本发明涉及图像处理，特别是涉及一种基于wide-resnet101-2-dct的医学图像水印方法。
背景技术：
1、在医疗行业数字化转型的过程中，科技发展起到了重要的推动作用，尤其是医学图像的网络传输，极大地提高了人们就医的效率，使得远程医疗成为可能。然而随着数据的数字化和网络传输的增加，也带来了数据安全方面的挑战，比如患者隐私侵犯和数据篡改的风险。
2、为解决这些安全问题，数字水印技术变得尤为重要。数字水印技术通过将隐藏的信息嵌入到医学图像中，可以保障数据的完整性。然而，传统的医学图像水印方法在面对几何攻击时的鲁棒性存在一定的不足，这可能导致医学图像信息的安全性下降。因此，如何对原始的医学图像进行处理，以提高水印方法的鲁棒性和医学图像信息的安全性，是本领域技术人员亟待解决的技术问题。
技术实现思路
1、本发明的目的是提供一种基于wide-resnet101-2-dct的医学图像水印方法，可以有效防止患者隐私的泄露，保护医学图像数据免受篡改和伪造的风险，还可以提高水印方法的鲁棒性。
2、为了解决上述技术问题，本发明提供一种基于wide-resnet101-2-dct的医学图像水印方法，所述方法包括：
3、对医学图像进行转换处理，得到所述医学图像的张量；
4、将所述医学图像的张量输入至wide resnet101-2模型，输出所述医学图像的特征分类信息；
5、对所述医学图像的特征分类信息进行离散余弦变换，获得所述医学图像的频域特征向量；
6、将所述医学图像的频域特征向量与arnold 置乱加密水印逐位进行异或运算，以将水印信息嵌入到所述医学图像中。
7、第一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，在将所述医学图像的张量输入至wide resnet101-2模型之前，还包括：
8、构建wide resnet101-2网络；所述wide resnet101-2网络的宽度因子为2；
9、创建医学样本图像数据集；所述医学样本图像数据集中包含各医学样本图像的张量；
10、利用所述医学样本图像数据集对所述wide resnet101-2网络进行训练，以学习到图像特征表示，得到训练好的wide resnet101-2模型。
11、另一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，构建wide resnet101-2网络，包括：
12、使用多个残差块构建wide resnet101-2网络；
13、其中，每个残差块包含多个卷积层，批量归一化层和激活函数；所述wideresnet101-2网络用函数f(x)=g(f(x;θ);µ)表示，其中x为输入图像的张量，θ表示包括所有卷积层的权重、偏置及批量归一化层和激活函数的参数；f表示残差块，µ表示所述wideresnet101-2网络的输出层的参数，g表示所述wide resnet101-2网络的输出层。
14、另一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，在利用所述医学样本图像数据集对所述wide resnet101-2网络进行训练的过程中，包括：
15、利用所述wide resnet101-2网络的残差块提取出各医学样本图像的张量中的特征信息，并传输至所述wide resnet101-2网络的输出层进行分类；
16、采用反向传播算法调整所述wide resnet101-2网络中所有卷积层的权重、偏置及批量归一化层和激活函数的参数以及输出层的参数，并最小化损失函数。
17、另一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，将所述医学图像的张量输入至wide resnet101-2模型，输出所述医学图像的特征分类信息，包括：
18、将所述医学图像的张量输入至wide resnet101-2模型中，通过前向传播，由所述wide resnet101-2模型的各残差块输出所述医学图像的张量中的特征信息；
19、将输出的所有特征信息进行组合并传输至所述wide resnet101-2模型的输出层中进行分类，输出所述医学图像以特征矩阵表示的特征分类信息。
20、另一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，对所述医学图像的特征分类信息进行离散余弦变换，获得所述医学图像的频域特征向量，包括：
21、对所述医学图像的特征分类信息进行离散余弦变换，得到所述医学图像的频域矩阵系数；
22、采用阈值化方式从所述医学图像的频域矩阵系数选择出所述医学图像的频域特征向量。
23、另一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，在将所述医学图像的频域特征向量与arnold 置乱加密水印逐位进行异或运算之前，还包括：
