基於差值擴張與二維模型於醫學影像之可逆資訊隱藏技術
65
0
0
全文
(2) 基於差值擴張與二維模型於醫學影像之可逆資訊隱 藏技術. 學生：陳乃魁. 指導教授：蘇崇彥. 國立臺灣師範大學電機工程學系碩士班. 摘. 要. 資訊隱藏技術是一種用於內容認證、保護資訊的方法，在某些應用上，此技 術必須是可逆的，像是軍事或是醫療。一般來說，醫學影像中包含許多純黑跟純 白的點，而這些點在資訊隱藏技術中有極大的機率會導致溢位的情形發生。 在本論文中，我們提出一個結合差值擴張法與二維差值擴張模型的可逆資訊 隱藏技術，可避免溢位的發生。首先我們將影像先分成許多區塊，每個區塊為 4×4 像素，再根據其平均值及標準差將區塊分為 5 種類型，其中 4 種為可嵌入的，1 種為不可嵌入的。另外，我們也提出了一個以數學方式證明能有效的區分此 5 種 類型的方法。實驗結果顯示出本論文所提出的方法相對於其他方法在大多數的醫 學影像上，能達到較高的嵌入容量及影像品質，且產生較少的位置圖資料量。此 外，我們也將此套系統發展成在 Android 平台上的應用程式。. 關鍵字 : 可逆資料藏入技術、差值擴張法、浮水印嵌入技術. i.
(3) Reversible Data Hiding for Medical Images Based on Differential Expansion and Two-Dimension Scheme. Student：Chen, Nai-Kuei. Advisor：Dr. Su, Chung-Yen. Institute of Electrical Engineering National Taiwan Normal University. Abstract. Data hiding is a method used for content authentication and information protection. For some applications, such as the medical or military system, the data hiding is required to be reversible. In general, the medical image consists of many pure black and white points which leads to that a data hiding may cause the overflow and underflow problems. In this paper, we proposed a new reversible data hiding method for medical images which is based on the difference expansion (DE) method and the two-dimension difference expansion (2D-DE) scheme. Firstly, the image is divided into blocks of 4×4 pixels. Based on the average and standard deviation of each block, the blocks are categorized into five types. Four of them are embedded blocks and the remaining one is a non-embedded block. We also proposed a mathematical approach to efficiently differentiate these five types. Experimental results show that the proposed method compared to the others can achieve higher embedding capacity and generate less the size of location map for most medical images without losing the image quality. Furthermore, we develop this system as an app on Android OS.. Keywords: lossless data hiding, differential expansion, watermarking. ii.
(4) 誌謝. 我即將從碩士班畢業，在這兩年中，我要先感謝我的指導教授蘇崇彥 博士， 老師在大學時就已經開始指導我了，經過 4 年的指導，教會了我許多在研究上的 觀念，老師會適時的給予我方向，讓我的研究可以順利的完成。再來感謝瞿忠正 及林政宏 博士，能撥空擔任口試委員，給予我很多在論文上的一些建意，使得我 的碩士論文更加的完整。 在這幾年的實驗室生活中，我要感謝學長施哲揚、陳鈺棠、林俊霖、榮堃和 柳英浩，在我來實驗室的時候都有人可以聊天，幫忙解決一些實驗室的問題，再 來感謝學長宜蒲和學弟彥良，會跟我一起去運動，感謝學弟鄭智謙、周世耀和孫 志軒，可以一起打桌遊，感謝隔壁實驗室的學長銘陽，陪我一起去公館及台大修 課，感謝 Vivian 幫我修改英文論文，感謝學長雋益，提供我一些職場上的資訊， 感謝同期的立安和政鈞，可以一起研究遊戲和功課，最後感謝來過我們實驗室的 人，讓我們的實驗室充滿歡笑。 對於我一路走來，我必須要感謝我的家人，謝謝你們給我一個自由的學習空 間，讓我能無壓力的完成我各個階段的學業，相信在出社會後，我不會忘記曾經 幫助過我的人。. iii.
(5) 目錄 中文摘要 ......................................................................................................................... i 英文摘要 ........................................................................................................................ ii 目錄 ............................................................................................................................... iv 圖目錄 .............................................................................................................................v 表目錄 ........................................................................................................................... vi 第一章 緒論 ............................................................................................................ - 1 1.1 1.2 1.3. 研究背景 ........................................................................................................... - 1 研究動機及目的 ............................................................................................... - 1 論文架構 ........................................................................................................... - 3 -. 第二章 文獻探討 .................................................................................................... - 4 2.1 2.2 2.3 2.4 2.5. 可逆資訊隱藏技術簡介 ................................................................................... - 4 相關文獻 ........................................................................................................... - 6 差值擴張法(DE) ............................................................................................... - 8 哈爾小波轉換(Haar Wavelet Transform)....................................................... - 11 二維差值擴張模型(2D-DE Scheme) ............................................................. - 13 -. 第三章 研究方法 .................................................................................................. - 16 3.1 3.2 3.3 3.4. 可逆資訊藏入技術流程 ................................................................................. - 16 位置圖資訊紀錄 ............................................................................................. - 21 可逆資訊取出技術流程 ................................................................................. - 22 參數證明與討論 ............................................................................................. - 24 -. 第四章 實驗結果與數據分析 .............................................................................. - 31 4.1 4.2 4.3. 測試方法 ......................................................................................................... - 31 最大嵌入容量下的比較結果 ......................................................................... - 34 各個嵌入容量下之比較數據 ......................................................................... - 37 -. 第五章 Android 應用程式之實現 ........................................................................ - 43 第六章 結論與未來展望 ...................................................................................... - 50 參考文獻 .................................................................................................................. - 52 -. iv.
(6) 圖目錄 圖 1-1 數位浮水印嵌入技術流程圖 .................................................................... - 2 圖 2-1 差值擴張法用於影像示意圖 .................................................................. - 11 圖 2-2 哈爾小波轉換之水平切割 ...................................................................... - 12 圖 2-3 哈爾小波轉換之垂直切割 ...................................................................... - 12 圖 2-4 (a)一階哈爾小波轉換 (b)二階哈爾小波轉換 ....................................... - 13 圖 2-5 Osamah 的 2D-DE 模型嵌入流程 ........................................................... - 14 圖 3-1 於平滑區塊中，4 種型態的條件 ........................................................... - 17 圖 3-2 嵌入流程 ................................................................................................... - 19 圖 3-3 黑白點區域於差值擴張法與二維差值擴張模型的溢位情況 ............. - 20 圖 3-4 𝜎𝑏′ 中的模糊地帶 ...................................................................................... - 21 圖 3-5 斜線部分為𝜇𝑏′ 中的模糊地帶.................................................................. - 22 圖 3-6 資訊取出流程 .......................................................................................... - 23 圖 3-7 標準差為 2 與差值擴張法的關係 ........................................................... - 25 圖 3-8 於平滑區塊中，差值擴張法的邊界情況............................................... - 26 圖 3-9 嵌入位元 1 的資訊至圖 3-8 的每個像素對中 ...................................... - 27 圖 3-10 各型態嵌入後的平均值範圍 ................................................................ - 28 圖 3-11 決定𝜇𝑏′ 為 2~5 之模糊地帶範圍 ........................................................... - 29 圖 3-12 決定𝜇𝑏′ 為 254~255 之模糊地帶範圍 ................................................... - 29 圖 4-1 10 張醫學影像及 2 張一般影像 .............................................................. - 32 圖 5-1 應用程式的功能及使用者介面 .............................................................. - 43 圖 5-2 讀入圖檔 (a)選取 3 張醫學影像 (b)顯示的醫學影像 ........................ - 44 圖 5-3 處理文字檔 (a)讀入 (b)編輯 (c)儲存 (d)未儲存 ............................... - 45 圖 5-4 資訊嵌入 (a)等待畫面 (b)新增 Watermark 資料夾及嵌入檔案 ........ - 46 圖 5-5 資訊取出 (a)等待畫面 (b)取出成功 .................................................... - 47 v.
