可逆數據隱藏算法在醫學圖像上的應用*

袁陶希，吳昊天，徐依凌，胡曉渭，劉　淵江南大學 數字媒體學院，江蘇 無錫 214122

?

可逆數據隱藏算法在醫學圖像上的應用*

袁陶希，吳昊天+，徐依凌，胡曉渭，劉淵
江南大學 數字媒體學院，江蘇 無錫 214122

YUAN Taoxi,WU Haotian,XU Yiling,et al.Reversible data hiding algorithm and its application to medical images.Journal of Frontiers of Computer Science and Technology,2016,10(6):856-866.

摘要：可逆數據隱藏技術是一種新興的信息隱藏技術，能夠在提取嵌入的信息后無失真地還原出原始信息，因此在醫學、遙感、軍事等領域被廣泛使用。提出了一種新的基于直方圖平移的可逆數據隱藏算法，解決了已有算法應用在醫學圖像上出現的嚴重視覺失真問題，同時實現了病人信息的可逆隱藏和圖像的對比度增強。新算法針對醫學圖像的像素分布特點，改進已有算法的預處理過程，自適應地選擇最優預處理區間，并利用最大類間方差法分離背景和前景區域，在信息嵌入的過程中，逐步地增強醫學圖像感興趣區域的對比度，之后能夠無損地還原出原始圖像。仿真實驗表明，新算法有效消除了視覺失真，對兩類不同的醫學圖像均有良好的對比度增強效果，信息嵌入率也相當可觀。

關鍵詞：可逆數據隱藏；直方圖平移；對比度增強；醫學圖像

ISSN 1673-9418CODEN JKYTA8

Journal of Frontiers of Computer Science and Technology

1673-9418/2016/10(06)-0856-11

E-mail:fcst@vip.163.com

http://www.ceaj.org

Tel:+86-10-89056056

1　引言

隨著信息技術在現代醫療中的發展和應用，醫療信息的交換變得越來越頻繁。例如，利用遠程診斷技術，醫學專家可以通過網絡在線診斷病情，而病人的醫學圖像也可以通過網絡來傳輸。為了在醫學圖像中建立與病人之間的關聯，通常需要一份包含病人醫療記錄的電子病歷[1]（electronic patient records，EPR），并將其嵌入到醫學圖像中。由于醫學圖像用于診斷的特殊性，對保真度要求極高，任何微小的改動都可能引起嚴重的醫療事故，因而其數據完整性不容破壞。為了能夠在嵌入數據后完全地恢復出原始圖像，需要采用可逆數據隱藏技術來嵌入數字病歷[2-3]。

可逆數據隱藏技術[4-8]是信息隱藏中重要的研究方向，其特點是能夠在提取隱藏的數據后無失真地還原出原始信息，因其具備這種特性而被廣泛運用在醫學、遙感、軍事等領域。在可逆數據隱藏技術中，峰值信噪比（peak signal-to-noise rate，PSNR）經常被用于衡量信息嵌入后的圖像質量。一般認為，峰值信噪比越高，對原圖像的改變越輕微。嵌入率則是另一項評估可逆數據隱藏技術的指標，嵌入率越高，則信息嵌入量越大，算法越優。而這兩項指標是互相矛盾的，因為嵌入率的提升往往會引起圖像的失真，繼而導致PSNR值的下降。需要指出的是，由于峰值信噪比沒有考慮像素點間的相關性和人類視覺系統的感知特性，評價結果并不能真實反映圖像的視覺感知質量[9]。

