基于明文偽裝加密與對比度增強的醫學圖像可逆信息隱藏

秦健豪，孫 昊，李文沛，石 慧

（遼寧師范大學 計算機與信息技術學院，遼寧 大連 116029）

0 引言

常態化疫情防控形勢下，“5G+遠程醫療”成為熱點。然而，醫療數據安全問題一直是醫療行業的“老大難”。我國遠程醫療技術應用尚處于起步階，醫學數據在安全傳輸上面臨隱私泄露、惡意篡改、非法拷貝等巨大威脅。傳統信息隱藏中，嵌入、提取操作會對載體圖像造成永久性改變，這對于醫學、軍事、司法等強調載體內容精確性的領域是不可接受的。在此背景下，可逆信息隱藏作為多媒體安全中的熱門研究方向之一，不僅可以完整提取水印信息，而且可以無損恢復載體信息，滿足醫學等領域的要求。

目前，經典的可逆信息隱藏算法（Reversible Data Hiding，RDH）包括無損壓縮、差值擴展和直方圖平移3 類。第1 類是基于無損壓縮，該類算法是通過壓縮原始數據獲得不覆蓋原始圖像信息的空間。Celik 等［1］提出一般化的LSB 壓縮算法，基于預測的條件熵編碼將圖像中未修改的部分作為輔助信息以提高壓縮算法性能。為進一步提高安全性，Yama 等［2］提出一種基于壓縮感知和數據加密的可逆信息隱藏算法，提高了壓縮性能和安全性。第2 類是基于差值擴展（DE），該類算法則是通過擴展相鄰像素點差值進行信息隱藏。最早由Tian［3］利用相鄰像素之間的相關性實現基于DE 的可逆算法。為提高嵌入容量，Wang等［4］提出一種基于嶺回歸預測器的高精度誤差預測算法，該算法可以獲得更小的預測誤差，具有更高的準確性。第3 類是基于直方圖平移，該類算法通過對直方圖特性進行調整以完成可逆信息的嵌入提取。該類算法最早由Ni等［5］提出，主要做法是統計每個灰度值的頻率，用頻率最高的兩個灰度值像素實現嵌入，。Wang 等［6］提出自適應選擇多直方圖修改方式，對不同嵌入率下的性能進行優化。He 等［7］提出一種基于自適應多直方圖修改的可逆信息隱藏算法，該算法結合像素距離和像素值排序機制實現了較好性能。

然而，上述可逆信息隱藏方法大多追求實現高容量和高PSNR，卻忽略了醫學圖像具有大片背景區域的特點。鑒于此，很多學者提出了基于對比度增強的可逆信息隱藏技術（Reversible Data Hiding Based on Contrast Enhancement，RDH-CE），該類方法在實現秘密信息可逆嵌入提取的同時還能提高視覺效果和嵌入容量。Wu 等［8］率先提出基于像素直方圖的對比度增強可逆信息隱藏算法，該方法選擇直方圖中最高的兩個Bin 進行數據嵌入，通過重復該過程實現直方圖均衡。在直方圖偏移基礎上，Gao 等［9］提出一種使用受控對比度增強（CCE）和整數小波變換（IWT）的新RDH 方案，該方案主要防止嵌入大量比特位時，圖像對比度過度增強而導致的失真。Chen 等［10］從圖像對比度增強、視覺失真減少、嵌入容量增量3 個角度對Wu 等［8］的工作進行改進，通過使直方圖偏移過程適應直方圖分布特征，提高了圖像對比度，通過切斷直方圖位移中像素修改范圍以減少圖像視覺失真。然而，上述方法對醫學圖像紋理復雜區域的視覺效果具有一定局限性。為此，有學者進一步作出改進：Yang 等［11］將消息嵌入到醫學圖像紋理區域，以提高細節信息的質量，并且為了在增強紋理區域對比度的同時減少嵌入失真，還提出一種消息稀疏表示方法；Yang 等［12］采用直方圖移位，將需要嵌入的秘密信息分別嵌入到感興趣（Region Of Interest，ROI）區域或連續的非感興趣（Region Of Non-Interest，RONI）區域中；歐博等［13］采用超像素分割醫學圖像，著重強調醫學診斷感興趣區域的可逆嵌入與對比度增強。為保護患者隱私，Yang 等［14］提出一種基于自適應紋理分類的RDHEI 算法，并基于明文加密將標記的醫學圖像加密為相似圖像，有效增強了醫學圖像安全性。Kim 等［15］提出一種自動對比度增強可逆數據隱藏算法，該算法利用自動亮度保持方法適當增強對比度，實驗結果表明，生成的增強圖像在視覺和數量上均具有明顯優勢。

