可逆数据隐藏算法在医学图像上的应用*

袁陶希，吴昊天，徐依凌，胡晓渭，刘　渊江南大学 数字媒体学院，江苏 无锡 214122



可逆数据隐藏算法在医学图像上的应用*

袁陶希，吴昊天+，徐依凌，胡晓渭，刘渊
江南大学 数字媒体学院，江苏 无锡 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：可逆数据隐藏技术是一种新兴的信息隐藏技术，能够在提取嵌入的信息后无失真地还原出原始信息，因此在医学、遥感、军事等领域被广泛使用。提出了一种新的基于直方图平移的可逆数据隐藏算法，解决了已有算法应用在医学图像上出现的严重视觉失真问题，同时实现了病人信息的可逆隐藏和图像的对比度增强。新算法针对医学图像的像素分布特点，改进已有算法的预处理过程，自适应地选择最优预处理区间，并利用最大类间方差法分离背景和前景区域，在信息嵌入的过程中，逐步地增强医学图像感兴趣区域的对比度，之后能够无损地还原出原始图像。仿真实验表明，新算法有效消除了视觉失真，对两类不同的医学图像均有良好的对比度增强效果，信息嵌入率也相当可观。

关键词：可逆数据隐藏；直方图平移；对比度增强；医学图像

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

随着信息技术在现代医疗中的发展和应用，医疗信息的交换变得越来越频繁。例如，利用远程诊断技术，医学专家可以通过网络在线诊断病情，而病人的医学图像也可以通过网络来传输。为了在医学图像中建立与病人之间的关联，通常需要一份包含病人医疗记录的电子病历[1]（electronic patient records，EPR），并将其嵌入到医学图像中。由于医学图像用于诊断的特殊性，对保真度要求极高，任何微小的改动都可能引起严重的医疗事故，因而其数据完整性不容破坏。为了能够在嵌入数据后完全地恢复出原始图像，需要采用可逆数据隐藏技术来嵌入数字病历[2-3]。

可逆数据隐藏技术[4-8]是信息隐藏中重要的研究方向，其特点是能够在提取隐藏的数据后无失真地还原出原始信息，因其具备这种特性而被广泛运用在医学、遥感、军事等领域。在可逆数据隐藏技术中，峰值信噪比（peak signal-to-noise rate，PSNR）经常被用于衡量信息嵌入后的图像质量。一般认为，峰值信噪比越高，对原图像的改变越轻微。嵌入率则是另一项评估可逆数据隐藏技术的指标，嵌入率越高，则信息嵌入量越大，算法越优。而这两项指标是互相矛盾的，因为嵌入率的提升往往会引起图像的失真，继而导致PSNR值的下降。需要指出的是，由于峰值信噪比没有考虑像素点间的相关性和人类视觉系统的感知特性，评价结果并不能真实反映图像的视觉感知质量[9]。

为了便于专家对感兴趣区域的正确诊断，通常需要对图像进行对比度增强[10-11]处理，即在嵌入数据的同时改善图像的视觉效果。为此，文献[12]提出了一种基于直方图平移的可逆数据隐藏算法，其在嵌入信息的同时增强图像的对比度，以改善图像的视觉效果。虽然该算法对自然图像的处理效果较好，但是由于医学图像的像素值分布往往比较集中，应用该算法后会产生较大的视觉失真。针对医学图像，本文对文献[12]中的算法提出了两项改进。首先，在预处理阶段，自适应地选取最优预处理区间以尽可能减少造成的失真。其次，利用图像分割中经典的最大类间方差法[13-15]将医学图像分割为背景区域与感兴趣区域（region of interests，ROI）两部分，并有选择地增强ROI区域，从而减少被改动的像素值和由数据嵌入引入的噪声影响。将所提算法应用到医学图像中，大量实验结果显示，在信息嵌入的过程中，ROI区域的对比度可得到逐步增强，图像的视觉效果得到改善，并且在提取嵌入信息后能无失真地恢复出原始图像。

本文组织结构如下：第2章回顾了文献[12]中的算法；第3章详细阐述了本文提出的针对医学图像的改进算法的实现过程；第4章给出实验结果，并与已有算法进行对比讨论；第5章总结全文。

