一种基于深度水印算法的DTI图像版权保护方法及系统

一种基于深度水印算法的dti图像版权保护方法及系统
技术领域
1.本发明涉及深度水印的技术领域，尤其涉及一种基于深度水印算法的dti图像版权保护方法及系统。


背景技术：

2.深度水印已经成功的应用于标量值的医学图像（如计算机断层扫描显像(ct), 磁共振成像(mri), 扩散加权成像(dwi)）进行版权保护，但对于流形值数据如扩散张量成像(dti)却很少有研究学者关注。dti图像的非欧几里得性质阻碍深度模型生成可信的dti图像，因此很难保证生成的dti图像中每个体素均位于二阶的对称正定流形矩阵上。
3.当前的深度学习模型在处理欧式空间中的数据时取得了令人印象深刻的结果，然而模型中的一些运算（比如卷积，非线性激活，池化）都是定义在欧几里得空间中的运算，在曲线流形上却没有很好的定义。当直接把欧几里得几何应用于流形值数据（如dti）将会出现一些问题，比如扩散张量的膨胀效应
1.。为了解决利用深度学习模型处理流形值数据的问题，一些相关研究开始出现。根据数据处理的方法不同可以分为基于流形运算的深度学习模型和基于黎曼度量的深度学习模型。
4.基于流形运算的深度学习模型通过对欧式空间中实值的一些运算（如卷积，归一化等）推广到流形空间，通过设计流形运算（如流形卷积，流形归一化）来构建面向流形值的深度学习模型。chakraborty等人提出了一种新颖的网络manifoldnet来处理流形值数据,通过使用weighted fr
é
chet mean (wfm)定义流形卷积,从而实现基于wfm卷积的流形神经网络。zhen等人提出了流形循环模型来处理序列数据,通过把欧几里得空间中的统计循环单元（sru）推广到流形空间来构建面向流形值的统计循环模型。虽然通过流形运算构建了面向流形值的深度学习模型，但这些模型需要精心的设计且比较复杂，还需要在更广泛的场景中进一步研究。基于黎曼度量的深度学习模型通过设计高效的黎曼度量（如log-euclidean度量）来构建面向流形值的深度学习模型。arsigny等人提出了一个log-euclidean度量来处理位于流形上的数据，并应用于扩散张量。通过使用文献[5]中提出的log和exp投影，可以对张量进行欧几里得运算，并能保证得到的张量位于3
×
3的对称正定流形空间上。arsigny等人提出的 log-euclidean度量方法，一些学者提了面向流形值数据的深度神经网络。huang等人提出了一个黎曼网络spdnet，通过双线性映射层来将输入 spd 矩阵转换为更理想的 spd 矩阵，利用特征值修正层执行非线性激活函数生成新的 spd 矩阵，并设计一个特征值对数层对常规输出层生成的spd执行黎曼计算。但spdnet仅限于单个spd数据输入的学习，不能用于dti数据多spd矩阵的学习。huang等人提出了支持多spd数据生成的生成对抗网络,通过引入的最优传输定理，推导面向流形值数据的wassserstein 距离，从而实现流形值数据的生成。benoit等人提出了用于超分辨的structural-to-dti流形感知循环生成式对抗网络，通过利用对数欧几里得度量的指数和对数映射来确保生成的dti位于spd(3)流形上。尽管现有研究提出了支持流形值数据生成的生成对抗网络，但现有的模型对纤维方向的估计还存在一些问题。这就会影响大脑纤维结构组织等相关病理的研
究。


技术实现要素：

[0005]
鉴于上述现有存在的问题，提出了本发明。
[0006]
因此，本发明目的是提供一种基于深度水印算法的dti图像版权保护方法，解决直接使用深度模型处理dti图像出现的如扩散张量的膨胀效应的问题，黎曼网络中对纤维方向估计正确性低的问题以及传统基于奇异值分解变换的水印算法中假阳错误率的问题。
[0007]