24、创建与原始水印图像尺寸相同的零数组；
25、迭代设定置乱次数执行置乱过程，以将所述原始水印图像在每个像素位置的像素值赋值到所述零数组的新置乱位置；
26、将最终置乱后的数组重新转换为水印图像，得到所述arnold 置乱加密水印。
27、另一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，在将水印信息嵌入到所述医学图像中的同时，还包括：
28、生成逻辑密钥；
29、对待测医学图像进行特征提取，得到所述待测医学图像的特征向量；
30、将所述待测医学图像的特征向量和所述逻辑密钥进行异或运算，提取出新加密水印。
31、另一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，对待测医学图像进行特征提取，得到所述待测医学图像的特征向量，包括：
32、对待测医学图像进行转换处理，得到所述待测医学图像的张量；
33、将所述待测医学图像的张量输入至所述wide resnet101-2模型，输出所述待测医学图像的特征分类信息；
34、对所述待测医学图像的特征分类信息进行离散余弦变换，获得所述待测医学图像的频域特征向量。
35、另一方面，在本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法中，在提取出新加密水印之后，还包括：
36、根据设定置乱次数，对提取出的所述新加密水印进行arnold置乱算法的逆变换处理，得到还原水印。
37、从上述技术方案可以看出，本发明所提供的一种基于wide-resnet101-2-dct的医学图像水印方法，该方法包括：对医学图像进行转换处理，得到医学图像的张量；将医学图像的张量输入至wide resnet101-2模型，输出医学图像的特征分类信息；对医学图像的特征分类信息进行离散余弦变换，获得医学图像的频域特征向量；将医学图像的频域特征向量与arnold 置乱加密水印逐位进行异或运算，以将水印信息嵌入到医学图像中。
38、本发明的有益效果在于，本发明提供的上述基于wide-resnet101-2-dct的医学图像水印方法，对于医学图像，频域信息可能包含关键的结构和纹理信息，wide resnet101-2可以通过增加网络宽度来更好地捕获这些信息，在处理医学图像数据时具有更好的特征提取能力和更高的表征学习效率，使用离散余弦变换对医学图像的特征分类信息进行处理，可以将图像特征转换到频域，具有良好的能量集中性，有利于提取图像的频域特征向量，再结合零水印技术，有效防止了患者隐私的泄露，还保护了医学图像数据免受篡改和伪造的风险。整个水印方法能够提高水印算法的鲁棒性和医学图像信息的安全性，这将为医疗信息安全领域的发展和应用带来更可靠的保障。
1.一种基于wide-resnet101-2-dct的医学图像水印方法，其特征在于，包括：
2.根据权利要求1所述的基于wide-resnet101-2-dct的医学图像水印方法，其特征在于，在将所述医学图像的张量输入至wide resnet101-2模型之前，还包括：
3.根据权利要求2所述的基于wide-resnet101-2-dct的医学图像水印方法，其特征在于，构建wide resnet101-2网络，包括：
4.根据权利要求3所述的基于wide-resnet101-2-dct的医学图像水印方法，其特征在于，在利用所述医学样本图像数据集对所述wide resnet101-2网络进行训练的过程中，包括：
5.根据权利要求1所述的基于wide-resnet101-2-dct的医学图像水印方法，其特征在于，将所述医学图像的张量输入至wide resnet101-2模型，输出所述医学图像的特征分类信息，包括：
6.根据权利要求1所述的基于wide-resnet101-2-dct的医学图像水印方法，对所述医学图像的特征分类信息进行离散余弦变换，获得所述医学图像的频域特征向量，包括：
7.根据权利要求1所述的基于wide-resnet101-2-dct的医学图像水印方法，在将所述医学图像的频域特征向量与arnold 置乱加密水印逐位进行异或运算之前，还包括：
8.根据权利要求1所述的基于wide-resnet101-2-dct的医学图像水印方法，其特征在于，在将水印信息嵌入到所述医学图像中的同时，还包括：
9.根据权利要求8所述的基于wide-resnet101-2-dct的医学图像水印方法，其特征在于，对待测医学图像进行特征提取，得到所述待测医学图像的特征向量，包括：
10.根据权利要求8所述的基于wide-resnet101-2-dct的医学图像水印方法，其特征在于，在提取出新加密水印之后，还包括：