2　可逆数据隐藏算法

文献[12]提出了一种适用于自然图像的可逆数据隐藏算法。其实现原理如下：给定一幅图像，如Lena，首先生成它的像素直方图，得到Lena图像中的最大像素值为245，最小像素值为25。直方图上的两个峰值（即像素数目最多的两个像素值）按照位置的左右次序依次被指定为IL和IR。在Lena图像中，像素数目最多的两个像素值分别为155和156，因此IL=155，IR=156。保持两个峰值及它们之间的像素值不变，其余像素值向外平移一个单位。经过这样处理后，在直方图中像素值为154和157的位置处会产生空缺，利用这些空缺以达到数据嵌入的目的。这种方法可以归纳为对直方图中统计的任意像素值I，做如式（1）的变换，在被选中的IL和IR像素值中分别嵌入数据，之后所隐藏的数据能够被正确提取并还原出原始的像素值。

其中，I′为变换后的像素；bk为第k个嵌入的二进制数据位（取值0或1）。若用h(i)表示像素值为i的像素数目，则变换后总共嵌入h(IL)+h(IR)个二进制数据位。

可以看出在经过像素值变换后，原先像素值为IL的像素变成了IL-1或IL，原先像素值为IR的像素变成了IR或IR+1，将此称为峰值像素的扩展。

在生成的新图像的直方图上，又可以找到两个新的峰值，再次利用上面的公式进行信息嵌入，重复执行多次以达到满意的数据嵌入率和对比度增强效果。但是这种变换对于边界像素会在某些情况下出现问题，如对Lena图像进行10次处理后，原始图像中像素值最大的像素245加上10后为255，再对其进行第11次处理后将会溢出。在极端情况下，某些包含0或255像素值的图像进行第一次变换时就会出现像素值溢出现象。因此需要对图像进行预处理，修改边界像素值。假设要做L(L>0)次变换，则预处理方法如下：

同时需要生成一幅与原始图像相同大小的二值图像，将处理过程中被修改的像素标记为1，其余标记为0，并将这幅二值图像用JBIG2[16]算法压缩后以信息形式嵌入到图像中，用于恢复原始图像。

预处理过程虽然有效地解决了边界值溢出问题，但是同时也带来了图像的视觉变形。原先像素值为L-1的像素加上L后变成了2L-1，它比原来像素值为L的像素亮了L-1个像素值。类似的原先像素值为256-L的像素减去L后变成了256-2L，它比原来像素值为255-L的像素暗了L-1个像素值，本文把这种情况称作像素值错位。

其次，对于有大范围背景的医学图像而言，背景像素往往会多次作为峰值进行信息嵌入。假设图像的背景像素值为a，在进行第一次变换时找到IL=a，则在变换后背景像素值被拆分为a-1和a。在生成的新直方图中，若找到两个峰值IL=a-1，IR=a，则在第二次变换后背景像素值被拆分为a-2，a-1，a，a+1。重复执行多次，大范围的背景像素值会不断被拆分，产生相当大的视觉失真。

图1典型地展示了一幅医学图像在经过上述可逆数据隐藏算法处理后，由预处理带来的像素值错位现象和背景像素扩展后产生的视觉失真。可以看到ROI区域中原本较暗的区域变得较亮了，背景区域的像素因为扩展而变得相当混乱。

Fig.1　Comparison between original image and image with information embedded(L=40)图1　原始图像与嵌入数据后的图像的对比(L=40)

3　基于医学图像直方图特性的改进算法

3.1新预处理方案

为了减少由于像素值错位产生的视觉失真，需要对预处理过程进行改进。由于医学图像的像素值往往分布集中，直方图中的大部分像素值的个数很少甚至为零，并且和自然图像不同，这些个数很少的像素值并不是分布在直方图的两端。如图2所示，左图为Lena图像的直方图，右图为图1中医学图像的直方图。通过医学图像的直方图可以看到，图像的最右端有相当一部分数量的像素，原始的预处理使这部分像素产生错位，也就产生了原本较暗的区域变亮的现象。为了减少由于像素值错位产生的视觉失真，一种改进方法就是寻找最优预处理区间，使错位程度降到最低。

Fig.2　Comparison between histograms of Lena image and medical image in Fig.1图2　Lena图像与图1中的医学图像的直方图对比

