素值小于T的像素置为0。

（2）图像分块并做提升小波变换。互不重叠的图像块大小为n×n（n=4，8，16，…）。

（3）提取特征码。对二级LWT的每个低频系数采用哈希算法，所得128比特码再用异或操作后取最前面1或2位为特征码（哈希码）。

（4）置乱操作。对特征码进行Arnold置乱操作，用式（7）如下：

其中，N=H'/n，mod表示取模，n为迭代次数，（hn+1，wn+1）和（hn，wn）是置乱后和原始矩阵的坐标。置乱K次。

（5）LSB替换。依次将置乱后的哈希码替换背景区像素的LSB位。

（6）背景区像素预处理。为避免嵌入后像素混叠，需对背景区值是（T-1）且其为偶数的像素做预处理。由预处理式（8）得：

其中， 和 分别是处理前和处理后的背景像素值。

1.3  提取和检测过程

信息提取是信息嵌入的逆操作。接收端收到携密医学图像后，从图像最后一行像素的LSB位中提取阈值T、阈值Tk、压缩位置图LM等附加信息;再以从右往左、由下往上的方式，按图像分块和嵌入规则提取水印信息并恢复图像。

为检测医学图像是否被篡改，复制一幅携密图像，按生成特征码的方法提取一份验证码 ，与在背景区中提取到的验证码Bac进行比对，用式（9）表示：

对验证码差矩阵Dac执行P-K（P是Arnold置乱周期）次Arnold逆操作生成新的矩阵  。如果  的值是0，表示图像未被篡改;否则，图像已被篡改，将图像篡改区域显示出来。

篡改检测示意图如图2所示，如果图像被篡改，提取原验证码AC，生成新的AC′;将两者作差得差值矩阵D并将其放大得篡改检测图像。

2  实验结果与分析

为验证本文算法的有效性，从网站NBIA[4]上抽取部分医学图像作为测试图像集。图像尺寸为512×512，篡改方式是随机复制粘贴篡改。

2.1  失真评价指标

嵌入失真评价指标有：峰值信噪比（PSNR）[5]、结构相似性（SSIM）和盲参考图像空间质量评估（BRISQUE）与隐秘信息嵌入率关系图。PSNR数值越高，代表图像质量越好;SSIM一般取值为0～1，越接近1失真越小。BRISQUE是一种常用的图像对比度质量评估方法。通常BRISQUE一般取值0～100，值越小对比度增强效果越好。如图3（a）所示，在低信息嵌入率下效果没有参考方法好，但是本文方法的优越性体现在中高嵌入率情况下PSNR比GAO的方法的高;在图3（b）中，本文方法SSIM与参考方法的相近，两者在嵌入信息之后保持较高的图像结构相似性。而图3（c）中，本文的BRISQUE值比参考方法的低，说明本文方法对比度增强效果较好。

2.2  篡改检测结果

篡改检测结果（检测率）为：检测位数比篡改总位数。检测准确率如表1所示，相应检测图如图4所示。

（a）PSNR与嵌入信息率关系图

（b）SSIM与嵌入信息率关系图

（c）BRISQUE与嵌入信息率关系图

本文主要采用文本粘贴和图像涂抹两种篡改方式。由表1实验结果知，本文方法在篡改准确率上比参考方法有所改进;图4中，第一行是原图和篡改图，第二行为GAO方法的检测结果图，第三和四行为本文检测结果图。可见本检测的结果更为接近原篡改图，体现了本文算法优越性。

3  结  论

本文提出了一种应用在医学图像上的可逆信息隐藏算法，通过背景分割获得前景轮廓ROI，在ROI中嵌入隐秘信息，未经篡改可以完全恢复原始图像;在背景区中嵌入哈希码实现篡改认证，可检测出被篡改图像的篡改区域。与文献[2]中的方法相比，本文算法实现了医学图像ROI的对比度增强效果，减少了图像失真，改善了视觉质量;实现了篡改检测的目的，使篡改检测结果更准确，检测率更高。

参考文献：

[1] NI Z C，SHI Y Q，ANSARI N，et al. Reversible data hiding [J].IEEE Transactions on Circuits and Systems for Video Technology，2006，16（3）：354-362.

[2] GAO G Y，WAN X D，YAO S M，et al. Reversible data hiding with contrast enhancement and tamper localization for medical images [J].Information Sciences，2017，385-386：250-265.

[3] OTSUN. A Threshold Selection Method from Gray-Level Histograms [J].IEEE Transactions on Systems，Man，and Cybernetics，2007，9（1）：62-66.

[4] National Biomedical Imaging Archive（NBIA） [EB/OL].[2019-11-30].http：//wiki.nci.nih.gov/display/NBIA/.

[5] HUYNH-THU Q，GHANBARI M. Scope of validity of PSNR in image/video quality assessment [J].Electronics Letters，2008，44（13）：800.

作者簡介：张鸿超（1994.05-），男，汉族，广东清远人，在读研究生，研究方向：图像处理、信息隐藏。