近年来，由于互联网的广泛普及，人们在享受网络带来的便利的时候，随之而来的就是各种各样的网络安全问题，由于传统密码学需要将源数据进行加密而再将加密后的数据发送出去，此过程中的数据串呈现出杂乱性、无序性等问题，反而更容易吸引攻击者，并且传统的加密模式无法应用到图像，视频等较新的传播方式上去。考虑到如今版权意识和水印技术的重要地位，人们开始广泛关注图像的信息隐藏方向并研究出了许多行之有效的算法。这些算法能够对图像信号进行拆解，从中获取到机密信息，但是因为这些算法没有办法能够完全恢复宿主信号即原图像信号，因而其应用场景具有一定的局限性。为了解决这一问题，人们提出了可逆信息隐藏的概念并且编写了一些关于灰度图像的可逆信息隐藏算法，这些算法不仅可以进行信息隐藏，还可以增强图像的对比度，其评判标准“峰值信噪比”（Peak Sighal-to-Noise Ratio,PSNR）也是表现良好，但是其数据压缩效率还有待提高；近年来人们试图将这一技术应用于医学图像，但是医学图像是一种比较特殊的图像，其任何细微的改变都有可能影响到医生的诊断。因此对于此类图像，图像的对比度和视觉质量往往要比PSNR更为重要，因为提高对比度可以让更多细节得以显现，从而提高医生诊断的准确性；医学图像和其他类别图像的一个重要差异就是其有可能会有较大区域的背景(一般是灰色或者黑色)区域(region of non-interest,NROI)，应用一般的RDH算法会将这些背景区域也算在内，从而导致了私密信息被嵌入在了背景上而非真正重要的区域(region of interest,ROI)例如患者的身体区域，最终就会导致错误的图像增强；并且彩色图像里各个维度之间还有着非常高的相关性，所以其在对比度增强和数据压缩效率方面还有着提升空间。

本项目拟在彩色医学图像的可逆信息隐藏方向做进一步的研究和优化，在前人研究的基础上提出一种能够在ROI区域中隐藏更多患者信息并且增强彩色医学图像对比度的算法，为患者隐私信息的保护以及彩色医学图像的强化等提供一个新思路。

本研究主要包含以下几个部分：

1）彩色医学图像的智能化预处理

  针对不同对比度的彩色医学图像，将RGB模型转变为HSV模型并制定预处理策略，若存在ROI则找出图像中的ROI区域并进行预处理，达到较好的预处理效果；对目标信息串进行压缩处理，并将其和预处理后得到的还原所需信息合并在一起，在信息嵌入的时候一起嵌入图像。

2）彩色医学图像的信息多重隐藏

   根据预处理的结果算法自动选择信息的嵌入模式，这里的嵌入模式总共有两种，第一种是“一次一嵌”模式，即每次嵌入一个数据；另一种是拟提出的“一次多嵌”模式，即一次嵌入两个或多个数据，根据两种信息嵌入方式的特征在图像的ROI区域智能地进行信息的嵌入，即通过修改像素值来嵌入数据，借此加强医学图像的对比度。最后选取整幅图像的最后若干像素作为信息保存像素，将它们的最低有效位(LSB)嵌入一些还原信息(例如ROI)，以达到图像还原的可能性。

3）彩色医学图像的还原

    选取最后若干像素，利用算法规则逆向提取出它们最低有效位中隐含的还原信息(例如ROI)，借此还原出最后一次嵌入后的图像，然后根据一定的算法规则还原整个嵌入过程并得到信息串，最后解密信息串即可还原出最初的医学图像并获得患者的秘密信息。