文献[17]提出了一种针对此问题的改进办法，其寻找最优预处理区间的方法概括如下：假设要做L次变换，L∈[1,64]，分别统计像素区间[a,a+L-1]和[a+L,a+2L-1]内像素的数目，a∈[0,128-2L]，若区间[am,am+L-1]或[am+L,am+2L-1]其中一个包含最小的像素数目，那么[0,am+L-1]为最优左预处理区间。同样的，分别统计像素区间[256-b-L,255-b] 和[256-b-2L,255-b-L]内像素的数目，b∈[0,128-2L]，若 区 间 [256-bm-L,255-bm]或 [256-bm-2L,255-bm-L]其中一个包含最小的像素数目，那么[256-bm-L,255]为最优右预处理区间。找到的像素数目最少，则发生错位的可能性也越小，这是文献[17]方法的原理，然而仅以此作为依据显然不够全面，它未具体考虑像素间错位的实际情况。

视觉失真的一部分源自像素值错位，而将这种像素值错位的程度以数值形式量化将会有利于比较它们之间的大小。因此下面将建立一种评估某一区间错位程度的数学模型，然后通过该模型选取最优预处理区间。假设要做L次变换，L∈[1,64]，设左预处理区间为[0,SL]，其中SL∈[L-1,127-L]，当预处理区间内的像素都加上L后，预处理后得到的像素区间变为[L,SL+L]，其子集[SL+1,SL+L]和原本处于该区间内的像素发生错位，也就是原预处理区间[SL-L+1,SL]内的像素和[SL+1,SL+L]区间内的像素发生错位。令x为任意像素值的像素，对于∀x∈[SL-L+1,SL]，像素x和区间[SL+1,x+L]内像素发生错位，在经过预处理后，它会大于等于该区间内的所有像素。显然区间[SL+1,x+L]内包含的像素数目越多，那么错位的程度也越严重，不同像素值的像素与像素x产生的错位程度也不能等同视之。于是建立以下函数评估单个像素x引起的错位程度：

其中，h(i)是像素值为i的像素数目；d(i)是错位系数，与i有关，用于衡量像素i与像素x产生的错位程度。原则上若i和预处理后的值x+L相差越大，说明错位的程度越大。同时为了计算的简便性，可以取d(i)=x+L-i+1，该函数是一个关于i的线性函数。

将单个像素x引起的错位程度乘上其数目便得到像素值为x的全体像素引起的错位程度，对于每个属于区间[SL-L+1,SL]内的x，再将其值累加便可得到评估整个预处理区间内像素引起的错位程度：

根据SL的取值不同，可以按上述公式计算出对应的错位程度，选择错位程度最小的那个SL作为最优左预处理区间。

同样的，对于右预处理区间[SR,255]，其中SR∈[128+L,256-L]，原预处理区间[SR,SR+L-1]内的像素和[SR-L,SR-1]内的像素发生错位。对于∀x∈[SR,SR+L-1]，像素x和区间[x-L,SR-1]内像素发生错位，评估单个像素x引起的错位程度的函数变为：

其中，取d(i)=i-x+L+1，评估整个预处理区间内像素引起的错位程度的函数变为：

3.2背景分割

正如前面所提到的，医学图像往往有大范围的背景，背景的像素值极易被当作峰值像素扩展，导致图像的大幅度视觉失真，因此另一个改进的思路就是背景分割。基于背景分割的改进策略有两种：一种是找出背景区域和ROI区域并标记ROI区域，将ROI区域看作一幅新的图像，在每一次进行信息嵌入时，由于背景区域不直接进行处理，理论上可以消除因信息嵌入到背景引起的视觉失真。然而这种方法实现起来较困难，因为现有的任何图像分割技术，包括那些专门针对医学图像的分割技术，都无法精确地分离出背景和ROI区域。另一种策略同样是背景分割，但是只需找出背景像素值，然后在选取将要被扩展的峰值像素值时避开这些背景像素即可。本文选择的正是后者。

因为大范围背景的关系，医学图像的直方图上至少会存在一个较高的峰，如图2中的医学图像直方图所示，还有一个较高峰即为前景，在这两个峰之间有较深的谷底，此时运用阈值分割技术进行分割是非常有效的。最大类间方差法[13-15]（Otsu）是一种自动选取阈值的图像阈值分割算法。该算法将图像中的像素按照阈值k分成C0和C1两类，其中C0是像素值为[0,1,…,k]的像素，C1是像素值为[k+1,k+2,…,S-1]的像素，S为图像的像素灰度级数量。当阈值k确定时，C0和C1之间的类间方差定义为：