(7) 表目錄 表 3-1 T1~T4 的嵌入方法 .................................................................................... - 18 表 3-2 於μ'b 的模糊地帶中，一位元的位置圖記錄方式 ................................. - 22 表 4-1 本論文與[4]、[17]和[21]於不同影像中之最大嵌入容量比較 ........... - 34 表 4-2 [21]於最大嵌入容量下的位置圖資訊、PSNR 及 SSIM ...................... - 35 表 4-3 本論文於最大嵌入容量下的位置圖資訊、PSNR 及 SSIM ................ - 36 表 4-4 本論文與[4]和[17]於較多邊界點的醫學影像(M1、M2)之比較 ........ - 37 表 4-5 本論文與[4]和[17]於較多邊界點的醫學影像(M4、M5、M6)之比較 . - 38 表 4-6 本論文與[4]和[17]於較多邊界點的醫學影像(M9、M10)之比較 ...... - 39 表 4-7 本論文與[4]和[17]於較少邊界點之醫學影像(M3、M7、M8)之比較 . - 40 表 4-8 本論文與[4]和[17]於 Baboon 和 Lena 之比較 ...................................... - 41 表 4-9 於不同影像之各嵌入型態區塊的個數.................................................. - 42 -. vi.
(8) 第一章 緒論. 1.1 研究背景 近年來，隨著科技進步，網路越來越普及，網路傳輸已被廣泛應用於各個領 域中，不管是工廠作業、家庭或醫療照護，都已結合物聯網的技術，將資料傳送 至雲端聚集處理，像是智慧醫療[1][2]，其內容包括電子病歷、遠距醫療照護及穿 戴式裝置等等，便是透過此技術達到健康資訊管理和醫療診斷，進而提高醫療品 質，減少醫療資源的浪費，如：醫護人員可以捨棄紙本資訊，藉由行動裝置，即 時更新，達到方便瀏覽的特性，或者是醫師可將病歷電子化，將病患的檢查報告 或開過的處方記錄之，以增加醫師再檢查時的效率，而這些資料大多以數位型態 儲存，包括影片、文字、圖片……，在物聯網的應用上，病患資訊可能在傳輸時 遭到有心人士惡意的竄改、盜用或竊取，導致某些重要的資訊因此洩漏，所以我 們可以藉由可逆資訊隱藏技術來確保資料於網路傳輸中的安全且確保其真實性。. 1.2 研究動機及目的 資訊隱藏技術為數位浮水印技術的一種，而浮水印技術從外觀來看大致上 分為兩大類： 1. 可視浮水印：藏入後的影像外觀是可以看見其藏入資訊的。 2. 隱藏式浮水印：藏入的資訊並不會顯示於藏入後的影像中。 一般常見的浮水印為可視浮水印，藏入的資訊通常為公司的商標，可用於宣告版 權之圖案，而本篇論文主要著重於第二種─隱藏式浮水印，此種浮水印技術大多 用於保護重要資訊，防止資訊洩漏，如圖一前半部所示，經過資訊藏入技術後， 重要資訊會被隱藏在影像中，此時，從影像的外觀是不易被察覺的，但此技術會 -1-.
(9) 因此產生額外資訊，稱為位置圖資訊，是用來還原原始影像及重要資訊的，然而 在傳統的資訊隱藏技術中，由於未考慮到醫學影像的特性，即許多像素點在嵌入 後會產生溢位的現象(溢位：嵌入後的像素點其值落於電腦能儲存的有效範圍之 外)，因為在醫學影像中，像素點的值大多位於電腦能儲存的有效範圍的邊界附 近，然而這些點並不適用藏入資訊，所以其嵌入容量通常會比預期的還低，若最 大嵌入容量比重要資訊還要少，便無法將所有資訊在嵌入時就藏於影像中，所以 在取出後，便會像圖 1-1 後半部的 b 資訊所示，影像中僅藏著重要資訊的一部份 而已(血壓資訊遺失)。在醫學領域中，這些資訊的遺失是不被允許的，因為只要 與原先有些微的不同，就有可能導致誤診的情況發生，所以醫學影像及重要資訊 必須要能完整的藏入且要無失真的還原，如圖 1-1 後半部的 a 資訊。. 圖 1-1 數位浮水印嵌入技術流程圖. 在智慧醫療中，由於醫學影像傳送不管是於醫院內或是醫院外(轉院)，都必 須保障其安全性，主要可分為以下三種特性[3]： 1. 保密性 (Confidentiality)：代表只有特定的使用者有權利能對系統中的影像 進行存取的動作。 2. 可靠度 (Reliability)：包含完整性(Integrity)與真實性(Authentication)的特徵， 完整性是指影像不會受到未經許可的人任意修改，而真實性是指影像的患 者與來源是正確無誤的。 3. 可使用性 (Availability)：這張影像在一般的情況下，可被經授權的使用者 -2-.
(10) 應用。 其中前兩個特性較為重要，而資訊隱藏技術便是藉由強調影像可靠度中的完整性 與真實性，醫院可以將病患的資訊嵌入於相對應的醫學影像中，如：患者的名字、 身分證字號、看診日期、開過的處方和症狀等，這些資料可讓醫師更清楚的了解 病患的狀況，提高診斷效率。 綜合以上的敘述，本論文提出了一個針對醫學影像的可逆資訊隱藏技術，能 在對影像產生少許修改下，有效的增加嵌入容量，且嵌入後產生額外的位置圖資 訊會比原先的重要資訊要來的小，達到壓縮的功能，於傳輸上，能保護病患資訊 不被洩漏，且能完整的還原重要資訊與醫學影像。. 1.3 論文架構 本論文主要分六個章節。第一章為緒論，介紹研究背景、動機及目的；第 二章為文獻探討，介紹一些相關文獻的作法，主要有差值擴張法與實作於頻率 域上的二維差值擴張模型；第三章為研究方法，介紹本論文所提出針對醫學影 像的可逆資訊隱藏技術；第四章為實驗結果與數據分析，將呈現本論文的方法 與其他論文方法的實驗比較結果；第五章為 Android 應用程式之實現，主要將 本論文所提出的方法移植至 Android 應用程式，並介紹其操作；最後第六章為 本論文的結論與未來展望。. -3-.