2015年Wu等人发表了使用像素直方图方法来增强对比度及信息嵌入的可逆图像信息隐藏文章[1]之后，2018年Wu等人提出了一种新颖的可逆图像对比度增强算法[2]，该算法限制了预处理中像素直方图的合并次数，从而降低了算法带来的人工失真，改善了PSNR，SSIM等指标；Kim等人提出了一种专门用于对比度增强并且将图像的亮度保持在一定范围内的算法[3]，有效提升了图像的视觉效果；2017年Yang等人提出了一种基于ROI的医学图像对比度增强的高容量可逆数据隐藏方案[4]，该种方法首先采用“自适应阈值检测器”(ATD)分割算法，将“感兴趣区域”(ROI)和“不感兴趣区域”(NROI)自动分离，然后通过拉伸灰度来增强ROI区域的对比度，并将数据嵌入到拉伸直方图的Bin中，而不扩展直方图箱。最后，无论其质量如何，其余的大量数据都会嵌入到NROI区域中；2018年Cai等人提出了一种基于纹理划分的医学图像可逆信息隐藏方法[5]，该方法首先通过对比度拉伸来实现对比度增强，然后再根据医学图像自身的特点，将医学图像分为高低两个不同的纹理等级，然后进行信息嵌入；2019年Wu等人提出了彩色图像增强的算法[6]，其针对彩色图像的不同通道分别进行预处理并进行隐藏，得到的图像具有很好的质量和信息熵；Chang[7]等人利用图像中相邻像素相关性高的特点，求出相邻像素之间的差值，并在差值直方图中隐藏秘密信息，得到了更高的隐藏容量；2019年Fan等人针对目前医学图像需要对图像中特殊区域进行划分以及在应用于医学图像时效果不稳定、嵌入容量小等问题,结合医学图像的特点,提出一种基于预测差值的医学图像可逆信息隐藏算法[8]，首先采用中值边缘预测算法计算预测差值,再根据预测差值的分类进行信息嵌入和像素平移;在形成载密图像的过程中,为防止像素值溢出,对原始图像进行多次预嵌入来标记所有可能发生溢出的像素点位置,且标记过的像素点不再修改；2021年Gao,Tong等人提出了一种自动对比度增强算法RDHACEM算法[9]，考虑了更大的嵌入容量和更好的图像视觉质量。该算法将医学图像划分为感兴趣区域(ROI)和非感兴趣区域(NROI)。它可以自动拉伸ROI的灰度直方图，同时扩大ROI的嵌入能力，增强图像的对比度。上述文献对于彩色医学图像的处理涉及较少，说明此方面依然存在较大的研究前景。

参考文献：

[1] H. Wu, J. Dugelay and Y. Shi, "Reversible Image Data Hiding with Contrast Enhancement," in IEEE Signal Processing Letters, Jan. 2015:81-85.

[2] H. Wu, S. Tang,J. Huang, Y. Shi,A novel reversible data hiding method with image contrast enhancement,Signal Processing: Image Communication,Volume 62,2018:64-73.

[3] S. Kim, R. Lussi, X. Qu, F. Huang and H. J. Kim, "Reversible Data Hiding With Automatic Brightness Preserving Contrast Enhancement," in IEEE Transactions on Circuits and Systems for Video Technology, Aug. 2019: 2271-2284,

[4] Y. Yang, W. Zhang, D. Liang, et al. A ROI-based high capacity reversible data hiding scheme with contrast enhancement for medical images. Multimed Tools Appl 77, 2018:18043–18065.

[5] 才雪,杨杨,肖星星.基于纹理度划分的医学图像可逆信息隐藏方法[J].计算机应用,2018,38(8):2293-2300.

[6] H. Wu, Y. Wu, Z. Guan, Y. Cheng. Lossless Contrast Enhancement of Color Images with Reversible Data Hiding. Entropy 2019, 21(9):9-10. 

[7] C. Chang, W.L. Tai, K.N. Chen. Lossless Data Hiding Based on Histogram Modification for Image Authentication.EUC.2008.20:506-511.  

[8] 范鑫惠,李辉.基于预测差值的医学图像可逆信息隐藏[J].北京化工大学学报:自然科学版,2019,46(2):83-89.

[9] G. Gao, S. Tong, Z. Xia, B. Wu, L. Xu, Z. Zhao,Reversible data hiding with automatic contrast enhancement for medical images,Signal Processing,Volume 178,2021:107817.

以往的可逆信息隐藏算法往往每次只能以牺牲对比度或者图像质量来增加隐藏容量或者相反，而本项目拟提出的医学图像增强和信息隐藏算法，可以根据医学图像的类型自动进行处理，如果输入的彩色图像包含背景区域，那么判断出ROI区域之后对图像进行仅改变色调的信息多重嵌入，使得图像在引入尽量少的人工失真的同时增强对比度，同时尽可能地增加隐藏容量，从而获得更好的图像增强效果和信息隐藏效果，对于医学工作者对病情的诊断以及患者秘密信息的隐藏都有很大的益处。

技术路线：

该项目的主要技术路线如图1所示：

图1 基于智能处理及多重隐藏的彩色医学图像增强研究技术路线

首先对输入的医学图像进行评估，评估的几个指标包括图像的大小，对比度，ROI和NROI等；由于医学图像和其他图像不同，其可能会有一片没有用的背景区域，称为NROI，这种情况在灰度医学图像中最为常见，而在彩色医学图像中并不常见，针对这些重要性较低的区域，我们拟设置一个分类器:

(1)

其中为常数，为像素值，用来判断某一个像素值是否在ROI中，若在则分类器返回0，若不在，分类器返回255，之后的大多数处理将不再包含此像素。

然后需要将彩色医学图像的三个维度转化成HSV模型所显示的维度，HSV模型如下：

(2)

其中代表色调，代表饱和度，代表明度，分别代表原来的红，绿，蓝分量，而则代表RGB模式下每个像素三个分量中的最大值，中值和最小值。我们只修改分量，而另外两个分量不做改变。定义两个参数：

(3)

(4)

其中为修改后的min值，为修改后的median值。使用上述两个参数，我们就可以通过修改后的max值得到修改后的median和min的值，这样就保证了和分量的不变性。