为解决上述技术问题，本发明提供如下技术方案：第一方面，本发明实施例提供了一种基于深度水印算法的dti图像版权保护方法，包括：采用体素空间变换将dti从流形空间变换到欧式空间中并使用基于深度学习的水印算法进行处理如下：水印嵌入阶段，通过水印编码网络把水印信息嵌入载体图像生成含水印的图像；噪声攻击阶段，通过噪声攻击网络对嵌入水印的图像攻击生成噪声攻击的图像；水印提取阶段，通过水印解码网络从噪声攻击后的图像提取水印信息；生成对抗阶段，通过鉴别网络对通过水印编码网络生成的水印图像进行鉴别。
[0008]
作为本发明所述的一种基于深度水印算法的dti图像版权保护方法，其中：采用体素空间变换将dti从流形空间变换到欧式空间中包括，使用奇异值分解变换对dti图像中的扩散张量d进行对角化，使其从3
×
3的对称正定流形空间变换到欧几里得空间，并得到正的特征值的以及对应的特征向量如下：；使用深度水印网络把水印信息嵌入特征值中，并获得含水印的特征值如下：；使用反变换把含水印的特征值转换为含水印的扩散张量如下：；将含水印的扩散张量输入深度水印网络得到解码的水印信息如下：；其中，e为奇异值分解得到的特征向量，、和为奇异值分解得到的特征值，e1、e2和e3分别为对应的三个特征向量。
[0009]
作为本发明所述的一种基于深度水印算法的dti图像版权保护方法，其中：所述水印编码网络包括，初级嵌入阶段，采用3
×
3的卷积层进行初级特征提取，并通过水印嵌入模块进行水印嵌入如下：
；其中，为通过对载体图像进行奇异值分解得到的奇异向量和奇异值，为初级特征提取阶段提取的初级特征，用于第三阶段的全局残差学习，为嵌入水印的初级特征；高级嵌入阶段，采用通道注意力空洞残差密集模块学习高级特征，以及通道注意力空洞残差密集嵌入模块进行水印信息嵌入，并利用通道注意力空洞残差密集模块对嵌有水印信息的图像特征进行学习；全局特征融合及残差学习阶段，对高级嵌入阶段中不同块学习的特征进行全局融合，并通过跳跃连接对初级阶段学习的特征进行残差学习。
[0010]
作为本发明所述的一种基于深度水印算法的dti图像版权保护方法，其中：高级嵌入阶段，采用通道注意力空洞残差密集模块学习高级特征，以及通道注意力空洞残差密集嵌入模块进行水印信息嵌入，并利用通道注意力空洞残差密集模块对嵌有水印信息的图像特征进行学习如下：；其中，为高级嵌入阶段提取的高级特征，为嵌入水印的高级特征，为第二个通道注意力空洞残差密集模块针对嵌有水印信息的图像特征进行高级特征提取，不同块提取的局部高级特征、、用于第三阶段的全局特征融合。
[0011]
作为本发明所述的一种基于深度水印算法的dti图像版权保护方法，其中：全局特征融合及残差学习阶段，对高级嵌入阶段中不同块学习的特征进行全局融合，并通过跳跃连接对初级阶段学习的特征进行残差学习包括，全局特征融合及残差学习阶段学习的全局融合特征如下：；其中，为全局特征融合及残差学习阶段学习的全局融合特征，用于对局部特征进行通道拼接；对全局融合特征和初级特征进行融合，然后通过卷积学习嵌入水印的奇异值，通过对进行奇异值分解的反变换得到嵌入水印的图像如下：
。
[0012]
作为本发明所述的一种基于深度水印算法的dti图像版权保护方法，其中：所述水印解码网络包括引入空洞空间金字塔卷积设计水印解码网络，并包括初级特征提取阶段、高级特征提取阶段和全局特征融合及水印预测阶段3个阶段。
[0013]
作为本发明所述的一种基于深度水印算法的dti图像版权保护方法，其中：所述初级特征提取阶段、高级特征提取阶段和全局特征融合及水印预测阶段3个阶段包括，所述初级特征提取阶段，通过3
×
3的卷积层提取初级特征如下：；其中，为通过对遭受攻击的图像进行奇异值分解得到的奇异向量和奇异值，为初级特征提取阶段提取的初级特征；所述高级特征提取阶段，通过级联的混合空洞最大池化模块学习高级特征如下：；其中，，,和为学习的不同尺度的高级特征；所述全局特征融合及水印预测阶段，通过混合空洞全局平局池化模块进行全局特征融合，并通过全连接fc对融合的全局特征进行水印预测如下：；其他，为融合后的全局特征，为预测的水印序列。
[0014]