(11) 第二章 文獻探討. 2.1 可逆資訊隱藏技術簡介 可逆資訊隱藏技術又稱為無損的資訊隱藏技術，我們可以將重要資訊藏入 影像後，完整的從這張影像中還原出原有的影像及資訊，其中，重要資訊通常會 先轉為以二進位的方式表示之，並以一位元一位元的方式藏於影像中，此技術通 常會考慮下列三種特性[3]： 1. 嵌入容量 (Embedding Capacity)：表示一張影像中可嵌入多少位元的資訊， 嵌入容量越大代表有較多的資訊可被嵌入於此張影像中。 2. 穩健性 (Robustness)：表示嵌入資訊後的影像經過改變後，如：翻轉、放 大、縮小等，其嵌入的資訊是不是還有能力被提取出來。 3. 隱蔽性 (Imperceptibility)：表示嵌入後的影像與原始影像的差異程度，隱 蔽性越高代表嵌入後的影像與原始影像越相近，越不容易被察覺此張影像 有被藏入過資訊。 其中嵌入容量與隱蔽性是互相牽制的，嵌入容量若越高，影像改變的就越多，越 易被察覺，所以隱蔽性相對的就低，相反地，若嵌入容量越低，影像改變的越少， 隱蔽性就高。 在此嵌入技術過程中額外產生的位置圖資訊，主要是用來還原影像用的，因 為並不是影像中的每個像素點都能嵌入，像是嵌入完後會產生溢位的點就不適合 嵌入，因為溢位會導致資料的遺失，並無法達到完整還原，此方法便為不可逆， 所以必須要用位置圖資訊來記錄哪些點是可嵌入，哪些是不可嵌入的，然而位置 圖資訊的資料量會依據不同的資訊隱藏技術和影像的性質而有所不同，且會間接 地被可嵌入容量所影響，因為影像的可嵌入容量若不足以嵌入目前的重要資訊， 位置圖的資訊量便是記錄整張影像，相反地，若影像的可嵌入容量遠大於重要資. -4-.
(12) 訊量，則位置圖資訊只需記錄於影像中的一小部分。理想上，位置圖資訊量是越 少越好。 浮水印嵌入技術的性質大致上可分為兩種： 1. 強健型浮水印 (Robust Watermarking)：屬於這類型的浮水印嵌入技術通常 較能抵禦外來的干擾，保護嵌入於影像內部的重要資訊，此大多做為版權 證明之應用，此方法大都將數位資訊嵌入於影像的頻率域中，低頻成分能 量較高，若嵌入在此，較不易被破壞，但是人眼對於低頻也較為敏感，所 以若嵌入於高頻，較不易被察覺，所以要在隱蔽性及穩健性中做一個權衡， 然而較少的嵌入容量與不可逆的缺點常發生於此方法中。 2. 脆弱型浮水印 (Fragile Watermarking)：相較於強健型浮水印，其影像經過 處理、竄改後，較難保護其內部的重要資料，此方法多用於鑑識功能，確 認影像的真實性及完整性，若嵌入的資訊無法完整的還原，便能得知此影 像已遭人破壞，非原來的影像，現今大部分的資訊隱藏技術多為此類型， 代 表 研 究 為 差 值 擴 張 法 (Difference Expansion) [4] 和 直 方 圖 位 移 法 (Histogram Shifting) [5]。 其中，在脆弱型浮水印中的直方圖位移法與差值擴張法常為後人改良之研究，以 下將簡介此兩種方法： 直方圖位移法是由 Ni 等人所提出，此方法主要統計影像中像素值的分佈， 將出限次數最多的像素值與出現次數最少的像素值找出，並將其間的值往出現次 數最少的像素值移動，直方圖中就會出現一個空的區域，便可將重要資訊藏入， 此演算法簡單實現，但是因可嵌入容量取決於出現次數最多的個數，所以若可嵌 入容量不足，便必須重新找像素組，導致影像品質的下降。 差值擴張法由 Tian 學者提出，此方法主要將重要資訊嵌入於一對像素值間， 此像素對通常由影像中兩個鄰近的像素值所組成，再利用兩像素值間的差值藏入 重要資訊，每個像素對可藏入一位元的資料量，此方法簡易實現，但是因為像素 對會產生溢位的情況，所以必須用位置圖資訊來紀錄每對像素對是否有被嵌入。 -5-.
(13) 2.2 相關文獻 在 2.1 節中提到了以脆弱型浮水印為代表的研究有差值擴張法與直方圖位移 法，在這一章節中，將介紹其他現今的資訊隱藏技術，這些技術主要的改良方向 有三種：提高影像品質、提升嵌入容量和減少額外資訊的產生，以下將以這些方 向做為主要介紹的分類依據。. 提高影像品質： 影像品質的提高讓人越不易察覺藏入後的影像與藏入前的影像的差異。Xuan 等人[6]將差值擴張法套用在整數小波轉換(Integer Wavelet Transform, IWT)後的 高頻頻帶中，為的是增加嵌入後影像的峰值信號雜訊比(Peak Signal to Noise Ratio, PSNR)；Huan 等人[7]提出了一個基於原始影像固有統計(Inherent Statistics)的方法， 這 方 法 結 合 了 差 值 擴 張 與 直 方 圖 位 移 法 ， 並 使 用 四 叉 樹 分 解 (Quad-Tree Decomposition)，此對於在平滑區域嵌入時能得到更好的影像品質；Wu 等人[8]認 為根據邊緣的方向能夠減少在差值擴張法中像素對間的差值以提高嵌入後的影 像品質，因為通常像素對間的差值越大，嵌入後，其影像品質也會越差；Run 等 人[9]提出一種基於小波數量化(Wavelet Tree Quantization)的浮水印嵌入方法，此 方法用於保護版權，能有效的抵擋影像處理的攻擊，像是壓縮或濾波，而之後 Lin 等人[10]修改此方法來增加影像品質及處理的速度，雖然此方法能提供良好的強 健性，但是卻不能完整的還原原始影像。. 提升嵌入容量： 提升嵌入容量代表能藏於一張影像的資訊量增加。在醫學影像上，Chiang 等 人[11]使用了二階的二維差值擴張(2nd Level Two-Dimension Difference Expansion, 2nd Level 2D-DE)模型，此方法相較於嵌入像素對中的差值擴張法，他先將整張影 像切成多個 4×4 的區塊，再分別將每個區塊轉至頻率域，並依頻率域內的係數判 -6-.
(14) 斷此區塊是否為平滑區域，再將資訊藏於平滑區域中，每個平滑區域可藏入 14 位 元的資料量，提升嵌入容量，因為醫學影像比一般影像擁有較多的平滑區域； Kumar 等人[12]提出一個方法是基於像素對映射(Pixel Pair Mapping, PPM)和兩個 方向的差異對映射(Difference Pair Mapping, DPM)，其中差異對映射主要是找出較 平滑的像素對來嵌入資訊，此方法主要是來增加醫學影像中可嵌入的像素對，來 提升嵌入容量：Alattar [13] [14] [15]於 2003 和 2004 年陸續提出將資料嵌入在三 元組(Triplets)、四元組(Quads)和向量(Vectors)的藏入方法來提升最大可嵌入容量； Osamah 等人[16]提出一個將影像切割成多個區塊，再依照影像中平滑區塊與非平 滑區塊測試三種不同嵌入方法[4][11][15]的組合，此方法能使可嵌入容量超過差 值擴張法的最大值，之後作者又更進一步地將最大可嵌入容量提升至 0.9 bpp (bit per pixel) 提出[17]，此方法是運用了 2D-DE 模型[11]，但相較於二階，作者改採 用一階的方式，並設置一個基於特徵的門檻值來控制嵌入容量與影像品質，作者 不僅測試了醫學影像，還測試了一般影像，其效果比數個方法都要來的好，但是 此方法犧牲了影像在低嵌入容量時的影像品質，且此方法高嵌入容量的特性並不 是用於每張圖片中。. 減少位置圖資訊量： 位置圖資訊屬於額外資訊的一種，此資料量越小越好。Han 等人[18]提出一 個不需要位置圖資訊紀錄的浮水印藏入方法，且此方法還可以偵測影像是否遭到 破壞，但是其影像品質並不是很高；Liu 等人[19]提出一個以邊緣檢測器(Edge Detector)來預測用於差值擴張時的小預測誤差，此方法不僅能減少位置圖資訊量， 且也能提升嵌入容量；Lin 等人[20]將影像分成數個區塊，並設置兩個參數當作門 檻來達到無位置圖資訊量和高影像品質，但是其嵌入容量卻因此降低了；我們之 前提出一個基於區塊式直方圖位移法於醫學影像的方法[21]，此方法將影像切割 成數個區塊分別做直方圖位移，並記錄每個區塊的高點特性，雖然可以有效的降. -7-.