為了便于專家對感興趣區域的正確診斷，通常需要對圖像進行對比度增強[10-11]處理，即在嵌入數據的同時改善圖像的視覺效果。為此，文獻[12]提出了一種基于直方圖平移的可逆數據隱藏算法，其在嵌入信息的同時增強圖像的對比度，以改善圖像的視覺效果。雖然該算法對自然圖像的處理效果較好，但是由于醫學圖像的像素值分布往往比較集中，應用該算法后會產生較大的視覺失真。針對醫學圖像，本文對文獻[12]中的算法提出了兩項改進。首先，在預處理階段，自適應地選取最優預處理區間以盡可能減少造成的失真。其次，利用圖像分割中經典的最大類間方差法[13-15]將醫學圖像分割為背景區域與感興趣區域（region of interests，ROI）兩部分，并有選擇地增強ROI區域，從而減少被改動的像素值和由數據嵌入引入的噪聲影響。將所提算法應用到醫學圖像中，大量實驗結果顯示，在信息嵌入的過程中，ROI區域的對比度可得到逐步增強，圖像的視覺效果得到改善，并且在提取嵌入信息后能無失真地恢復出原始圖像。

本文組織結構如下：第2章回顧了文獻[12]中的算法；第3章詳細闡述了本文提出的針對醫學圖像的改進算法的實現過程；第4章給出實驗結果，并與已有算法進行對比討論；第5章總結全文。

2　可逆數據隱藏算法

文獻[12]提出了一種適用于自然圖像的可逆數據隱藏算法。其實現原理如下：給定一幅圖像，如Lena，首先生成它的像素直方圖，得到Lena圖像中的最大像素值為245，最小像素值為25。直方圖上的兩個峰值（即像素數目最多的兩個像素值）按照位置的左右次序依次被指定為IL和IR。在Lena圖像中，像素數目最多的兩個像素值分別為155和156，因此IL=155，IR=156。保持兩個峰值及它們之間的像素值不變，其余像素值向外平移一個單位。經過這樣處理后，在直方圖中像素值為154和157的位置處會產生空缺，利用這些空缺以達到數據嵌入的目的。這種方法可以歸納為對直方圖中統計的任意像素值I，做如式（1）的變換，在被選中的IL和IR像素值中分別嵌入數據，之后所隱藏的數據能夠被正確提取并還原出原始的像素值。

其中，I′為變換后的像素；bk為第k個嵌入的二進制數據位（取值0或1）。若用h(i)表示像素值為i的像素數目，則變換后總共嵌入h(IL)+h(IR)個二進制數據位。

可以看出在經過像素值變換后，原先像素值為IL的像素變成了IL-1或IL，原先像素值為IR的像素變成了IR或IR+1，將此稱為峰值像素的擴展。

在生成的新圖像的直方圖上，又可以找到兩個新的峰值，再次利用上面的公式進行信息嵌入，重復執行多次以達到滿意的數據嵌入率和對比度增強效果。但是這種變換對于邊界像素會在某些情況下出現問題，如對Lena圖像進行10次處理后，原始圖像中像素值最大的像素245加上10后為255，再對其進行第11次處理后將會溢出。在極端情況下，某些包含0或255像素值的圖像進行第一次變換時就會出現像素值溢出現象。因此需要對圖像進行預處理，修改邊界像素值。假設要做L(L>0)次變換，則預處理方法如下：

同時需要生成一幅與原始圖像相同大小的二值圖像，將處理過程中被修改的像素標記為1，其余標記為0，并將這幅二值圖像用JBIG2[16]算法壓縮后以信息形式嵌入到圖像中，用于恢復原始圖像。

預處理過程雖然有效地解決了邊界值溢出問題，但是同時也帶來了圖像的視覺變形。原先像素值為L-1的像素加上L后變成了2L-1，它比原來像素值為L的像素亮了L-1個像素值。類似的原先像素值為256-L的像素減去L后變成了256-2L，它比原來像素值為255-L的像素暗了L-1個像素值，本文把這種情況稱作像素值錯位。

其次，對于有大范圍背景的醫學圖像而言，背景像素往往會多次作為峰值進行信息嵌入。假設圖像的背景像素值為a，在進行第一次變換時找到IL=a，則在變換后背景像素值被拆分為a-1和a。在生成的新直方圖中，若找到兩個峰值IL=a-1，IR=a，則在第二次變換后背景像素值被拆分為a-2，a-1，a，a+1。重復執行多次，大范圍的背景像素值會不斷被拆分，產生相當大的視覺失真。