其中，P1(k)和P2(k)分别为C0和C1内像素的概率总和。令pi为一幅图像中像素值为i的像素出现的概率，i∈[0,1,…,S-1]，则有：

m1(k)和m2(k)分别为C0和C1内像素的平均灰度，即：

mG为整幅图像的灰度均值：

医学图像中的背景往往是像素值较小的部分，因此把小于等于k的像素值看作背景色。通过大量实验可以发现，只要将背景色中的部分像素值排除即可（例如这些像素值的像素累计占整个图像像素的比重大于30%），不必排除所有的背景色，因为排除越多的背景色，嵌入率势必也会下降得越严重。然后，只从其余像素中寻找要扩展的峰值像素，这样不仅可以增强ROI区域的对比度，视觉失真也会大幅度减轻。需要注意的是，在像素值变换处理后背景像素有很大概率会被平移，因而在每一次变换前都需要做背景分割，寻找新的背景像素值。

3.3算法流程

假设要做L次变换，新的算法流程如下。

步骤1预处理：计算得到错位程度最小的左预处理区间[0,SL]和右预处理区间[SR,255]，将区间[0,SL]和[SR,255]内的像素分别加上和减去L，做此处理时排除图像底部的前16个像素。将预处理过程中被修改的像素记录下来，生成一幅与原图像同样大小的二值标记图，然后用JBIG2[16]标准压缩。

步骤2背景分割：利用最大类间方差法分割背景和前景，得到排除的背景像素。

步骤3重新计算图像的直方图，计算时排除底部的前16个像素。

步骤4找到直方图中除了背景像素外的两个峰值，分别标记为IL和IR，对新直方图中的每个像素执行式（1）的变换操作。

步骤5重复执行步骤2～步骤4共L次。当最后一次处理时，将L、SL、SR、标记图的长度和数字水印图像的长度以及底部16个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两个峰值像素值中。

步骤6用底部16个被排除像素的LSB记录最后一次的两个峰值像素值。

提取和恢复过程如下。

步骤1通过底部16个被排除像素的LSB获取最后一对峰值像素值。

步骤2用如下公式提取嵌入的信息：

其中，b′k是第k个二进制信息位。下面的操作可以连续地恢复直方图：

步骤3得到标记图的长度信息后就可以将标记图提取并解压缩还原。

步骤4后处理：对于二值标记图上标记的值为1的像素，其像素值属于区间[L,SL+L]的都减去L，属于区间[SR-L,255-L]的都加上L。

步骤5从提取的信息中获得被排除像素的原始LSB，然后恢复原始图像。

4　实验结果与分析

本文实验的环境为Visual Studio 2012，CPU为Core i5@2.5 GHz。实验图像是从NBIA网站[18]上抽取的8张尺寸为512×512像素的灰度CT图像。图像分为两类各4张，一类是以图1中的图像为代表的前景与背景分明的图像，另一类则是近乎全黑且前景比重较小的图像。因为最大类间方差法可以自动分割图像，所以此步骤不需要指定额外参数。在选取被排除的背景像素值时，背景像素值的像素数目占所有像素数目的百分比（T）需要被人为指定，根据不同的图片可以取不同的值，为了防止排除过多的背景像素值，也可以另外加上约束条件，如排除不超过10个像素值。

首先使用本文提出的改进算法对图1中的医学图像进行实验。

图3是嵌入的带有病人信息的大小为128×128像素的二值数字水印图像，因为可以嵌入的数据容量会大于此水印图像本身，所以在实验中该图像会被重复嵌入直至达到可嵌入的容量极限。

从提取的信息中可以获得所有的峰值像素值，重复运用式（13）和（14）可以还原出原始图像，提取所有嵌入的信息。

Fig.3　Digital watermark image containing patient information图3　带有病人信息的数字水印图像

图4显示的分别是原始医学图像，采用文献[12]中算法处理过的图像和采用本文改进算法处理过的图像，实验中L=40，T=30%。可以看到通过改进的预处理方案，基本消除了像素值错位现象。经过背景分割之后，由于扩展像素值集中在ROI区域的像素值内，ROI区域的对比度得到了显著的提升，同时背景也变得不再混乱。