(15) 低位置圖資料量的產生，但是其缺點為低嵌入容量，若重要資訊量高於最大可嵌 入容量，還是會產生較大的位置圖資訊量。. 在本論文中，我們將結合[4]與[17]的方法，提出一個適合用於醫學影像的資 訊可逆藏入技術。. 2.3 差值擴張法(DE) Tian 學者於 2013 年提出差值擴張法，主要概念是利用兩像素間的差值，並 將一位元的重要資訊藏入此擴張後的差值中，再以新的差值去修改原來的像素值 來產生新的像素對。 假設有一像素對的值為(𝑥, 𝑦)，首先計算兩像素值的平均值(l)與差值(h)，如式 (2-1)及(2-2)所示。 𝑥+𝑦 ⌋ 2. (2-1). ℎ =𝑥−𝑦. (2-2). 𝑙=⌊. 其中⌊‧⌋為地板函數，表示取不超過且最大的整數解。 再來將 h 以二進制的方式向左位移一位，也就是在十進制中將其值擴張至原 來的兩倍，並把一位元的重要資訊(b)藏於最低位元中(Least Significant Bit, LSB)， 如式(2-3)所示，得到嵌入後的差值(ℎ′ )。 ℎ′ = 2 × ℎ + 𝑏. (2-3). 最後利用ℎ′ 修改原來像素對的值(𝑥, 𝑦)，得到嵌入後的像素對(𝑥 ′ , 𝑦 ′ )，如式(24)及(2-5)所示。 ℎ′ + 1 ⌋ 𝑥 =𝑙+⌊ 2 ′. -8-. (2-4).
(16) ℎ′ 𝑦 =𝑙−⌊ ⌋ 2 ′. (2-5). 對於一個 8 位元深度的灰階影像來說，影像像素值能儲存的範圍為[0, 255]， 所以嵌入後的像素對必須符合此區間，如式(2-6)及(2-7)所示。 0≤𝑙+⌊. ℎ′ + 1 ⌋ ≤ 255 2. (2-6). ℎ′ 0 ≤ 𝑙 − ⌊ ⌋ ≤ 255 2. (2-7). |ℎ′ | ≤ min(2 × (255 − 𝑙), 2𝑙 + 1). (2-8). 也可以寫成，. 因此為了防止溢位的問題產生，嵌入後的差值ℎ′ 必須符合式(2-8)的條件。 以下將舉個例子說明差值擴張法的嵌入流程。若有一像素對為(50, 20)，且要 藏入的一位元重要資訊為 1，從式(2-1)至式(2-5)計算，可以得到式(2-9)至式(2-13)， 嵌入後的新像素對為(66, 5)，我們可以發現嵌入後的像素對差值(66 − 5 = 61)大 約為嵌入前(50 − 20 = 30)的兩倍，其關係由式(2-3)所示，由此可知，若要在嵌入 後得到良好的影像品質，嵌入前像素對間的差值就必須要越小越好。 50 + 20 ⌋ = 35 2. (2-9). ℎ = 50 − 20 = 30. (2-10). ℎ′ = 2 × 30 + 1 = 61. (2-11). 𝑙=⌊. 𝑥 ′ = 35 + ⌊. 61 + 1 ⌋ = 66 2. (2-12). 61 ⌋=5 2. (2-13). 𝑦 ′ = 35 − ⌊. 接下來我將說明差值擴張法的取出流程，此為可逆的方法，所以當我們取出 重要資訊時，是可以完整地還原原始的像素對，首先假設嵌入後的像素對為(𝑥 ′ , 𝑦 ′ )， 跟嵌入時一樣，先計算其平均值(𝑙′ )及差值(ℎ′ )，如式(2-14)和(2-15)所示。. -9-.
(17) ′. 𝑥′ + 𝑦′ ⌋ 𝑙 =⌊ 2. (2-14). ℎ′ = 𝑥 ′ − 𝑦 ′. (2-15). 之後再將一位元的重要資訊(𝑏)從二進位制ℎ′ 中的 LSB 中取出，並將ℎ′ 向右 位移一位來還原未嵌入時的差值ℎ，如式(2-16)及(2-17)所示。 𝑏 = 𝐿𝑆𝐵 (ℎ′ ). (2-16). ℎ′ ℎ=⌊ ⌋ 2. (2-17). 最後利用𝑙′ 及ℎ將未嵌入時的像素對(𝑥, 𝑦)還原，如式(2-18)及(2-19)所示。 𝑥 = 𝑙′ + ⌊. ℎ+1 ⌋ 2. ℎ 𝑦 = 𝑙′ − ⌊ ⌋ 2. (2-18). (2-19). 此方法對於每個像素對會用一位元的位置圖資訊記錄其是否為嵌入的像素對，因 為若像素對不符合式(2-8)的條件，會發生溢位情況，為不可嵌入對，並保留原始 的像素值，所以在取出時，若遇到不可嵌入對時，便不進行式(2-14)至(2-19)的取 出步驟。 一般在影像中，像素對的選擇都是以鄰近的兩兩像素點為一對，如圖 2-1 的 左上角以紅色框出的𝑥和y像素點便為差值擴張法中的像素對，由此可知，若在整 張圖都是可嵌入像素對的情況下，差值擴張法的嵌入容量最大可達到 0.5 bpp (bits per pixel)。其中，嵌入容量代表一張影像可以藏多少位元的資訊，其計算如式(220)所示。 嵌入容量 =. 嵌入資訊量(bits) 影像解析度(pixels). - 10 -. (2-20).
(18) x y. 圖 2-1 差值擴張法用於影像示意圖. 2.4 哈爾小波轉換(Haar Wavelet Transform) 本章節將介紹能夠使影像從空間域轉至頻率域的哈爾小波轉換，影像在頻率 域中，低頻代表的是影像中平滑的區域，也就是鄰近像素值變化不大的區域，而 高頻主要代表為影像中的邊緣，用來加強輪廓的表現，因為通常在邊緣附近的像 素值變化都會比較劇烈。低頻相較於高頻較為重要，因為人們對於低頻的區域較 為敏感，且易察覺到變化，譬如說在一張白紙上放一粒白米(在低頻區域發生變化) 會比在一堆白羽毛中放一粒白米(在高頻中發生變化)還要容易察覺，哈爾小波轉 換便是一個將影像低頻集中於左上，高頻集中於右下，最簡單的一種轉換方式。 哈爾小波轉換有兩個主要的步驟：水平切割和垂直切割，在這兩種切割模式 中，都會計算影像低頻(𝑠[𝑛])及高頻(𝑑 [𝑛])兩部分，如式(2-21)和(2-22)所示。 𝑥 [2𝑛 + 1] + 𝑥 [2𝑛] ⌋ 𝑠 [𝑛 ] = ⌊ 2. (2-21). 𝑑 [𝑛] = 𝑥 [2𝑛 + 1] − 𝑥[2𝑛]. (2-22). 其中𝑥 [𝑛]是儲存影像中一列(水平切割時)或一欄(垂直切割時)的值。 水平切割是將影像一列一列的分別以式(2-21)和(2-22)計算，再存回影像中， 如圖 2-2 (a)，假設有一4 × 4的影像，第一列值為 A, B, C, D，經過計算後得到圖 2-2 (b)，也等於將計算後的低頻係數存放於左半部，高頻係數存放於右半部，如 - 11 -.