為了提高醫學圖像安全性，確保在數字信息內容不被泄露的同時嵌入附加信息，密文域可逆信息隱藏（Reversible Data Hiding in Encrypted Image，RDHEI）成為信息隱藏、多媒體技術與密文信號處理的交叉研究熱點。RDHEI算法通常分為兩類：基于VRAE（Vacating Room After Encryption ）框架和基于RRBE（Reserving Room Before Encryption）框架的RDHEI。早在2008 年，Puech 等［16］通過分割加密后圖像，在每個分塊中隱藏附加信息，最后利用圖像像素的局部標準差完成信息提取和圖像恢復。然而，該方法一直未得到研究者關注，直到2012 年，Zhang［17］利用流密碼加密原始圖像，將加密圖像分成大小相同的塊，通過翻轉分塊中部分像素的LSB 隱藏附加信息，該算法能夠利用自然圖像像素相關性實現較好性能。這些給一系列基于RRBE 框架的RDHEI 算法研究帶來了啟發。吳友情等［18］結合MSB 和改進的哈夫曼編碼，通過獲得更加靈活的編碼標記方式提高性能。

然而，這些算法存在信息提取和圖像恢復過程不可分離的問題。為此，Ge 等［19］使用流密碼置亂加密圖像塊，然后采用直方圖平移的方法實現信息隱藏，最后在接收方提取信息并根據置亂秘鑰和加密秘鑰無損恢復圖像。Zhang等［20］提出一種高保真的縮略圖保護加密方案，該方案不僅準確實現加解密，而且縮略圖更接近于原始明文圖像，并具有較低的噪聲。Zhou 等［21］提出一種利用參數二叉樹標記像素的RDHEI 算法；Yin 等［22］改進了該算法，不再聚焦于小圖像塊內嵌入信息，而是利用整個圖像的空間相關性隱藏信息，有效提高了容量。為進一步提高有效載荷，Yin等［23］提出一種基于多MSB 預測和哈夫曼編碼的算法，通過獲得更加靈活的編碼標記進一步提高了性能。Wang等［24］使用一種結合塊級流密碼和塊級重排列的加密方案，通過保留塊中像素的相關性為數據隱藏騰出更多空間。Wang 等［25］對所有像素塊進行重排列并加密，通過自適應預測MSB（Most Significant Bit，MSB）隱藏信息，該算法充分利用塊內像素相關性，提升了嵌入容量。

為提高醫學圖像安全性，保護數據隱私，將上述RDHEI 算法與加密技術相結合，生成不可讀代碼，但很容易引起攻擊者關注。本文打破傳統觀念，提出一種明文偽裝加密算法，生成一幅與原始圖像在視覺意義上不同的可讀圖像，以提高算法安全性。同時，為了提高容量，基于對比度增強技術完成信息隱藏。

1 基于明文偽裝加密和對比度增強的RDH方案

首先基于紋理分割算法將醫學圖像分類分塊，再基于對比度增強技術，通過拉伸圖像直方圖實現秘密數據隱藏，最后結合K-means 聚類算法將含密醫學圖像進行明文偽裝加密。在明文偽裝加密中，對K-means 分類信息作進一步排序，提高目標圖像與標記圖像像素塊的適配度，使圖像視覺效果更好。該方案包括4 個階段：基于紋理區域劃分的RDH-CE 算法、明文偽裝加密、偽裝解密、信息提取和恢復，整體流程如圖1所示。

Fig.1 Overall flow of RDH based on plaintext camouflage encryption and contrast enhancement圖1 基于明文偽裝加密和對比度增強的可逆信息隱藏整體流程

1.1 基于紋理區域劃分的RDH-CE算法

醫學圖像分析已廣泛應用于良惡性腫瘤等重大疾病的臨床判斷等方面，其中病灶是重要診斷依據，通過對比度增強，不僅能夠提高圖像質量，也使病灶信息更加突出。本文提出一種基于對比度增強的可逆信息隱藏，首先將醫學圖像進行直方圖拉伸，再將秘密信息隱藏到拉伸后的復雜紋理區域，最后將輔助信息隱藏到簡單紋理區域，增強了對比度，不僅提高了嵌入率，而且提高了圖像質量。基于紋理區域劃分的RDH-CE 算法流程如圖2所示。