Fig.4　Comparision between algorithms in paper[12]and this paper图4　文献[12]的算法和本文算法对比

同样地对第二类图像进行实验，实验中L=40，T=30%，图5显示了实验结果。可以看到背景占据的比重较大，因此视觉失真主要发生在背景部分，而且失真的程度相当大。使用本文改进算法后，有效地消除了视觉失真，因此改进算法对第二类图像同样适用。

提取和恢复部分的算法和文献[12]一样，未做任何改变。图6是图4（d）和图5（d）提取被隐藏数据后的图像，经数据对比，与原始图像完全一致。

Fig.5　Comparision between algorithms in paper[12] and this paper for another kind of medical image图5　另一类医学图像使用文献[12]的算法和本文算法对比

Fig.6　Images after extracting hidden data图6　提取被隐藏数据后的图像

表1是两幅图像的预处理区间及其错位度的具体数据。图7是使用本文的改进预处理方法和文献[17]的改进预处理方法的视觉效果对比。采用文献[17]的预处理方法后，图像中器官的外围部分出现了不同程度的“高亮”现象，而本文方法则没有出现该情况。从表1中也可以看到，本文的预处理方案在错位程度的数值上优于原方案与文献[17]，和实际图像呈现的视觉效果一致，说明评估模型虽然简单，但确实有效。不过由于模型中包含大量累加和累乘运算，导致结果的数量级较大，下一步的改进方向是寻找更优的评估模型。

Table 1　Preprocessing comparison among algorithms in papers[12]，[17]and this paper表1　文献[12]、[17]和本文的预处理方案对比

Fig.7　Preprocessing comparison between algorithms in paper[17]and this paper图7　文献[17]与本文的预处理方案对比

通过增大L可以增强对比度，在实验中固定T=30%，L=20，30，40和50时的对比度增强效果如图8所示。PSNR的计算公式如下所示：

其中，M和N分别是图像的长宽；I0(i,j)和I1(i,j)分别是原始图像和嵌入信息后图像的第i行第 j列像素值；MSE被称作均方误差。

Fig.8　Result of contrast enhancement for different L图8　L取不同值时图像对比度增强效果

从结果中可以看到对比度增强效果随着L值增加而增加，PSNR值不断下降。根据PSNR的公式，可以知道原图像和嵌入数据后图像的均方误差MSE越小，PSNR值越大。又由嵌入公式（1）可知，在一幅图像中，只有两个峰值点之间的像素值保持不变，其他像素值（这其中包括占据图像比重较大的背景像素）都要加1或减1，随着变换次数L的增大，和原始图像的差距也不断增大，PSNR值因此而下降。要获得较高的PSNR值只能减少变换次数L。在实际应用中也不推荐L取过大的数值，L越大，产生视觉失真的概率也就越大。经过大量实验，发现L取20～50之间较好，不仅能使对比度提升到一个满意的水平，也不会产生肉眼可见的视觉失真。

文献[12]的算法主要包含预处理，像素直方图的生成和数据嵌入，计算开销主要来自直方图的生成和数据嵌入。生成直方图需要遍历一次图像，每嵌入一次数据也要遍历一次图像，若一幅图像的大小为M×N，变换次数为L，则算法的复杂度为O(LMN)。本文提出的改进预处理部分的复杂度为常数级，不随图像的大小而改变，而且只执行1次。最大类间方差法执行L次，每次都需要生成一次直方图，而之后选择最佳阈值的操作同样为常数级，因而改进算法的复杂度保持O(LMN)不变。虽然计算复杂度在数量级上保持不变，但不论是改进的预处理方法还是最大类间方差法，都需要一定量的累加和累乘操作，而嵌入数据的过程只需要做整数加减法运算，因此由改进的预处理和最大类间方差法带来的时间会比原算法多出不少。表2是文献[12]和本文算法的实际运行时间对比，包含了嵌入率，嵌入率在计算时排除了标记图、L、各个阶段的SL、SR等辅助信息。

Table 2　Running time comparison between algorithms in paper[12]and this paper表2　文献[12]和本文算法运行时间对比