(19) 圖 2-2 (c)，便完成一列的轉換，若此圖要完成一次水平切割需要進行 4 次轉換， 在水平切割後，影像會被分成左半部都為低頻係數，右半部都為高頻係數。. = (a). (b). (c). 圖 2-2 哈爾小波轉換之水平切割. 之後將水平切割後的影像再進行垂直切割，此步驟與水平切割相似，不同的 地方在於處理方向由列轉欄，如圖 2-3 所示。. = (a). (b). (c). 圖 2-3 哈爾小波轉換之垂直切割. 完成水平切割與垂直切割後，一階的哈爾小波轉換便完成了，其頻率域的分 佈如圖 2-4 (a)所示，LL1 區塊代表在水平與垂直切割中都是低頻係數；HL1 區塊 代表在水平切割時為高頻係數，而在垂直切割時為低頻係數；LH1 區塊代表在水 平切割時為低頻係數，而在垂直切割時為高頻係數；HH1 區塊代表在水平與垂直 切割中都是高頻係數。此能量分佈與係數值成正比，都為左上至右下遞減，若繼 續將能量集中，可將 LL1 區塊再進行水平與垂直切割，如圖 2-4 (b)所示，影像能 切割的最大階數為𝑙𝑜𝑔2 𝑁，其中 N 為影像長或寬的像素個數，且為 2 的倍數。 - 12 -.
(20) (a). (b). 圖 2-4 (a)一階哈爾小波轉換 (b)二階哈爾小波轉換. 哈爾小波反轉換是將已被哈爾小波轉換至頻率域的影像轉回空間域的作法， 對應於哈爾小波轉換，要先進行垂直反轉換，再進行水平反轉換，而每一次反轉 換都與低頻與高頻係數有關，如式(2-23)及(2-24)所示。 𝑥 [2𝑛] = 𝑠[𝑛] − ⌊ 𝑥 [2𝑛 + 1] = 𝑠[𝑛] + ⌊. 𝑑[𝑛] ⌋ 2. 𝑑 [𝑛 ] + 0.5⌋ 2. (2-23). (2-24). 2.5 二維差值擴張模型(2D-DE Scheme) Osamah 於 2013 年提出的嵌入方法主要是基於[11]的二維差值擴張模型去修 改，加強其可嵌入容量，相較於[11]對區塊做二階的小波轉換，Osamah 只對區塊 做一階的轉換，其嵌入流程如圖 2-5 所示，先將影像分成數個4 × 4不重疊的區塊， 再分別對每個區塊做一階的哈爾小波轉換，並將資訊藏於 HL1、LH1 和 HH1 頻 域中的係數，嵌入方法如式(2-25)及(2-26)所示，採用的為差值擴張法，但是相較 於傳統的差值擴張法，此方法不選取像素對，而是對每個區塊內的係數分別去擴 張、嵌入，因為在此三個頻率域中，都含有高頻的成份，也就是說，係數值已可 代表像素對間的差值，而又以 HH1 內的係數是經過兩次的高頻轉換所得，所以在 - 13 -.
(21) 此區域內，每個係數將被嵌入兩位元的重要資訊，當區塊都嵌入完後，再以哈爾 小波反轉換的方式轉回空間域，並以一位元的位置圖資訊紀錄此區塊是否有溢位 的情況發生，若未發生溢位，才儲存嵌入完後的係數值，否則不改變原影像的係 數值，隨後並將此資訊以差值擴張法記錄於一開始的四個像素點內。. 圖 2-5 Osamah 的 2D-DE 模型嵌入流程. 𝑞′ = 𝑞 × 2 + 𝑏,. 於 LH1 和 HL1 區域內. (2-25). 𝑞′ = 𝑞 × 4 + 𝑏1 𝑏2 ,. 於 HH1 區域內. (2-26). 其中𝑞為該頻率域內原始的係數值，𝑞′ 為嵌入完後的係數值，𝑏、𝑏1 和𝑏2 都為一位 元的重要資訊。 此方法對於每個4 × 4的可嵌入區塊都能嵌入 16 位元的資訊量，且產生的位 置圖資訊為每個區塊一位元，相較於傳統的差值擴張法，只能藏入 8 位元的資 訊量，卻會產生 8 位元的位置圖資訊，大大的提升嵌入容量並降低位置圖資訊 量。. - 14 -.
(22) 至於取出的方法，則是將重要資訊先從𝑞′ 的 LSB 中取出，再將其還原為原 來的係數，如式(2-27)和(2-28)所示，在 LH1 和 HL1 中的係數都是取一位元的 LSB，而在 HH1 內的係數則是取 2 位元的 LSB。 𝑞′ 𝑞 = ⌊ ⌋, 2. 於 LH1 和 HL1 區域內. (2-27). 𝑞′ 𝑞 = ⌊ ⌋, 4. 於 HH1 區域內. (2-28). 作者們對於影像品質也提出方法去進行控制，他們先分別計算標準差 (Standard deviation)、平滑度(Smoothness)和一致性(Uniformity)對於影像品質的相 關性，結果顯示出，標準差比其他兩個參數對於影像品質能得到較大的相關性， 所以他們決定採用標準差來當門檻的依據控制影像品質，若嵌入後的影像區塊與 嵌入前的區塊其標準差的差值大於定好的門檻植，代表此區塊嵌入後對影像品質 的影響較大，將不予嵌入。從其研究中可看出，此門檻值若越大，代表可嵌入的 條件放寬，可嵌入的區塊會因此變多，所以其嵌入容量會有顯著的提升，但相對 的，影像品質便會下降，而相反地，門檻值若越小，嵌入容量會因此下降，但是 卻能維持影像品質，最後，作者並沒有提出一個有效的方法來決定門檻值，對於 不同的影像，還是以嘗試和錯誤(trial-and-error)才能找到較適合的門檻值，在嵌入 容量與影像品質中達到一個平衡。. - 15 -.
(23) 第三章 研究方法 本章節將介紹詳細我們所提出的可逆資訊隱藏方法，主要是基於 Tian[4]所提 出的差值擴張法以及 Osamah 等人[17]所使用的二維差值擴張模型，由於在醫學 影像上，一點點的失真，有可能會導致某些組織變成另一種組織，造成醫生的誤 判，所以為了避免這種情況發生，醫學影像通常是以無失真的方式進行處理，基 於這樣的條件下，本論文的方法屬於脆弱型浮水印的一種，所藏入的資訊無法抵 禦外界的攻擊，相對地，藏入的資訊量卻可以大幅的提升。 首先在 3.1 節中會說明我們如何結合此兩種方法將資訊藏入於一張影像中， 其中位置圖資訊的紀錄方式於 3.2 節中敘述，3.3 節則是說明如何利用位置圖將資 訊從已嵌入的影像中取出並還原，最後的 3.4 節，我們將針對之前於 3.1 及 3.2 節 中所提到的參數進行討論，說明設定此值的意義，並證明之。. 3.1 可逆資訊藏入技術流程 對於一張𝑀 × 𝑀的影像來說，我們會先將其分成數個4 × 4像素點的區塊，總 共會產生𝑀/4 × 𝑀/4個區塊，然後分別再對每個區塊進行型態的判別，決定嵌入 的方式。 對於每個區塊而言，我們會先計算其平均值(𝜇𝑏 )與標準差(𝜎𝑏 )，如式(3-1)及 (3-2)所示。 ∑𝑁 𝑖=1 𝑥𝑖 𝜇𝑏 = 𝑁. 𝜎𝑏 = √. 2 ∑𝑁 𝑖=1(𝑥𝑖 − 𝜇𝑏 ) 𝑁. , 0≤𝑏<. 𝑀. , 0≤𝑏<. 𝑀. 4. 4. ×. 𝑀. ×. 𝑀. 4. 4. 其中𝑥𝑖 為每個區塊內的像素值，N 代表區塊內的像素個數，在此為 16。 - 16 -. (3-1). (3-2).