第二方面，本发明实施例提供了一种基于深度水印算法的dti图像版权保护系统，包括，转换模块，采用体素空间变换将dti从流形空间变换到欧式空间中并使用基于深度学习的水印算法进行处理；水印嵌入模块，通过水印编码网络把水印信息嵌入载体图像生成含水印的图像；其中，水印编码网络包括水印嵌入模块、通道注意力空洞残差密集模块（和通道注意力空洞残差密集嵌入模块；噪声攻击模块，通过噪声攻击网络对嵌入水印的图像攻击生成噪声攻击的图像；水印提取模块，通过水印解码网络从噪声攻击后的图像提取水印信息；其中，水印解码网络包括混合空洞最大池化模块和混合空洞平均池化模块；生成对抗模块，通过鉴别网络对通过水印编码网络生成的水印图像进行鉴别。
[0015]
第三方面，本发明实施例提供了一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的基于深度水印算法的dti图像版权保护方法。
[0016]
第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于深度水印算法的dti图像版权保护方法。
[0017]
本发明的有益效果：（1）首次使用深度神经网络对dti图像进行版权保护，为基于深度模型的dti图像版权保护提供了新思路；（2）改进了黎曼网络中纤维方向预测存在的问题，能更好的用于下游任务（比如纤维束追踪）；（3）将svd和cnn的结合解决了传统svd算法中假阳性错误的问题。（4）采用多尺度空洞卷积、密集残差连接和通道注意力机制相结合的深度神经网络，在保证嵌入水印信息的图像具有较好可视质量的同时，也保证水印提取网络具有较高的鲁棒性。
附图说明
[0018]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本发明一种基于深度水印算法的dti图像版权保护方法的整体结构示意图。
[0019]
图2为本发明一种基于深度水印算法的dti图像版权保护方法的水印编码网络图。
[0020]
图3为本发明一种基于深度水印算法的dti图像版权保护方法的水印嵌入模块wem图。
[0021]
图4为本发明一种基于深度水印算法的dti图像版权保护方法的通道注意力空洞残差密集模块cadrdb图。
[0022]
图5为本发明一种基于深度水印算法的dti图像版权保护方法的通道注意力空洞残差密集嵌入模块cadrdeb图。
[0023]
图6为本发明一种基于深度水印算法的dti图像版权保护方法的不同类型的攻击图。
[0024]
图7为本发明一种基于深度水印算法的dti图像版权保护方法的水印解码网络图。
[0025]
图8为本发明一种基于深度水印算法的dti图像版权保护方法的混合空洞最大池化模块hdmpb图。
[0026]
图9为本发明一种基于深度水印算法的dti图像版权保护方法的混合空洞平均池化模块hdgapb图。
[0027]
图10为本发明一种基于深度水印算法的dti图像版权保护方法的载体图像和编码图像的视觉质量比较图。
[0028]
图11为本发明一种基于深度水印算法的dti图像版权保护方法的裁剪噪声攻击的鲁棒性比较图。
[0029]
图12为本发明一种基于深度水印算法的dti图像版权保护方法的裁剪替换噪声攻击的鲁棒性比较图。
[0030]
图13为本发明一种基于深度水印算法的dti图像版权保护方法的随机替换噪声攻击的鲁棒性比较图。
[0031]
图14为本发明一种基于深度水印算法的dti图像版权保护方法的高斯模糊噪声攻击的鲁棒性比较图。
[0032]
图15为本发明一种基于深度水印算法的dti图像版权保护方法的旋转噪声攻击的鲁棒性比较图。
[0033]
图16为本发明一种基于深度水印算法的dti图像版权保护方法的缩放噪声攻击的鲁棒性比较图。
具体实施方式
[0034]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0035]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0036]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0037]