由表2中嵌入率一列可以发现，文献[12]的算法在嵌入率上要远大于本文。因为在嵌入数据时，特意避开了背景像素值，避免了产生严重的视觉失真，代价则是嵌入率的降低。不过由于原算法本身出色的嵌入率，改进后的算法的嵌入率还是相当可观的。而因为嵌入更多的数据，文献[12]的运行时间在某些情况下要大于本文算法，为此增加运行时间与嵌入率之比这一参数，该参数的数值可以看作是嵌入单位比特数据所需要消耗的时间。从这个参数上可以看到本文算法的时间成本确实要高出不少，和之前的理论分析结果一致。

接下来的实验是测试不同L值对数据嵌入率的影响大小。实验中固定T=30%，L从1到60依次增长，结果如图9所示。可以看到嵌入率总体上随着L值的增加而增加，因为峰值像素扩展的次数越多，能嵌入的数据也越多，但是并不十分稳定，在某些较大的L值下反而出现了下降。原因是最优预处理区间随L值的改变而改变，标记图的大小发生了变化，进一步影响了有效数据的嵌入率。

Fig.9　Embedding rate for different L图9　L取不同值时对嵌入率的影响

5　结束语

可逆数据隐藏技术是当今信息安全领域的一个研究热点，对比度增强是医学图像中常常用来突出细节改善视觉效果的方法。这两项技术的结合在医学图像处理领域将拥有广阔的前景，本文正是以此为出发点，针对医学图像的特点，改进已有文献中的算法，并将其应用到医学图像上，实现了将病人的信息以数字水印的形式嵌入到图像中，同时增强图像的对比度，而且可以无损地恢复图像和提取出嵌入的数字水印信息。经过实验显示，本文提出的改进算法在很大程度上解决了已有算法在医学图像上出现的问题，有效增强了图像的对比度。

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.

附中文参考文献：

[5]杨玉琴.可逆数据隐藏技术综述[J].无线互联科技,2012 (7):77.

[6]李健伟,胡永健,陈开英.利用预测误差直方图平移的可逆数据隐藏技术[J].中国图形图象学报,2009,14(6): 1088-1095.

[7]翦鹏,陈志刚,邓小鸿,等.基于预测误差修改的医学图像数据隐藏方法[J].计算机工程与科学,2012,34(12):105-109.

[8]张志彤,赵耀,倪蓉蓉,等.奇偶性分类下大容量医学图像可逆水印算法[J].数据采集与处理,2013,28(5):626-632.

[9]段影影.医学图像质量评价方法研究[D].深圳:南方医科大学,2010.

[10]张利平,黄廉卿.基于局部直方图重分布的医学图像增强方法[J].光电子·激光,2004,15(7):877-880.

[11]汪志云,黄梦为,胡钋,等.基于直方图的图像增强及其MATLAB实现[J].计算机工程与科学,2006,28(2):54-56.

[15]Gonzalez R C,Woods R E,Eddins S L.数字图像处理的MATLAB实现[M].2版.阮秋琦,译.北京:清华大学出版社,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，江南大学学生，主要研究领域为数字图像处理。

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.

吴昊天（1980—），男，江苏沭阳人，香港浸会大学计算机科学系博士，现为江南大学副教授，主要研究领域为网络媒体安全，图像与视频处理。

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，浙江绍兴人，江南大学学生，主要研究领域为数字图像处理。

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

胡晓渭（1994—），女，浙江桐乡人，江南大学学生，主要研究领域为数字图像处理。

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.

刘渊（1967—），男，江苏无锡人，江南大学教授、博士生导师，主要研究领域为网络安全，信息安全。

*The National Natural Science Foundation of China under Grant No.61100169(国家自然科学基金);the Fundamental Research Funds for the Central Universities of China under Grant No.JUSRP1047(中央高校基本科研业务费专项资金);the Natural Science Foundation of Jiangsu Province under Grant No.BK20151131(江苏省自然科学基金面上项目).

Received 2015-06,Accepted 2015-08.

CNKI网络优先出版:2015-09-02,http://www.cnki.net/kcms/detail/11.5602.TP.20150902.1105.008.html

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

文献标志码：A

中图分类号：TP309.2

doi:10.3778/j.issn.1673-9418.1506064

Reversible Data HidingAlgorithm and ItsApplication to Medical Imagesƽ

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