基于四元数可逆网络的医学图像信息隐藏

关键词：可逆神经网络；信息隐藏；医学图像；四元数

中图分类号：TP3 文献标识码：A

文章编号：1009-3044（2024）18-0023-04

0 引言

多媒体技术的快速发展使医疗信息逐渐朝着数字化方向发展，医疗信息的存储、传输和共享也变得更为方便。然而，医疗数据在进行数据传输上长期面临着非法攻击、非法拷贝、隐私泄露等诸多安全问题。如何保护医疗信息的安全与患者的隐私成为医疗信息发展亟待解决的问题之一。在此背景下，神经网络模型在图像信息隐藏方面的应用越加广泛，其中通过可逆神经网络可同时学习图像隐藏和揭示过程的机制以及四元数嵌入方法，能够有效实现秘密信息在医学图像上的嵌入和恢复，且较之于传统的图像密码学，该方法更能满足医学领域的要求。

深度学习模型已被应用于隐写术，且取得了比传统方法更好的表现。Zhu等人[1]首先提出了一个基于自动编码器的网络来实现水印的嵌入和提取。在此基础上，Ahmadi等人[2]引入了残差连接和基于CNN的变换操作模块来实现在任何变换空间中嵌入水印。Luo等人[3]通过生成器取代固定的失真，进一步增强了网络对未知失真的鲁棒性。Zhang等人[4]使用生成式对抗网络（GAN）来优化隐写图像的感知质量。这些方法通常具有良好的隐藏安全性，秘密信息不太可能被隐写工具发现，但是它们只能隐藏少量数据。

Baluja[5]等人在2017年首次提出使用深度神经网络将整幅彩色图像隐藏在另一幅图像中。在此基础上，Rahim等人[6]增加了一个有规律的损失，以确保端到端的联合训练，然而他们都存在颜色失真问题。Zhang等人[7]通过减少秘密图像的有效载荷，缓解了这种影响。Weng等人进一步提出了一种基于时域残差建模的视频隐写深度网络。然而，上述方法都采用隐藏网络和揭示网络两个子网络来进行图像隐藏：隐藏网络将秘密信息隐藏成覆盖图像来生成一个隐写图像和揭示网络从该隐写图像中恢复秘密信息，参数之间通过简单连接实现。这种松弛连接可能会导致颜色失真和纹理复用效应出现，而且这些方法几乎不考虑安全问题，隐藏的秘密信息很容易被攻击者关注。

现有的隐藏算法抵御隐写分析的能力较弱，且隐藏容量较低，鲁棒性较差，在各个性能指标之间很难达到一个较好的平衡。针对现有算法存在的不足，本文提出了一种基于四元数可逆网络的医学图像信息隐藏算法。主要创新点如下。

1）提出四元数小波变换方法，采用四元数下采样多分辨率分析的方法，有效利用四元数表示图像的特性，以四元数中的实部和三个虚部分别代表图像的低频信息和不同方向上的高频信息，降低了计算量并突出组织对比度。

2）将隐藏和提取模块应用于可逆神经网络之中，网络隐藏模块使用Dense Block的并集运算以及图像的仿射变换，含密的隐写图像可以直接通过运算的逆转进行提取操作，提高了隐藏信息的安全性、鲁棒性和容量，简化了信息的提取过程，提高了操作的便捷性和效率。

由数据可知，在我们的方法中，覆盖图像和隐藏图像之间的差异几乎是不可见的，这表明我们能够成功地隐藏掩蔽图像中的秘密图像。此外，因为隐藏过程可逆，该方法可以低误码率地恢复秘密图像。

2.3 隐写分析

我们使用开源的隐写分析工具StegExpose来测量模型的反隐写分析能力。具体来说，我们从测试集中随机选择2 000个覆盖和秘密图像，并使用我们的Hi⁃Net生成隐藏图像。然后，利用我们的HiNet从隐写图像中恢复秘密图像，为了绘制接收者工作特征（ROC） 曲线，在StegExpose 中广泛改变检测阈值，图5显示HiNet的ROC曲线。可以看到ROC曲线下面积（areaunder ROC curve， AUC）的值为0.50，说明检测精度非常接近随机猜测。这表明模型生成的隐写图像具有很高的安全性，能够高概率地欺骗StegExpose工具。

2.4 消融实验

如表2所示，基于四元数的小波变换在提高算法的性能方面发挥着重要作用。通过小波变换可以成功地分离出低频子带和高频子带，在高频子带中更有效地隐藏信息。如表2所示，含小波变换后各项指标都远远优于不含小波变换的结果。

3 结论与展望

四元数小波变换是一种有效的图像特征提取方法，但可能并非对所有类型的图像都是最优的。未来研究可以探索其他更精细的图像特征提取方法，如多尺度变换、深度学习等，以更好地利用图像的信息。虽然Dense Block的神经网络结构已经较为复杂，但未来可以考虑探索更复杂的网络结构，如更深层次的网络等，以便更好地处理和理解图像的信息。

总的来说，本文提出的基于四元数小波变换和可逆神经网络的图像可逆信息隐藏算法，为图像信息隐藏领域提供了新的思路和方法。未来研究可以在此基础上进行深入探讨，以期在信息隐藏技术领域取得更多的突破。