上述操作完成后我们拟在RGB模式下进行预处理。首先将每一个像素的RGB分量值相加，然后构成一幅直方图，然后对此直方图进行若干次预处理（预处理的过程会在下文阐述），得到预处理后的直方图，然后将其拆开，由于像素的RGB分量值加和已经改变，我们即可根据（3）（4）式得到修改后的median和min值，这样我们就在保持和分量不变的情况下修改了分量，从而保证了原图像不会出现色调和纯度问题。

然后进行图像的预处理，根据提出的“一次一嵌”的特点可知，其单次嵌入的数据量较少，对于图像对比度的增强效果不甚很好，但是对于图像的人工失真的引入较少，而本项目拟提出的“一次两嵌”方法预想效果是增加单次嵌入的数据量，并且对于对比度较差的图像具有很好的对比度增强效果，但是有可能会引入更大的人工失真。鉴于上述特点，我们的预处理需要很好的控制这两种嵌入模式的数量，即做到进入较少的人工失真同时增大隐藏的信息量，同时也为了避免在信息嵌入的时候像素值发生溢出。预处理的拟做法如下：

因为“一次一嵌”模式每次只需要移动一个Bin(直方图的“柱”)用于数据嵌入，那么每次预处理只需要为其腾出一个空余的值即可，即：

(5)

其中为预处理前的像素值，为预处理后的像素值，为像素值在(0，127)中最多像素值点，为(128，255)中最多像素值点；

对于“一次多嵌”模式每次需要移动多个Bin用于数据嵌入，需要移动的数量和每次嵌入的数据量有着如下关系：

(6)

那么“一次多嵌”的像素值预处理前后的对应关系为：

(7)

因为在本项目中我们拟使用“一次两嵌”的模式，接着我们要确定“一次一嵌”和“一次两嵌”的次数，根据(3)可得“一次两嵌”每次需要移动3个Bin，所以我们规定“一次两嵌”的次数为：

(8)

其中为直方图中数量最多的像素值，为一个常数。由此我们可以通过调整的值来自动调整图像的人工失真和对比度增强以及信息嵌入的效果，较小时图像人工失真较小，但是对比度增强效果和信息嵌入效果会略微下降；较大时正好相反。

  确定好各个模式的次数之后，将预处理的信息记录成簿记和信息串合并并且压缩，压缩的算法的压缩率要求尽量高并且是无损压缩；将压缩完的数据串准备好并用于嵌入。

接着进行信息嵌入操作，根据先前输入的循环轮次，每一次在图像的像素加和直方图中寻找两个最高的Bin，此举是找到像素值最多的位置，然后采用“一次一嵌”和“一次多嵌”的方式嵌入信息，“一次一嵌”的概念如下：

(9)

其中为嵌入前的像素值，为嵌入后的像素值，为靠左的最多像素值点，为第位需要嵌入的信息，其值为0或1。

“一次两嵌”的概念和(9)相似，不过和(9)不同而且需要考虑与(5)的兼容性，的取值如下：

(10)

其中为需要嵌入的信息串。通过增大的取值范围，即可用一个像素来表达多位信息，从而扩大了信息的隐藏容量。

当所有数据嵌入完成之后，在最后若干个像素的最低有效位(LSB)上嵌入最后一次循环前的两个最高Bin。这样就完成了信息嵌入操作。

最后是图像的还原和信息的解密，我们根据强化后的图像的最后若干像素的LSB得到最后一次循环前的两个最高Bin，然后由此进行若干次信息嵌入操作的逆操作，从而得到预处理之后的图像和未解密的信息串。解密信息串，得到隐藏信息和预处理的信息，由此还原出最初始的图像。

拟解决的问题：

1. 如何编写预处理算法，在Bin数量一定的情况下合理地分配“一次一嵌”和“一次多嵌”的数量以达到最佳效果；

2. 如何实现“一次多嵌”，即预处理中如何处理两个或多个像素以及其与“一次一嵌”方法的兼容性问题；图像信息嵌入的时候如何实现“一次多嵌”；

3. 图像数据的压缩算法的效率必须较高，这样才能获得较好的压缩和嵌入效果；

4. 还原算法的编写，即“一次多嵌”方法的配套还原算法，还有其对于压缩数据的一些细节要求。

预期取得的成果：

1.一次结题报告；

2.完成基于智能处理及多重隐藏的彩色医学图像增强研究；

3.申请一项软件著作权；

4.发表一篇高质量科技论文(核心及以上)。

2021.4-2021.6 深入了解信息隐藏、嵌入和彩色图像处理方面专业知识

2021.7-2021.9了解并编写预处理算法

2021.10-2021.12编写彩色图像信息多重隐藏算法并编写还原算法

2022.1-2022.3 编写程序评估算法性能并撰写论文

2022.3-2022.4 做论文修改及后续相关工作