(24) 之後我們利用式(3-2)所算出的標準差，將區塊分為平滑與非平滑區塊，如式 (3-3)所示，因為標準差代表的為一群數據的分佈情形，所以標準差越小，表示數 據越集中，影像越平滑，相反地，若標準差越大，表示數據越分散，影像越粗糙。 {. 平滑區塊 , 𝜎𝑏 < 2 非平滑區塊 , 𝜎𝑏 ≥ 2. (3-3). 對於每個平滑區塊，我們利用式(3-1)所算得之平均值來將其分為 4 種型態 (T1~T4)，如圖 3-1 所示，當計算出的平均值落於 0 和 2 之間時(包含 0 和 2)，型態 為 T1，為 255 時，型態為 T2，若落於 2 和 12 間以及 243 和 255 間(不包含邊界 值)，型態為 T3，若落於其餘的範圍，型態則為 T4，其中，T1、T2 和 T4 為可嵌入 的區塊，而 T3 為不可嵌入之區塊。. 圖 3-1 於平滑區塊中，4 種型態的條件. T1~T4 的嵌入方法將於下面進行說明： T1：此型態所選擇的區塊主要為影像中接近純黑(像素值為 0)的區塊，因為在此區 塊的嵌入方法，是把在空間域中區塊內的每一點像素值當成差值進行擴張， 屬於單點擴張嵌入，如式(3-4)所示，其中，𝑞𝑠 為空間域中的係數值，𝑞𝑠′ 為藏 入後的係數值，此方法與式(2-25)一樣，只是將原本嵌入於頻率域中的係數值， 改為嵌入於空間域中。 𝑞𝑠′ = 𝑞𝑠 × 2 + 𝑏. (3-4). 對於每個屬於 T1 的區塊來說，此方法可以嵌入 16 位元的資訊量，在醫學影. - 17 -.
(25) 像上，接近純黑區塊的數量相對較多，所以此方法可大大的提升於醫學影像 中的可嵌入容量。 T2：此型態所選擇的區塊主要為影像中純白的區塊(像素值都為 255)，區塊內的每 一個像素點都藏入一位元的資訊，如式(3-5)所示，其中，這裡的𝑞𝑠 都為 255。 𝑞𝑠′ = 𝑞𝑠 − 𝑏. (3-5). 此方法對於每個屬於 T2 的區塊來說，都可以藏入 16 位元的資訊量。 T3：此型態的區塊，我們判定為不可嵌入之區塊，因為若嵌入於此種區塊中，有 可能會發生溢位的情形，將會於 3.4 節進行說明。 T4：此型態所嵌入的方法主要為 Tian 所提出的差值擴張法，一個像素對中嵌入一 位元的資訊量，所以每個屬於此型態的區塊都可嵌入 8 位元的資訊量。 最後將嵌入方法整理於表 3-1 所示。 表 3-1 T1~T4 的嵌入方法 嵌入型態. 嵌入方法. T1. 空間域中的每個係數值擴張：𝑞𝑠′ = 𝑞𝑠 × 2 + 𝑏. T2. 空間域中的每個係數值減去重要資訊：𝑞𝑠′ = 𝑞𝑠 − 𝑏. T3. 不嵌入. T4. 差值擴張法嵌入. T5. 二維差值擴張模型嵌入. 平滑區域的設定主要是讓 T4 有好的嵌入效果，因為在平滑區域裡，鄰近兩像素點 的值都很接近，其差值不會太大，經過差值擴張後，便能產生出比較好的嵌入效果，然 而此方法在像素值位於邊界點時，容易有溢位的情形發生(兩像素值，一個向上擴張，一 個向下擴張)，所以我們提出嵌入於邊界值的解決方法：T1 和 T2，來改善嵌入的效果。. 對於每個非平滑區塊，我們設定其型態屬於 T5，我們在此區塊的所用的嵌入 方法為 Osamah 等人所提出的二維差值擴張模型，於 2.5 節中有做詳細的介紹，對於嵌 入後為溢位的區塊，便不進行嵌入。 - 18 -.
(26) 圖 3-2 為所提出方法之嵌入流程，先將影像切割成數個區塊後，選取未處理的區塊 計算其平均值及標準差，先以標準差將其中一個 T5 型態區分出來，若不為 T5 型態，再 以平均值去區分剩下的 4 個型態，最後檢查要嵌入的資訊是否嵌入完了，如果還有，繼 續進行下一區塊的嵌入流程。在嵌入型態中，T1、T2 和 T5 都可以嵌入 16 位元的資訊量， 而若是 T4，則可嵌入 8 位元的資訊量，只有 T3 為不可嵌入的區塊。. 圖 3-2 嵌入流程 - 19 -.
(27) 我們之所以將黑白點區塊區分出來以不同方式進行嵌入(T1 和 T2)，是由於在 這兩個區域中若以差值擴張法或二維差值擴張模型進行嵌入的話，會容易產生溢 位的現象，如圖 3-3 所示，可以看出在一張醫學影像中，有許多區域是屬於黑白 點區域，然而在嵌入過程後，極有可能像紅色所標示之像素值一樣，發生溢位。. 差值擴張法. 二維差值擴張模型. 差值擴張法. 二維差值擴張模型. 圖 3-3 黑白點區域於差值擴張法與二維差值擴張模型的溢位情況. - 20 -.
(28) 3.2 位置圖資訊紀錄 在嵌入完影像後，需要產生額外的資訊來還原原始影像與重要資訊，此稱為 位置圖資訊，主要是由一連串的二進位碼所組成，由於我們利用嵌入型態來選擇 不同的嵌入方式，所以在位置圖資訊的紀錄上，便是用來區分嵌入完的區塊是屬 於何種型態的嵌入方式，一般來說，要紀錄 5 種型態需要用 3 位元來表示之，但 因為我們是利用區塊的平均值及標準差來做為嵌入的依據，所以我們在紀錄時只 需要注意那些嵌入後的區塊，其平均值與標準差落於不可明確辨別原始嵌入型態 的範圍內，我們稱此範圍為模糊地帶。 首先，我們先計算出嵌入後的區塊的平均值(𝜇𝑏′ )及標準差(𝜎𝑏′ )，其計算方法 與式(3-1)及(3-2)一樣，之後我們將𝜎𝑏′ 若落於 1.8 和 4.21 間(不包含邊界值)的模糊 地帶以一位元的方式紀錄之，位元 0 代表平滑區塊；位元 1 代表非平滑區塊，如 圖 3-4 所示，當𝜎𝑏′ 小於 1.8 時，便可確定此區塊屬於平滑區，而當𝜎𝑏′ 大於 4.21 時， 此區塊是屬於非平滑區。. 圖 3-4 𝜎𝑏′ 中的模糊地帶 對於平滑區塊來說，還需要區分 4 種不同的嵌入型態，在嵌入的過程中，平 均值為主要的區分依據，我們同樣也用一位元的方式，紀錄那些位於模糊地帶的 𝜇𝑏′ ，此範圍主要是位於 T3 上，因為 T3 為不可嵌入之區塊，嵌入前後其平均值並 不會改變，所以由其他嵌入型態所算出之𝜇𝑏′，有可能落於 T3 中，如圖 3-5 所示𝜇𝑏′ 的模糊地帶，而這些地帶的位置圖記錄方式如表 3-2 所示。. - 21 -.