圖1典型地展示了一幅醫學圖像在經過上述可逆數據隱藏算法處理后，由預處理帶來的像素值錯位現象和背景像素擴展后產生的視覺失真。可以看到ROI區域中原本較暗的區域變得較亮了，背景區域的像素因為擴展而變得相當混亂。

Fig.1　Comparison between original image and image with information embedded(L=40)圖1　原始圖像與嵌入數據后的圖像的對比(L=40)

3　基于醫學圖像直方圖特性的改進算法

3.1新預處理方案

為了減少由于像素值錯位產生的視覺失真，需要對預處理過程進行改進。由于醫學圖像的像素值往往分布集中，直方圖中的大部分像素值的個數很少甚至為零，并且和自然圖像不同，這些個數很少的像素值并不是分布在直方圖的兩端。如圖2所示，左圖為Lena圖像的直方圖，右圖為圖1中醫學圖像的直方圖。通過醫學圖像的直方圖可以看到，圖像的最右端有相當一部分數量的像素，原始的預處理使這部分像素產生錯位，也就產生了原本較暗的區域變亮的現象。為了減少由于像素值錯位產生的視覺失真，一種改進方法就是尋找最優預處理區間，使錯位程度降到最低。

Fig.2　Comparison between histograms of Lena image and medical image in Fig.1圖2　Lena圖像與圖1中的醫學圖像的直方圖對比

文獻[17]提出了一種針對此問題的改進辦法，其尋找最優預處理區間的方法概括如下：假設要做L次變換，L∈[1,64]，分別統計像素區間[a,a+L-1]和[a+L,a+2L-1]內像素的數目，a∈[0,128-2L]，若區間[am,am+L-1]或[am+L,am+2L-1]其中一個包含最小的像素數目，那么[0,am+L-1]為最優左預處理區間。同樣的，分別統計像素區間[256-b-L,255-b] 和[256-b-2L,255-b-L]內像素的數目，b∈[0,128-2L]，若 區 間 [256-bm-L,255-bm]或 [256-bm-2L,255-bm-L]其中一個包含最小的像素數目，那么[256-bm-L,255]為最優右預處理區間。找到的像素數目最少，則發生錯位的可能性也越小，這是文獻[17]方法的原理，然而僅以此作為依據顯然不夠全面，它未具體考慮像素間錯位的實際情況。

視覺失真的一部分源自像素值錯位，而將這種像素值錯位的程度以數值形式量化將會有利于比較它們之間的大小。因此下面將建立一種評估某一區間錯位程度的數學模型，然后通過該模型選取最優預處理區間。假設要做L次變換，L∈[1,64]，設左預處理區間為[0,SL]，其中SL∈[L-1,127-L]，當預處理區間內的像素都加上L后，預處理后得到的像素區間變為[L,SL+L]，其子集[SL+1,SL+L]和原本處于該區間內的像素發生錯位，也就是原預處理區間[SL-L+1,SL]內的像素和[SL+1,SL+L]區間內的像素發生錯位。令x為任意像素值的像素，對于?x∈[SL-L+1,SL]，像素x和區間[SL+1,x+L]內像素發生錯位，在經過預處理后，它會大于等于該區間內的所有像素。顯然區間[SL+1,x+L]內包含的像素數目越多，那么錯位的程度也越嚴重，不同像素值的像素與像素x產生的錯位程度也不能等同視之。于是建立以下函數評估單個像素x引起的錯位程度：

其中，h(i)是像素值為i的像素數目；d(i)是錯位系數，與i有關，用于衡量像素i與像素x產生的錯位程度。原則上若i和預處理后的值x+L相差越大，說明錯位的程度越大。同時為了計算的簡便性，可以取d(i)=x+L-i+1，該函數是一個關于i的線性函數。

將單個像素x引起的錯位程度乘上其數目便得到像素值為x的全體像素引起的錯位程度，對于每個屬于區間[SL-L+1,SL]內的x，再將其值累加便可得到評估整個預處理區間內像素引起的錯位程度：