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0038]
实施例1参照图1，为本发明的一个实施例，提供了一种基于深度水印算法的dti图像版权保护方法，包括：如图1所示，为水印编码网络，为水印信息， 为载体图像，含水印的图像，为噪声攻击网络，为噪声攻击的图像，为水印解码网络，为噪声攻击后的图像提取的水印信息，为鉴别网络，adversarial losss l
adv
为训练水印鉴别网络的对抗损失， image loss l1为训练水印嵌入网络的l1重建损失。
[0039]
本发明的具体流程如下：s1：采用体素空间变换将dti从流形空间变换到欧式空间中并使用基于深度学习的水印算法进行处理。应说明的是：使用奇异值分解变换对dti图像中的扩散张量d进行对角化，使其从3
×
3的对称正定流形空间变换到欧几里得空间，并得到正的实数值的特征值以及对应的特征向量如下：
；使用深度水印网络把水印信息嵌入特征值中，并获得含水印的特征值如下：；使用反变换把含水印的特征值转换为含水印的扩散张量如下：；含水印的扩散张量输入深度水印网络得到解码的水印信息如下：；其中，e为奇异值分解得到的特征向量，、和为奇异值分解得到的特征值，e1、e2和e3分别为对应的三个特征向量。
[0040]
s2：水印嵌入阶段，通过水印编码网络把水印信息嵌入载体图像生成含水印的图像。应说明的是：如图2~图5所示，水印编码网络主要包括3各阶段：初级嵌入阶段，采用3
×
3的卷积层进行初级特征提取，并通过水印嵌入模块wem进行水印嵌入如下：；其中，为通过对载体图像进行奇异值分解得到的奇异向量和奇异值，s为载体图像的奇异值，为初级特征提取阶段提取的初级特征，用于第三阶段的全局残差学习，为嵌入水印的初级特征；高级嵌入阶段，采用通道注意力空洞残差密集模块cadrdb学习高级特征，以及通道注意力空洞残差密集嵌入模块cadrdeb进行水印信息嵌入，并利用通道注意力空洞残差密集模块cadrdb对嵌有水印信息的图像特征进行学习如下：；
其中，为高级嵌入阶段提取的高级特征，为嵌入水印的高级特征，为第二个通道注意力空洞残差密集模块cadrdb针对嵌有水印信息的图像特征进行高级特征提取，不同块提取的局部高级特征、、用于第三阶段的全局特征融合；全局特征融合及残差学习阶段，对高级嵌入阶段中不同块学习的特征进行全局融合，并通过跳跃连接对初级阶段学习的特征进行残差学习包括，全局特征融合及残差学习阶段学习的全局融合特征如下：；其中，为全局特征融合及残差学习阶段学习的全局融合特征，用于对局部特征进行通道拼接；对全局融合特征和初级特征进行融合，然后通过卷积学习嵌入水印的奇异值，通过对进行奇异值分解的反变换得到嵌入水印的图像如下：。
[0041]
s3：噪声攻击阶段，通过噪声攻击网络对嵌入水印的图像攻击生成噪声攻击的图像。应说明的是：医学图像在传输的过程中可能会面临一些攻击，为了使本实施例模型能够鲁棒的抵抗这些攻击，本实施例考虑了六种不同类型的攻击。所有攻击的示例如图6所示，该图展示了编码图像在裁剪（p=0.7）、旋转（q=25）、裁剪替换（q=0.5）、随机替换（q=0.5）、高斯噪声（=0.9，k=5）等噪声攻击后的图像。其中，第一行表示编码图像，第二行表示不同种类噪声攻击后的图像，第三行表示它们之间的差值图。
[0042]
s4：水印提取阶段，通过水印解码网络从噪声攻击后的图像提取水印信息。应说明的是：如图7~图9所示，水印解码网络包括，引入空洞空间金字塔卷积设计水印解码网络，并包括3个阶段：初级特征提取阶段，通过3
×
3的卷积层提取初级特征如下：；其中，为通过对遭受攻击的图像进行奇异值分解得到的奇异向量和奇异值，s
att
为遭受攻击的图像的奇异值，为初级特征提取阶段提取的初级特征；
高级特征提取阶段，通过级联的混合空洞最大池化模块hdmpb学习高级特征如下：；其中，，,和为学习的不同尺度的高级特征；全局特征融合及水印预测阶段，通过混合空洞全局平局池化模块hdgapb进行全局特征融合，并通过全连接fc对融合的全局特征进行水印预测如下：；其他，为融合后的全局特征，为预测的水印序列。