1.1.1 圖像直方圖拉伸

為了增強圖像對比度，首先對醫學圖像進行整體直方圖拉伸，使得直方圖中產生很多空bin。通過將數據隱藏到峰值bin 兩側以實現均勻分布，直方圖拉伸如式（1）所示。

Fig.2 Flow of RDH-CE algorithm based on texture division圖2 基于紋理區域劃分的RDH-CE算法流程

其中，Io為原始圖像像素，I為拉伸后像素，Imax和Imin為圖像拉伸前的最大最小像素。因為該拉伸方法需要圖像最大最小像素之差小于255，而大部分醫學圖像會有極少一部分像素接近或等于255，為了使得對比度增強效果更加明顯，可以將這些極少的像素作為輔助信息并在取最大像素時忽略。

其中，P為圖像的像素矩陣，h(x)為x像素值的數量。

1.1.2 圖像紋理區域劃分

基于復雜度計算［26］將整幅醫學圖像劃分為復雜紋理區域和簡單紋理區域，計算復雜度方法如式（3）所示，圖3給出了子塊像素示意圖。

Fig.3 Xi and its surrounding pixels圖3 Xi和周圍的像素

根據劃分規則M對整幅圖像進行紋理區域劃分，通過式（4）將圖像分為復雜紋理區域和簡單紋理區域，邊緣像素認定為簡單紋理區域內。

其中，劃分規則M可根據圖像自適應選擇，P表示圖像像素的數量，Xi表示第i個像素的復雜度，Tcomplex(n)和Tsimple(n)分別存儲復雜紋理區域和簡單紋理區域的像素位置。

1.1.3 復雜紋理區域數據隱藏

首先將圖像分為N×N的塊，分塊大小N決定了復雜紋理區域的嵌入容量和嵌入后的圖像質量，可根據具體圖像自適應分塊。

為提高準確性，將邊界像素127 和128 舍棄，即舍棄這兩種峰值bin，因此將126 和129 確定為閾值。遍歷每個塊，若該塊復雜紋理區域直方圖峰值bin 像素值小于126，則需要右側為空bin（含密像素值為0～127）；若峰值bin 像素值大于129（含密像素值為128～255），則需要左側為空bin。為避免提取信息是無法判斷含密像素，本文將峰值bin 像素值為127 和128 的兩種情況舍棄。當滿足空bin 時該塊被標記為可嵌入塊，遍歷該塊，將秘密信息s嵌入生成含密像素Ic′，如式（5）所示。

其中，Icm是復雜紋理區域直方圖中峰值bin 的像素值。si∈｛0，1｝是要嵌入的秘密信息。h(Ic±1)是復雜紋理區域直方圖中峰值bin像素左右兩側像素的數量。

重復嵌入，每一個可嵌入塊的Icm轉成8bit 二進制秘密信息優先嵌入到下一可嵌入塊中。直到復雜紋理區域沒有可供嵌入的空間或所有數據都被嵌入，而最后一個嵌入塊的Icm和可嵌入塊的位置作為輔助信息隱藏至簡單紋理區域。

1.1.4 簡單紋理區域數據隱藏

復雜紋理區域沒有可供嵌入的空間后，可以選擇將其余數據嵌入到簡單紋理區域，這樣既提高了嵌入率，也增加了對比度。邊緣塊的簡單紋理區域多，并且像素值普遍偏低，而在病灶區附近，簡單紋理區域較少且像素值偏高，從左到右從上到下遍歷每個塊的簡單紋理區域，利用式（6）完成所有數據隱藏。

其中，Ism表示簡單紋理區域直方圖中峰值bin 的像素值。每個塊的Ism轉成8bit 二進制秘密信息將優先嵌入到下一個塊中。

為了實現完全可逆，將M、N、Imax、Imin輔助信息與兩個紋理區域位置集合隱藏。由于Tcomplex(n)和Tsimple(n)互補且復雜紋理一般較少，因而將輔助信息、Tcomplex(n)和Tsimple(n)通過文獻［27］方法進行壓縮。最后將信息總長度和壓縮后的信息利用式（7）隱藏到從左到右從上到下第25 個像素及之后。

兩個紋理區域最后一個嵌入塊的Icm和Ism以及該嵌入塊的位置則代替空出的前24 個像素的最低有效位（LSB），這24 個像素的LSB 序列也作為輔助信息嵌入簡單紋理區域。