根據SL的取值不同，可以按上述公式計算出對應的錯位程度，選擇錯位程度最小的那個SL作為最優左預處理區間。

同樣的，對于右預處理區間[SR,255]，其中SR∈[128+L,256-L]，原預處理區間[SR,SR+L-1]內的像素和[SR-L,SR-1]內的像素發生錯位。對于?x∈[SR,SR+L-1]，像素x和區間[x-L,SR-1]內像素發生錯位，評估單個像素x引起的錯位程度的函數變為：

其中，取d(i)=i-x+L+1，評估整個預處理區間內像素引起的錯位程度的函數變為：

3.2背景分割

正如前面所提到的，醫學圖像往往有大范圍的背景，背景的像素值極易被當作峰值像素擴展，導致圖像的大幅度視覺失真，因此另一個改進的思路就是背景分割。基于背景分割的改進策略有兩種：一種是找出背景區域和ROI區域并標記ROI區域，將ROI區域看作一幅新的圖像，在每一次進行信息嵌入時，由于背景區域不直接進行處理，理論上可以消除因信息嵌入到背景引起的視覺失真。然而這種方法實現起來較困難，因為現有的任何圖像分割技術，包括那些專門針對醫學圖像的分割技術，都無法精確地分離出背景和ROI區域。另一種策略同樣是背景分割，但是只需找出背景像素值，然后在選取將要被擴展的峰值像素值時避開這些背景像素即可。本文選擇的正是后者。

因為大范圍背景的關系，醫學圖像的直方圖上至少會存在一個較高的峰，如圖2中的醫學圖像直方圖所示，還有一個較高峰即為前景，在這兩個峰之間有較深的谷底，此時運用閾值分割技術進行分割是非常有效的。最大類間方差法[13-15]（Otsu）是一種自動選取閾值的圖像閾值分割算法。該算法將圖像中的像素按照閾值k分成C0和C1兩類，其中C0是像素值為[0,1,…,k]的像素，C1是像素值為[k+1,k+2,…,S-1]的像素，S為圖像的像素灰度級數量。當閾值k確定時，C0和C1之間的類間方差定義為：

其中，P1(k)和P2(k)分別為C0和C1內像素的概率總和。令pi為一幅圖像中像素值為i的像素出現的概率，i∈[0,1,…,S-1]，則有：

m1(k)和m2(k)分別為C0和C1內像素的平均灰度，即：

mG為整幅圖像的灰度均值：

醫學圖像中的背景往往是像素值較小的部分，因此把小于等于k的像素值看作背景色。通過大量實驗可以發現，只要將背景色中的部分像素值排除即可（例如這些像素值的像素累計占整個圖像像素的比重大于30%），不必排除所有的背景色，因為排除越多的背景色，嵌入率勢必也會下降得越嚴重。然后，只從其余像素中尋找要擴展的峰值像素，這樣不僅可以增強ROI區域的對比度，視覺失真也會大幅度減輕。需要注意的是，在像素值變換處理后背景像素有很大概率會被平移，因而在每一次變換前都需要做背景分割，尋找新的背景像素值。

3.3算法流程

假設要做L次變換，新的算法流程如下。

步驟1預處理：計算得到錯位程度最小的左預處理區間[0,SL]和右預處理區間[SR,255]，將區間[0,SL]和[SR,255]內的像素分別加上和減去L，做此處理時排除圖像底部的前16個像素。將預處理過程中被修改的像素記錄下來，生成一幅與原圖像同樣大小的二值標記圖，然后用JBIG2[16]標準壓縮。

步驟2背景分割：利用最大類間方差法分割背景和前景，得到排除的背景像素。

步驟3重新計算圖像的直方圖，計算時排除底部的前16個像素。

步驟4找到直方圖中除了背景像素外的兩個峰值，分別標記為IL和IR，對新直方圖中的每個像素執行式（1）的變換操作。

步驟5重復執行步驟2～步驟4共L次。當最后一次處理時，將L、SL、SR、標記圖的長度和數字水印圖像的長度以及底部16個被排除像素的最低有效位（least significant bit，LSB）、前L-1次的峰值像素值嵌入到最后一次的兩個峰值像素值中。