(29) 圖 3-5 斜線部分為𝜇𝑏′ 中的模糊地帶 表 3-2 於𝜇𝑏′ 的模糊地帶中，一位元的位置圖記錄方式 𝜇𝑏′ 的模糊地帶 2~5 T1. 11.5~12. 243~243.5. 1. T2 T3. 254~255. 1 0. T4. 0. 0. 1. 1. 0. 對於非平滑區塊，嵌入方式為 2.5 節中介紹的方法，所以其位置圖資訊的紀 錄方式也與此相同，以每一區塊一位元的方式紀錄是否為可嵌入的區塊。 此紀錄方式產生出最大的位置圖資訊量為 2 倍的區塊個數，是當所有的區塊 算出的𝜎𝑏′ 位於模糊地帶，且為非平滑區塊或是為平滑區塊但是其𝜇𝑏′ 位於模糊地帶 內，在此兩種條件下，一個區塊才會需要用到兩位元的資訊量去紀錄之。. 3.3 可逆資訊取出技術流程 資訊嵌入後，會產生已嵌入過的影像圖檔(3.1 節的介紹)與位置圖資訊(3.2 節 的介紹)，而本節中將利用這兩個東西將原始影像及重要資訊還原。 圖 3-6 為資訊取出流程，首先將嵌入後的影像分成數個4 × 4像素點的區塊， 總共會產生𝑀/4 × 𝑀/4個區塊，然後再計算區塊的𝜇𝑏′ 和𝜎𝑏′，我們先用𝜎𝑏′ 判斷區塊 是否平滑，依照圖 3-4，只有在𝜎𝑏′ 屬於模糊地帶時，才需要將一位元的位置圖資 - 22 -.
(30) 訊取出後再進行判斷，其他情況下便可直接決定，決定好平滑與非平滑區塊後， 若區塊屬於非平滑，則使用T5′ 的取出方法，而若區塊屬於平滑，則會再利用𝜇𝐵′ 來 進行判斷，依照圖 3-5，只有在𝜇𝑏′ 位於模糊地帶時，才需要將一位元的位置圖資 訊取出判斷，其餘範圍皆可直接判斷，之後選取相對應的取出方式(T1′ ~T4′ )還原區 塊，直到還原至最後一個區塊，便可得到原始影像及重要資訊。. 圖 3-6 資訊取出流程. - 23 -.
(31) 以下將說明T1′ ~T5′ 的取出方法： T1′：此取出方法是對於區塊中的每一點係數值，取出一位元的 LSB 當作重要資訊， 再將其還原至原來的係數值，如式(3-6)和(3-7)所示，此取出方式與式(2-27)一 樣，只是將原本用於頻率域係數的方法用於空間域的係數上。 𝑏 = 𝐿𝑆𝐵(𝑞𝑠′ ) 𝑞𝑠′. 𝑞𝑠′ =⌊ ⌋ 2. (3-6). (3-7). T2′ ：此方法是察看區塊內的係數值與 255 的差值，將其紀錄做為重要資訊，如式 (3-8)所示，之後再將整個區塊的係數值都變為 255。 {. 𝑞𝑠′ = 254, 𝑏 = 1 𝑞𝑠′ = 255, 𝑏 = 0. (3-8). T3′ ：此為不可嵌入之區塊，亦不做變動。 T4′ ：此取出方法與 2.3 節中的取出方法一樣，因為此區塊便是用 2.3 節中介紹的 差值擴張法進行嵌入的。 T5′ ：此方法的每個區塊都要再取一位元的位置圖資訊來判斷，位元 0 表示不可嵌 入之區塊，亦不做變動，而位元 1 表示可嵌入之區塊，其取出方法是用於 2.5 節中介紹的二維差值擴張模型來還原。. 3.4 參數證明與討論 在本節中將說明我們是如何設定在式(3-3)以及圖 3-1、圖 3-4 和圖 3-5 中區塊 嵌入型態的分界以及模糊地帶的邊界範圍，在此方法的證明中，都先假設資料為 連續的。 在式(3-3)中，我們利用標準差為 2 當作區分平滑區塊與非平滑區塊的依據， 因為在平滑區塊中的嵌入型態包含了傳統的差值擴張法(T4)，而標準差越小代表 資料分布越集中，所以對於以兩像素差值為基礎的嵌入方法來說，資料越集中， - 24 -.
(32) 對於影像的破壞程度就會越低，越能得到較好的影像品質，舉個例子來說，如圖 3-7 所示，μ 為平均值，𝑥和𝑦為原始兩像素點的值，𝑥 ′ 和𝑦 ′ 為兩像素點差值擴張嵌 入後的值，由於資料屬於常態分佈，所以像素值有超過一半的機率(68%)落於與平 均值相差一倍標準差的範圍內，我們假設有兩像素值與平均值剛好相差一倍的標 準差，在嵌入過後，此兩像素值與原值只會相差 2，其破壞程度並不會太大，所 以我們將用來區分平滑區塊與非平滑區塊的標準差設定為 2。. 圖 3-7 標準差為 2 與差值擴張法的關係. 在圖 3-1 四種嵌入型態的條件中，T1 嵌入方法的條件範圍為𝜇𝑏 介於 0 到 2 之 間，因為此方法為單點擴張嵌入，若每個像素值越接近 0，嵌入後，對影像的破 壞程度就會越低，因此，我們將此條件範圍設為平均值 2 以下，以維持影像品質。 而不可嵌入的條件範圍(T3)是𝜇𝑏 介於 2 到 12 間以及 243 到 255 間，因為在此區間 裡，若採用傳統的差值擴張法(T4)有機率會造成溢位的情況發生，以下將說明 T4 條件範圍的上下界(243 和 12)是如何設定的。 T4 的方法是以差值為基礎的嵌入方式，所以當兩像素點的差值越大時，越容 易造成溢位的情形，為了得到 T4 嵌入的安全範圍，我們必須要先假設在一個區塊 中，有兩像素點，其差值越大越好，但在其嵌入過後，資料並不會發生溢位，如 圖 3-8 所示，在一個4 × 4的區塊中，有兩像素點分別與平均值相差+𝑑𝑚𝑎𝑥 與−𝑑𝑚𝑎𝑥， 而為了簡化計算，我們將其餘的像素值都設成平均值，且要嵌入的資訊都設為 0， 這樣在嵌入過後，其區塊的平均值便不會改變。. - 25 -.