[0043]
s5：生成对抗阶段，通过鉴别网络对通过水印编码网络生成的水印图像。
[0044]
本实施例还提供一种考虑光储用户并网的配电网多时间尺度优化调度系统，包括：转换模块，采用体素空间变换将dti从流形空间变换到欧式空间中并使用基于深度学习的水印算法进行处理；水印嵌入模块，通过水印编码网络把水印信息嵌入载体图像生成含水印的图像；其中，水印编码网络包括水印嵌入模块wem、通道注意力空洞残差密集模块cadrdb和通道注意力空洞残差密集嵌入模块cadrdeb；噪声攻击模块，通过噪声攻击网络对嵌入水印的图像攻击生成噪声攻击的图像；水印提取模块，通过水印解码网络从噪声攻击后的图像提取水印信息；其中，水印解码网络包括混合空洞最大池化模块hdmpb和混合空洞平均池化模块hdgapb；生成对抗模块，通过鉴别网络对通过水印编码网络生成的水印图像进行鉴别。
[0045]
本实施例还提供一种计算设备，适用于一种考虑光储用户并网的配电网多时间尺度优化调度方法的情况，包括：存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的一种考虑光储用户并网的配电网多时间尺度优化调度方法。
[0046]
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、 运营商网络、nfc(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触
控板或鼠标等。
[0047]
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现一种考虑光储用户并网的配电网多时间尺度优化调度方法。
[0048]
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
[0049]
实施例2参照图10~图16，为本发明的另一个实施例，提供了一种基于深度水印算法的dti图像版权保护方法的验证测试，对本方法中采用的技术手段以及达到的技术效果加以验证说明。
[0050]
本发明算法使用人类连接计划hcp公开数据集进行实验，根据冠状面把数据裁剪为96
×
96
×3×
3的尺寸进行实验。本实施例随机的从201个个体中选择185个个体，然后每个个体根据冠状面划分55个切片，即总共10175个切片作为训练集，其它的作为测试集。
[0051]
为了全面评估所提算法的有效性，使用峰值信噪比psnr和结构相似性ssim评估不可感知性，使用平均弥散率md和各向异性分数fa的均方误差mse以及编码图像的主轴方向的余弦相似度评估扩张张量成像的弥散特性。使用嵌入水印和预测水印比特信息的提取准确率来评估算法的鲁棒性。
[0052]
在实验中输入图像的尺寸为96
×
96
×3×
3。使用混合噪声训练模型，即把六种噪声攻击放入噪声池中，在每次训练迭代的过程中，从噪声池中随机选择一种噪声攻击进行训练。在测试的时候使用训练的模型分别对以上攻击进行测试来验证该模型的鲁棒性。所提算法模型的权重因子,,,和分别为1.0，1.0，1.0，0.001和0.5。在训练阶段，使用adam优化器，学习率为0.0001，betas为(0.9,0.999)。
[0053]
目前还没有面向扩散张量图像的深度数字水印方法。由于对数-欧几里得度量是处理流形值数据的主流方法之一，且对张量执行欧几里得运算后的结果位于spd(n)流形上，本研究将对数-欧几里得度量整合到所提出的网络中，作为基准模型baseline以更好地评估所提出算法的性能。为了公平地比较，本研究使用对数-欧几里得度量中的对数和指数映射代替本文所提出的svd和isvd映射，并改变了输入和输出通道的大小以适应数据的尺寸。同时，其它设置保持不变。
[0054]