步驟6用底部16個被排除像素的LSB記錄最后一次的兩個峰值像素值。

提取和恢復過程如下。

步驟1通過底部16個被排除像素的LSB獲取最后一對峰值像素值。

步驟2用如下公式提取嵌入的信息：

其中，b′k是第k個二進制信息位。下面的操作可以連續地恢復直方圖：

步驟3得到標記圖的長度信息后就可以將標記圖提取并解壓縮還原。

步驟4后處理：對于二值標記圖上標記的值為1的像素，其像素值屬于區間[L,SL+L]的都減去L，屬于區間[SR-L,255-L]的都加上L。

步驟5從提取的信息中獲得被排除像素的原始LSB，然后恢復原始圖像。

4　實驗結果與分析

本文實驗的環境為Visual Studio 2012，CPU為Core i5@2.5 GHz。實驗圖像是從NBIA網站[18]上抽取的8張尺寸為512×512像素的灰度CT圖像。圖像分為兩類各4張，一類是以圖1中的圖像為代表的前景與背景分明的圖像，另一類則是近乎全黑且前景比重較小的圖像。因為最大類間方差法可以自動分割圖像，所以此步驟不需要指定額外參數。在選取被排除的背景像素值時，背景像素值的像素數目占所有像素數目的百分比（T）需要被人為指定，根據不同的圖片可以取不同的值，為了防止排除過多的背景像素值，也可以另外加上約束條件，如排除不超過10個像素值。

首先使用本文提出的改進算法對圖1中的醫學圖像進行實驗。

圖3是嵌入的帶有病人信息的大小為128×128像素的二值數字水印圖像，因為可以嵌入的數據容量會大于此水印圖像本身，所以在實驗中該圖像會被重復嵌入直至達到可嵌入的容量極限。

從提取的信息中可以獲得所有的峰值像素值，重復運用式（13）和（14）可以還原出原始圖像，提取所有嵌入的信息。

Fig.3　Digital watermark image containing patient information圖3　帶有病人信息的數字水印圖像

圖4顯示的分別是原始醫學圖像，采用文獻[12]中算法處理過的圖像和采用本文改進算法處理過的圖像，實驗中L=40，T=30%。可以看到通過改進的預處理方案，基本消除了像素值錯位現象。經過背景分割之后，由于擴展像素值集中在ROI區域的像素值內，ROI區域的對比度得到了顯著的提升，同時背景也變得不再混亂。

Fig.4　Comparision between algorithms in paper[12]and this paper圖4　文獻[12]的算法和本文算法對比

同樣地對第二類圖像進行實驗，實驗中L=40，T=30%，圖5顯示了實驗結果。可以看到背景占據的比重較大，因此視覺失真主要發生在背景部分，而且失真的程度相當大。使用本文改進算法后，有效地消除了視覺失真，因此改進算法對第二類圖像同樣適用。

提取和恢復部分的算法和文獻[12]一樣，未做任何改變。圖6是圖4（d）和圖5（d）提取被隱藏數據后的圖像，經數據對比，與原始圖像完全一致。

Fig.5　Comparision between algorithms in paper[12] and this paper for another kind of medical image圖5　另一類醫學圖像使用文獻[12]的算法和本文算法對比

Fig.6　Images after extracting hidden data圖6　提取被隱藏數據后的圖像

表1是兩幅圖像的預處理區間及其錯位度的具體數據。圖7是使用本文的改進預處理方法和文獻[17]的改進預處理方法的視覺效果對比。采用文獻[17]的預處理方法后，圖像中器官的外圍部分出現了不同程度的“高亮”現象，而本文方法則沒有出現該情況。從表1中也可以看到，本文的預處理方案在錯位程度的數值上優于原方案與文獻[17]，和實際圖像呈現的視覺效果一致，說明評估模型雖然簡單，但確實有效。不過由于模型中包含大量累加和累乘運算，導致結果的數量級較大，下一步的改進方向是尋找更優的評估模型。

Table 1　Preprocessing comparison among algorithms in papers[12]，[17]and this paper表1　文獻[12]、[17]和本文的預處理方案對比