1.2 明文偽裝加密

傳統加密方法通常將原始圖像轉換為不可讀代碼以保護圖像內容。該方法雖然能夠起到對圖像保護的作用，但更容易引來攻擊者的好奇心和注意力。為了降低攻擊者的關注，并提高圖像安全性，本文提出明文偽裝加密，該加密算法是將圖像偽裝成另一個完全不同的圖像，偽裝加密后圖像在視覺上仍然有意義，從而減少了攻擊者的注意力。明文偽裝加密流程如圖4所示。

Fig.4 Flow diagram of plaintext camouflage encryption圖4 明文偽裝加密流程

1.2.1 圖像特征值計算

將圖像分為m×n的不重疊子塊，根據式（8）、式（9）分別計算每個子塊的平均值u和標準差σ。

1.2.2 自適應圖像塊分類

本文對文獻［27］的圖像塊聚類算法進行改進，提出一種自適應圖像塊分類算法，解決了加密塊類和目標塊類圖像塊數量不匹配，需要調整圖像塊造成的輔助信息增多的問題。首先，采用K-means［28］聚類算法，根據標準差對Target 圖像塊進行聚類，這樣目標塊就被聚類為K 類；然后，根據目標塊的分類情況得到分類信息，根據分類信息對Marked 圖像塊進行分類；最后，在每個類中對加密塊和目標塊進行逐一匹配。

1.2.3 排序

對于復雜紋理塊或簡單紋理塊，其標準差較為接近，但它們的平均值相差很大，如圖4（e）所示。目標塊和加密塊在第j列中進行匹配，為了接近目標塊，標記塊中的像素需要移位，并且需將要移位的值作為輔助信息嵌入。由于標記塊和目標塊之間的平均差較大，因而輔助信息增加。為了減少輔助信息，進一步根據平均值對屬于同一類的塊進行排序，如圖4（f）所示，這樣匹配的塊間不僅具有相似的標準差，而且還具有相似的平均值，減少了輔助信息。

1.2.4 移動旋轉加密

為了更加接近目標塊，像素pi需要通過式（10）進行移位才能獲得加密像素。

為了使明文偽裝加密圖像更類似于目標圖像，將每個標記塊旋轉到0°、90°、180°或270° 4個方向，并選擇使旋轉版本與相應目標塊的最小均方根誤差［29］變小的方向為最優方向，將塊按照最優方向旋轉。

1.2.5 嵌入輔助信息

為了實現完全可逆，將輔助信息N、K、匹配指數、旋轉值利用哈夫曼編碼對輔助信息進行壓縮，以減少輔助信息位數，再將輔助信息序列嵌入到圖像中，具體步驟如下：

Step1：使用A4N（The Average of Four Neighbors Predictor）預測方法，利用式（12）對像素Pi，j進行預測，圖5 為像素分布圖。

Fig.5 Pi，j and its surrounding pixels圖5 Pi，j及周圍像素

Step2：計算預測誤差，得到預測誤差序列ρi，如式（13）所示。

其中，I為原始圖像像素值，ρi為該像素預測值。

Step3：由ρi生成預測誤差直方圖，基于閾值T利用直方圖平移將輔助信息隱藏到圖像中，如式（14）所示。

1.3 明文解密

接收方首先要將明文偽裝的含密圖像解密為真正的含密圖像，具體步驟為：

Step1：根據式（15）得到輔助信息b：

Step2：根據式（16）得到原始像素I：

Step3：將圖像分塊，根據提取出來的輔助信息進行像素值的逆移動、圖像塊的逆旋轉。

Step4：根據匹配索引，調整圖像塊排序，得到解密后的含密圖像。

1.4 秘密信息提取和圖像恢復

明文解密后得到含密圖像，按照如下步驟提取數據并恢復圖像：

Step1：從圖像前24 個像素的最低有效位（LSB）中取出兩個紋理區域最后一個嵌入塊的Icm和Ism以及該嵌入塊的位置。

Step2：從第25 個像素開始獲取總長度和輔助信息如式（17）所示。

Step3：將獲取的信息解壓得到輔助信息和復雜紋理區域集合。

Step4：根據集合劃分圖像，再按照簡單紋理區域、復雜紋理區域的順序提取秘密信息并恢復像素。

Step4.1：簡單紋理區域提取及恢復：

Step5：將圖像拉伸恢復為原始圖像，如式（20）所示。

2 實驗結果及分析

2.1 基于對比度增強的RDH-CE算法分析與比較

本文基于對比度增強將圖像拉伸，再依據復雜度將其劃分為復雜紋理區域和簡單紋理區域，最后按照不同方法在不同區域完成不同內容隱藏。圖6 給出了劃分規則M為20、分塊大小N為16 時的實驗結果，其中（a-c）為原始圖像，（d-f）為對應的含密圖像。