本实施例实验分析过程如下：（1）不可感知性分析：对数字水印来说嵌入水印后的图像的质量是重要的。图10展示了所提模型以及基准模型的编码图像视觉质量结果。第一行表示原始载体图像，第二行表示hidden网络结构编码的图像，第三行表示baseline模型编码的图像，最后一行表示本实施例所提出的算法模型编码的图像。从图中可以看出本实施例提出的模型生成的编码图像和基准模型生成的编码图像以及载体图像非常相似，但本实施例的编码图像更接近载体图像，从表1可以看出，与基线模型相比本实施例的方法的psnr提高了8.101db，它们的ssim都接近于1。
[0055]
（2）鲁棒性分析：该方法和基准方法的鲁棒性比较如图11~图16所示，从图中可以看出，本实施例提出的方法和基准方法相比更鲁棒。需要特别说明的是本实施例提出的体
素空间变换，把水印信息嵌入到特征值中，由于特征值具有优秀的特性比如稳定性，这也进一步验证了该方法提出的有效性。
[0056]
（3）弥散特性分析：分数各向异性和平均弥散率的均方误差如表1所示，表1：对比模型间的图像质量和弥散特性的定量比较
[0057]
其中，psnr、ssim、cosine similarity越大结果越好，而fa mse、md mse越小结果越好。
‘
*’表示对比方法中没有使用该评价指标。
[0058]
该方法和基准方法都有很好的结果远超ma-cyclegan的结果。除此之外，不同方法生成的fa和md图像如图10所示，本实施例方法生成的fa和md图像和载体图像的fa图像非常相似，而基准模型生成的fa图像和载体图像的fa图像在视觉上有一些差异。张量主轴间的余弦相似度被用来评估预测张量的方向。从表1可以看出，与基准方法相比本实施例提出的方法的余弦相似度提高了0.046，基本接近于1，这说明该方法预测的张量纤维方向的走向和真实张量方向的走向基本一致。这也进一步验证了本实施例提出的方法的有效性，因为特征值和特征向量代表张量椭球的大小和方向，本实施例把水印信息嵌入到特征值中，而没有改变张量椭球的方向，因此保证了椭球方向预测的准确性。
[0059]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于深度水印算法的dti图像版权保护方法，其特征在于：包括，采用体素空间变换将dti从流形空间变换到欧式空间并使用基于深度学习的水印算法进行处理如下：水印嵌入阶段，通过水印编码网络把水印信息嵌入载体图像生成含水印的图像；噪声攻击阶段，通过噪声攻击网络对嵌入水印的图像攻击生成噪声攻击的图像；水印提取阶段，通过水印解码网络从噪声攻击后的图像提取水印信息；生成对抗阶段，通过鉴别网络对通过水印编码网络生成的水印图像进行鉴别。2.如权利要求1所述的基于深度水印算法的dti图像版权保护方法，其特征在于：采用体素空间变换将dti从流形空间变换到欧式空间中包括，使用奇异值分解变换对dti图像中的扩散张量d进行对角化，使其从3
×
3的对称正定流形空间变换到欧几里得空间，并得到正的实数值的特征值以及对应的特征向量如下：；使用深度水印网络f把水印信息嵌入特征值中，并获得含水印的特征值如下：；使用反变换把含水印的特征值转换为含水印的扩散张量如下：；将含水印的扩散张量输入深度水印网络e1得到解码的水印信息如下：；其中，e为奇异值分解得到的特征向量，、和为奇异值分解得到的特征值，e1、e2和e3分别为对应的三个特征向量。3.如权利要求1所述的基于深度水印算法的dti图像版权保护方法，其特征在于：所述水印编码网络包括，初级嵌入阶段，采用3
×
3的卷积层进行初级特征提取，并通过水印嵌入模块进行水印嵌入如下：；其中，为通过对载体图像进行奇异值分解得到的奇异向量和奇异值，为初级特征提取阶段提取的初级特征，用于第三阶段的全局残差学习，为嵌入水印的初级特征；