Fig.7　Preprocessing comparison between algorithms in paper[17]and this paper圖7　文獻[17]與本文的預處理方案對比

通過增大L可以增強對比度，在實驗中固定T=30%，L=20，30，40和50時的對比度增強效果如圖8所示。PSNR的計算公式如下所示：

其中，M和N分別是圖像的長寬；I0(i,j)和I1(i,j)分別是原始圖像和嵌入信息后圖像的第i行第 j列像素值；MSE被稱作均方誤差。

Fig.8　Result of contrast enhancement for different L圖8　L取不同值時圖像對比度增強效果

從結果中可以看到對比度增強效果隨著L值增加而增加，PSNR值不斷下降。根據PSNR的公式，可以知道原圖像和嵌入數據后圖像的均方誤差MSE越小，PSNR值越大。又由嵌入公式（1）可知，在一幅圖像中，只有兩個峰值點之間的像素值保持不變，其他像素值（這其中包括占據圖像比重較大的背景像素）都要加1或減1，隨著變換次數L的增大，和原始圖像的差距也不斷增大，PSNR值因此而下降。要獲得較高的PSNR值只能減少變換次數L。在實際應用中也不推薦L取過大的數值，L越大，產生視覺失真的概率也就越大。經過大量實驗，發現L取20～50之間較好，不僅能使對比度提升到一個滿意的水平，也不會產生肉眼可見的視覺失真。

文獻[12]的算法主要包含預處理，像素直方圖的生成和數據嵌入，計算開銷主要來自直方圖的生成和數據嵌入。生成直方圖需要遍歷一次圖像，每嵌入一次數據也要遍歷一次圖像，若一幅圖像的大小為M×N，變換次數為L，則算法的復雜度為O(LMN)。本文提出的改進預處理部分的復雜度為常數級，不隨圖像的大小而改變，而且只執行1次。最大類間方差法執行L次，每次都需要生成一次直方圖，而之后選擇最佳閾值的操作同樣為常數級，因而改進算法的復雜度保持O(LMN)不變。雖然計算復雜度在數量級上保持不變，但不論是改進的預處理方法還是最大類間方差法，都需要一定量的累加和累乘操作，而嵌入數據的過程只需要做整數加減法運算，因此由改進的預處理和最大類間方差法帶來的時間會比原算法多出不少。表2是文獻[12]和本文算法的實際運行時間對比，包含了嵌入率，嵌入率在計算時排除了標記圖、L、各個階段的SL、SR等輔助信息。

Table 2　Running time comparison between algorithms in paper[12]and this paper表2　文獻[12]和本文算法運行時間對比

由表2中嵌入率一列可以發現，文獻[12]的算法在嵌入率上要遠大于本文。因為在嵌入數據時，特意避開了背景像素值，避免了產生嚴重的視覺失真，代價則是嵌入率的降低。不過由于原算法本身出色的嵌入率，改進后的算法的嵌入率還是相當可觀的。而因為嵌入更多的數據，文獻[12]的運行時間在某些情況下要大于本文算法，為此增加運行時間與嵌入率之比這一參數，該參數的數值可以看作是嵌入單位比特數據所需要消耗的時間。從這個參數上可以看到本文算法的時間成本確實要高出不少，和之前的理論分析結果一致。

接下來的實驗是測試不同L值對數據嵌入率的影響大小。實驗中固定T=30%，L從1到60依次增長，結果如圖9所示。可以看到嵌入率總體上隨著L值的增加而增加，因為峰值像素擴展的次數越多，能嵌入的數據也越多，但是并不十分穩定，在某些較大的L值下反而出現了下降。原因是最優預處理區間隨L值的改變而改變，標記圖的大小發生了變化，進一步影響了有效數據的嵌入率。

Fig.9　Embedding rate for different L圖9　L取不同值時對嵌入率的影響

5　結束語

可逆數據隱藏技術是當今信息安全領域的一個研究熱點，對比度增強是醫學圖像中常常用來突出細節改善視覺效果的方法。這兩項技術的結合在醫學圖像處理領域將擁有廣闊的前景，本文正是以此為出發點，針對醫學圖像的特點，改進已有文獻中的算法，并將其應用到醫學圖像上，實現了將病人的信息以數字水印的形式嵌入到圖像中，同時增強圖像的對比度，而且可以無損地恢復圖像和提取出嵌入的數字水印信息。經過實驗顯示，本文提出的改進算法在很大程度上解決了已有算法在醫學圖像上出現的問題，有效增強了圖像的對比度。

References:

[1]Tan C K,Ng J C,Xu X,et al.Security protection of DICOM medical images using dual-layer reversible watermarking with tamper detection capability[J].Journal of Digital Imaging,2011,24(3):528-540.