Fig.6 Original images and stego-images with an embedding rate of 0.1bpp圖6 原始圖像和嵌入率0.1bpp下的含密圖像

為準確衡量對比度增強效果，本文采用相對對比度誤差（Relative Contrast Error，RCE）［13］評價指標，RCE 的計算方式如式（21）所示。

其中，stdo和stds分別為原始圖像和加密圖像的標準差，RCE 低于0.5 代表該圖像對比度沒有增強，而高于0.5則代表該圖像對比度增強有效，若是遠遠高于0.5 則代表過度增強。

為評價含密圖像質量，本文采用PSNR 和SSIM 作為評價指標。不同嵌入率下本文算法與相關算法各性能指標比較結果如表1所示。

可以看出，隨著嵌入率的增加，REC 值也在提升，表明圖像對比度增強效果越好。本文REC 值在各嵌入率下均高于文獻［13-14］，表明本文算法對比度增強效果最好。對于PSNR 和SSIM，在各嵌入率下，本文算法均高于文獻［14］；高嵌入率（1bpp）下，本文算法高于文獻［13］；中低嵌入率下，本文算法略低于文獻［13］。總體而言，本文算法各項指標相比其他文獻具有明顯優勢。

2.2 明文偽裝加密安全性測試與分析

明文偽裝加密是一種特殊加密方式，不同于傳統加密將圖像加密成為不可讀代碼，容易引起攻擊者好奇心和關注力，明文偽裝加密是將圖像偽裝成另一幅完全不同的圖像，很難引起攻擊者好奇心，具有更好的安全性。

Table 1 Comparison of proposed algorithm and other algorithms under different embedding capacity表1 不同嵌入率下本文算法與相關算法比較

本文將從視覺效果和安全性指標兩方面分析明文偽裝加密的安全性。含密圖像、目標圖像和加密后含密圖像如表2 所示，可以看出，原始含密圖像和加密后含密圖像完全不同，而加密后含密圖像與目標圖像基本相同，不僅很好地偽裝了原始載密圖像，而且可讀有意義的加密圖像可以極大降低攻擊者的注意力，提高了安全性。

表3 給出了偽裝加密圖像分別與目標圖像和原始含密圖像的PSNR、SSIM 和NC。可以看出，偽裝加密圖像更加接近于目標圖像，其與目標圖像的PSNR、SSIM、NC 值均遠遠大于其與原始含密圖像的PSNR、SSIM、NC 值。偽裝加密圖像更接近于目標圖像，不僅表明偽裝效果好，更保護了原始含密圖像，有效提高了安全性。

2.3 實時性分析

本文算法的理論時間復雜度為O（m×n），其中m×n為載體圖像尺寸。表4 給出了不同嵌入率下本文及相關算法運行時間結果比較，本文實際運行時間短，約為1.5s，遠遠低于文獻［13-14］。因此，本文提出的算法具有較好的實時性。

3 結語

醫學影像已成為醫學科技創新領域的重要部分，醫學圖像安全性保護尤為重要。本文提出了一種基于明文偽裝加密和對比度增強的RDH 算法，首先將醫學圖像進行直方圖拉伸，增強圖像對比度，有效提高了圖像質量；然后將圖像劃分為復雜紋理區域和簡單紋理區域，根據不同區域特點采用不同方法實現數據隱藏，有效提高了嵌入率；最后，基于偽裝加密，將圖像偽裝成另一個完全不同的圖像，偽裝加密后圖像在視覺上仍然較具意義，從而減少了攻擊者的注意力，有效提高了安全性。在明文偽裝加密中，對K-means 分類信息作進一步排序，提高目標圖像與標記圖像像素塊的適配度，使圖像視覺效果更好。實驗結果表明，該算法具有較好的綜合性能，不僅安全性高，較好解決了傳統加密方法容易引起攻擊者關注與攻擊的問題，而且具有較好的圖像質量、較高的容量，以及較好的實時性。因此，本文在醫學圖像隱私保護方面具有重要理論意義和實踐推廣價值。未來，將進一步將明文偽裝加密與秘密共享，并與神經網絡相結合，更好為醫學圖像隱私保護服務，為醫療領域提供安全與便利。

Table 2 Stego-images/target images/marked images表2 含密圖像/目標圖像/加密圖像

Table 3 Comparison of evaluation indicators among marked images，stego-images and target images表3 加密圖像分別與原始含密圖像和目標圖像各評價指標比較

Table 4 Comparison of execution time表4 運行時間比較