高级嵌入阶段，采用通道注意力空洞残差密集模块学习高级特征，以及通道注意力空洞残差密集嵌入模块进行水印信息嵌入，并利用通道注意力空洞残差密集模块对嵌有水印信息的图像特征进行学习；全局特征融合及残差学习阶段，对高级嵌入阶段中不同块学习的特征进行全局融合，并通过跳跃连接对初级阶段学习的特征进行残差学习。4.如权利要求3所述的基于深度水印算法的dti图像版权保护方法，其特征在于：高级嵌入阶段，采用通道注意力空洞残差密集模块学习高级特征，以及通道注意力空洞残差密集嵌入模块进行水印信息嵌入，并利用通道注意力空洞残差密集模块对嵌有水印信息的图像特征进行学习如下： ；其中，为高级嵌入阶段提取的高级特征，为嵌入水印的高级特征，为第二个通道注意力空洞残差密集模块针对嵌有水印信息的图像特征进行高级特征提取，不同块提取的局部高级特征、、用于第三阶段的全局特征融合。5.如权利要求3或4所述的基于深度水印算法的dti图像版权保护方法，其特征在于：全局特征融合及残差学习阶段，对高级嵌入阶段中不同块学习的特征进行全局融合，并通过跳跃连接对初级阶段学习的特征进行残差学习包括，全局特征融合及残差学习阶段学习的全局融合特征如下：；其中，为全局特征融合及残差学习阶段学习的全局融合特征，用于对局部特征f
lf
进行通道拼接；对全局融合特征和初级特征进行融合，然后通过卷积学习嵌入水印的奇异值，通过对进行奇异值分解的反变换得到嵌入水印的图像如下：。6.如权利要求1所述的基于深度水印算法的dti图像版权保护方法，其特征在于：所述水印解码网络包括引入空洞空间金字塔卷积设计水印解码网络，并包括初级特征提取阶段、高级特征提取阶段和全局特征融合及水印预测阶段3个阶段。7.如权利要求6所述的基于深度水印算法的dti图像版权保护方法，其特征在于：所述初级特征提取阶段、高级特征提取阶段和全局特征融合及水印预测阶段3个阶段包括，所述初级特征提取阶段，通过3
×
3的卷积层提取初级特征如下：
；其中，为通过对遭受攻击的图像进行奇异值分解得到的奇异向量和奇异值，为初级特征提取阶段提取的初级特征；所述高级特征提取阶段，通过级联的混合空洞最大池化模块学习高级特征如下：；其中，，,和为学习的不同尺度的高级特征；所述全局特征融合及水印预测阶段，通过混合空洞全局平局池化模块进行全局特征融合，并通过全连接fc对融合的全局特征进行水印预测如下：；其中，为融合后的全局特征，为预测的水印序列。8.一种实施如权利要求1~7任一所述基于深度水印算法的dti图像版权保护方法的系统，其特征在于：包括，转换模块，采用体素空间变换将dti从流形空间变换到欧式空间中并使用基于深度学习的水印算法进行处理；水印嵌入模块，通过水印编码网络把水印信息嵌入载体图像生成含水印的图像；其中，水印编码网络包括水印嵌入模块、通道注意力空洞残差密集模块和通道注意力空洞残差密集嵌入模块；噪声攻击模块，通过噪声攻击网络对嵌入水印的图像攻击生成噪声攻击的图像；水印提取模块，通过水印解码网络从噪声攻击后的图像提取水印信息；其中，水印解码网络包括混合空洞最大池化模块和混合空洞平均池化模块；生成对抗模块，通过鉴别网络对通过水印编码网络生成的水印图像进行鉴别。9.一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述一种基于深度水印算法的dti图像版权保护方法的步骤。10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述一种基于深度水印算法的dti图像版权保护方法的步骤。

技术总结
本发明公开了一种基于深度水印算法的DTI图像版权保护方法及系统，包括：采用体素空间变换将DTI从流形空间变换到欧式空间中并使用基于深度学习的水印算法进行处理如下：通过水印编码网络把水印信息嵌入载体图像生成含水印的图像；通过噪声攻击网络对嵌入水印的图像攻击生成噪声攻击的图像；通过水印解码网络从噪声攻击后的图像提取水印信息；通过鉴别网络对通过水印编码网络生成的水印图像。本发明首次使用深度神经网络对DTI图像进行版权保护；改进了黎曼网络中纤维方向预测存在的问题，能更好的用于下游任务；解决了传统SVD算法中假阳性错误的问题。不仅嵌入水印信息的图像具有较好可视质量，水印提取网络还有较高的鲁棒性。性。性。


技术研发人员：李智 郑龙 万岳炘 张丽 洪波
受保护的技术使用者：贵州大学
技术研发日：2023.06.26
技术公布日：2023/10/19