[2]Nayak J,Bhat P S,Acharya R,et al.Efficient storage and transmission of digital fundus images with patient information using reversible watermarking technique and error control codes[J].Journal of Medical Systems,2009,33(3):163-171.

[3]Coatrieux G,Maitre H,Sankur B,et al.Relevance of watermarking in medical imaging[C]//Proceedings of the 2000 IEEE EMBS International Conference on Information Technology Applications in Biomedicine,Arlington,USA,Nov 9-10,2000.Piscataway,USA:IEEE,2000:250-255.

[4]Ni Zhicheng,Shi Yunqing,Ansari N,et al.Reversible data hiding[J].IEEE Transactions on Circuits and Systems for Video Technology,2006,16(3):354-362.

[5]Yang Yuqin.Reversible data hiding technology review[J]. Wireless Technology,2012(7):77.

[6]Li Jianwei,Hu Yongjian,Chen Kaiying.Reversible data hiding technique using different histogram shifting[J].Journal of Image and Graphics,2009,14(6):1088-1095.

[7]Jian Peng,Chen Zhigang,Deng Xiaohong,et al.A data hiding scheme for medical images based on prediction error modification[J].Computer Engineering&Science,2012,34 (12):105-109.

[8]Zhang Zhitong,Zhao Yao,Ni Rongrong,et al.Reversible watermarking algorithm for high-capacity medical images based on parity of data[J].Journal of Data Acquisition& Processing,2013,28(5):626-632.

[9]Duan Yingying.Research of medical image quality assessment[D].Shenzhen:Southern Medical University,2010.

[10]Zhang Liping,Huang Lianqing.Medical image enhancing method based on locally redistributed histograms[J].Journal of Optoelectronics·Laser,2004,15(7):877-880.

[11]Wang Zhiyun,Huang Mengwei,Hu Po,et al.Image enhancement based on histograms and its realization with MATLAB [J].Computer Engineering&Science,2006,28(2):54-56.

[12]Wu Haotian,Dugelay J L,Shi Yunqing.Reversible image data hiding with contrast enhancement[J].IEEE Signal Processing Letters,2015,22(1):81-85.

[13]Otsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems,1979,9(1):62-66.

[14]Otsu’s method[EB/OL].(2015-01-06)[2015-04-28].http:// en.wiki-pedia.org/wiki/Otsu%27s_method.

[15]Gonzalez R C,Woods R E,Eddins S L,et al.Digital image processing using MATLAB[M].2nd ed.Beijing:Tsinghua University Press,2013:388-389.

[16]Howard P G,Kossentini F,Martins B,et al.The emerging JBIG2 standard[J].IEEE Transactions on Circuits and Systems for Video Technology,1998,8(7):838-848.

[17]Wu Haotian,Huang Jiwu,Shi Yunqing.A reversible data hiding method with contrast enhancement for medical images [J].Journal of Visual Communication and Image Representation,2015,31:146-153.

[18]National biomedical imaging archive(NBIA)[EB/OL]. (2014-11-30)[2015-04-28].http://imaging.nci.nih.gov.

附中文參考文獻：

[5]楊玉琴.可逆數據隱藏技術綜述[J].無線互聯科技,2012 (7):77.

[6]李健偉,胡永健,陳開英.利用預測誤差直方圖平移的可逆數據隱藏技術[J].中國圖形圖象學報,2009,14(6): 1088-1095.

[7]翦鵬,陳志剛,鄧小鴻,等.基于預測誤差修改的醫學圖像數據隱藏方法[J].計算機工程與科學,2012,34(12):105-109.

[8]張志彤,趙耀,倪蓉蓉,等.奇偶性分類下大容量醫學圖像可逆水印算法[J].數據采集與處理,2013,28(5):626-632.

[9]段影影.醫學圖像質量評價方法研究[D].深圳:南方醫科大學,2010.

[10]張利平,黃廉卿.基于局部直方圖重分布的醫學圖像增強方法[J].光電子·激光,2004,15(7):877-880.

[11]汪志云,黃夢為,胡釙,等.基于直方圖的圖像增強及其MATLAB實現[J].計算機工程與科學,2006,28(2):54-56.

[15]Gonzalez R C,Woods R E,Eddins S L.數字圖像處理的MATLAB實現[M].2版.阮秋琦,譯.北京:清華大學出版社,2013:388-389.

YUAN Taoxi was born in 1994.He is a student at Jiangnan University.His research interest is digital image processing.

袁陶希（1994—），男，上海青浦人，江南大學學生，主要研究領域為數字圖像處理。

WU Haotian was born in 1980.He received the Ph.D.degree in computer science from Hong Kong Baptist University.He is an associate professor at Jiangnan University.His research interests include network media security, image and video processing.

吳昊天（1980—），男，江蘇沭陽人，香港浸會大學計算機科學系博士，現為江南大學副教授，主要研究領域為網絡媒體安全，圖像與視頻處理。

XU Yiling was born in 1993.She is a student at Jiangnan University.Her research interest is digital image processing.

徐依凌（1993—），女，浙江紹興人，江南大學學生，主要研究領域為數字圖像處理。

HU Xiaowei was born in 1994.She is a student at Jiangnan University.Her research interest is digital image processing.

胡曉渭（1994—），女，浙江桐鄉人，江南大學學生，主要研究領域為數字圖像處理。

LIU Yuan was born in 1967.He is a professor and Ph.D.supervisor at Jiangnan University.His research interests include network security and information security.

劉淵（1967—），男，江蘇無錫人，江南大學教授、博士生導師，主要研究領域為網絡安全，信息安全。

*The National Natural Science Foundation of China under Grant No.61100169(國家自然科學基金);the Fundamental Research Funds for the Central Universities of China under Grant No.JUSRP1047(中央高校基本科研業務費專項資金);the Natural Science Foundation of Jiangsu Province under Grant No.BK20151131(江蘇省自然科學基金面上項目).

Received 2015-06,Accepted 2015-08.

CNKI網絡優先出版:2015-09-02,http://www.cnki.net/kcms/detail/11.5602.TP.20150902.1105.008.html

+Corresponding author:E-mail:htwu@jiangnan.edu.cn

文獻標志碼：A

中圖分類號：TP309.2

doi:10.3778/j.issn.1673-9418.1506064

Reversible Data HidingAlgorithm and ItsApplication to Medical Images?

YUAN Taoxi,WU Haotian+,XU Yiling,HU Xiaowei,LIU Yuan
School of Digital Media,Jiangnan University,Wuxi,Jiangsu 214122,China

Abstract:Reversible data hiding is a kind of information hiding technique that can exactly recover the original image after data extraction from the image with hidden data.Due to this property,it has been widely used in the areas of medical,remote sensing and military.This paper proposes a reversible data hiding algorithm based on histogram shifting, which can alleviate the visual distortion caused by an existing reversible data hiding algorithm,and reversibly hide the patient information into the contrast-enhanced image.According to the characteristics of pixel distribution in medical images,the pre-processing is improved to adaptively choose the optimal intervals and the method of maximum classes square error is used to separate the background and the foreground.In the information hiding procedure,the contrast of the region of interest can be gradually enhanced.Furthermore,the original image can be exactly recovered when needed.The experimental results on two sets of medical images show that the proposed algorithm can effectively reduce the visual distortions that may be caused by the previous algorithm,while the contrast enhancement effects can be achieved with considerable hiding rates.

Key words:reversible data hiding;histogram shifting;contrast enhancement;medical image