(33) µ+dmax. µ-dmax. µ. µ. µ. µ. µ. µ. µ. µ. µ. µ. µ. µ. µ. µ. 圖 3-8 於平滑區塊中，差值擴張法的邊界情況. 首先，我們先將圖 3-8 的區塊利用式(3-2)計算其標準差(𝜎3.7 )，而又因為此區 塊屬於平滑區塊，所以標準差有一定的限制，如式(3-9)所示，其中𝑥𝑖 為區塊內每 個像素點的值，且標準差限制在 2 以下。. 𝜎3.7. =√. 2 2 ∑16 2𝑑𝑚𝑎𝑥 𝑖=1(𝑥𝑖 − 𝜇) =√ <2 16 16. (3-9). 之後，我們可以由式(3-8)的不等式得知𝑑𝑚𝑎𝑥 的範圍，並取其最大值，如式(3-10)。. |𝑑𝑚𝑎𝑥 | < √32 ≅ 5.6569. (3-10). 然而，在經過差值擴張嵌入後，𝑑𝑚𝑎𝑥 會被放大兩倍，因此我們可以得到在嵌入後， ′ 像素值與平均值相差的最大差值(𝑑𝑚𝑎𝑥 )，如式(3-11)所示。. ′ 𝑑𝑚𝑎𝑥 = 2𝑑𝑚𝑎𝑥 = 11.3138. (3-11). 也就是說，在嵌入過後，為了防止溢位的情形發生，我們必須將平均值 μ 設為離 影像邊界像素值(0 和 255)11.3138 的距離，所得到最合適的整數 μ 值為 12 和 243，. - 26 -.
(34) 所以使用 T4 在平均值於 12 與 243 的區塊上進行嵌入，是不會有溢位的情形發生 的。 在位置圖紀錄方面，圖 3-4 是描述區塊標準差的紀錄方式，而圖 3-5 是描述 區塊平均值的紀錄方式，接下來我們將討論標準差與平均值其模糊地帶的邊界值 是如何設定的。 對於圖 3-4 的區塊標準差來說，範圍從 1.8 到 4.21 都視為模糊地帶，其下界 值 1.8 是由嘗試錯誤(trial-and-error)得來的，因為非平滑區塊的嵌入方式，在某些 情況下，會導致區塊標準差降低，而此最低限度，不低於 1.8。至於上界值 4.21， 主要是由平滑區塊中 T4 方法所產生，因為 T1 和 T2 的嵌入方式皆是對每點進行一 樣的乘法或減法運算，會影響到區塊標準差的只有要嵌入於每個像素點的那一位 元資訊而已，其主要的資料分佈並沒有太大的改變，影響程度遠低於 T4 方法，所 以我們利用圖 3-8 的例子來取得此上界值，當𝑑𝑚𝑎𝑥 為√32的時候，此時算出的區 塊標準差剛好是區分平滑區塊與非平滑區塊的邊界值 2，我們針對每對要藏入的 一位元資訊都設定為 1，因為平均分佈的資料其標準差較大，嵌入後的區塊如圖 3-9 所示。. 圖 3-9 嵌入位元 1 的資訊至圖 3-8 的每個像素對中. - 27 -.
(35) 之後利用式(3-1)計算此區塊的平均值(𝜇3.8 )得式(3-12)。 𝜇3.8 =. 16𝜇 + 8 = μ + 0.5 16. (3-12). 再利用式(3-2)及式(3-12)並代入𝑑𝑚𝑎𝑥 = √32，計算出區塊的標準差(𝜎3.8 )，如式(313)所示。. 𝜎3.8 = √. (2𝑑𝑚𝑎𝑥 + 0.5)2 + (−2𝑑𝑚𝑎𝑥 − 0.5)2 + 14(0.5)2 ≅ 4.203 16. (3-13). 因此 T4 的上界值必須大於式(3-13)，我們將其設定為 4.21。 對於圖 3-5 區塊的平均值來說，共有 4 個模糊地帶，分別是 2~5、11.5~12、 243~243.5 以及 254~255，這些範圍都是位於不可嵌入型態(T3)的範圍內，因為只 有 T3 在嵌入流程後，其區塊平均是絕對不會變的，所以必須記錄位置圖資訊區分 T3 與其他的型態，如圖 3-10 所示，各個型態嵌入後其平均值可能的範圍，其中只 有T3′ 的範圍與 T3 相同。. 圖 3-10 各型態嵌入後的平均值範圍. T1 主要影響到的是模糊地帶 2~5 的範圍，因為 T1 的區塊平均值條件為 2 以 下，所以當區塊內的值都接近 2 且要嵌入的資訊都為 1 時，嵌入完後的值都會接 近 5，如圖 3-11 所示，這裡的值我們以 2 為例，所以將區塊平均值 2~5 的範圍內 設定為模糊地帶。. - 28 -.
(36) 圖 3-11 決定𝜇𝑏′ 為 2~5 之模糊地帶範圍. T4 主要影響的是模糊地帶 11.5~12 和 243~243.5 的範圍，此方法是在像素對 內嵌入一位元的資訊，有可能造成像素對的平均值與原始的平均值相差 0.5，當 嵌入的位元為 1 時，有可能使其平均值上升 0.5，相反地，當嵌入的位元為 0 時， 像素對的平均值有可能降低 0.5，所以於 T4 邊界嵌入的區塊平均值，最低會到 11.5， 而最高則會到 243.5，所以我們將記錄此與 T3 重疊的範圍。 最後，254~255 的模糊地帶範圍是由 T2 所決定的，因為 T2 的嵌入方法是將 區塊全為 255 的值減去要藏入的資訊，此方法若要藏入的資訊全為 1 時，其區塊 的平均值便會為 254，如圖 3-12 所示，所以我們將此範圍與 T3 重疊處設為模糊 地帶。. 圖 3-12 決定𝜇𝑏′ 為 254~255 之模糊地帶範圍. - 29 -.
(37) 藉由上述的說明，便能確保各個嵌入型態於嵌入完後並不會造成溢位的情形 發生，且在取出重要資訊時，能夠依照位置圖資訊順利的將區塊歸類為原來的嵌 入型態，我們所提出的方法主要著重在於 T1 與 T2，因為在醫學影像中，有許多 黑區塊與白區塊，而此兩種方法對於影像造成的破壞是最小的。. - 30 -.
(38) 第四章 實驗結果與數據分析. 4.1 測試方法 在本論文中，主要將我們所提出的方法與 Tian 所提出的差值擴張法[4]、 Osamah 等人所提出的二維差值擴張模型[17]以及我們之前所提出的區塊式直方 圖位移法[21]進行比較，在實驗中，只要有用到二維差值擴張模型的嵌入方式， 我們都將其用來控制影像品質的門檻值設為 10，因為在原本的論文中，門檻值 10 是一個中間值，既不會對影像造成太大的破壞，也能保有足夠的嵌入容量。相較 於我們所提出的方法和[17]，都是使用大小為4 × 4的區塊，然而在[21]中的採用 的則為8 × 8大小的區塊，因為此能得到較高的嵌入容量。 我們實驗中主要用的測試影像為 10 張醫學影像及 2 張一般影像，如圖 4-1 所 示，每張影像的尺寸都為512 × 512，且像素值為 8 位元單通道的灰階影像，雖然 本研究主要是著重於醫學影像的嵌入容量上，但是其方法也可套用於一般影像上， 而對於實驗中要嵌入的資訊，我們事先用亂數產生一個大小與測試影像相同， 262144個位元的位元流，再將此位元流嵌入於各個影像中。 在實驗中，我們比較的數據包括影像的嵌入容量、產生的位置圖資訊量以及 影像品質，其中嵌入容量以 bpp 來表示，代表一個像素點可以嵌入多少位元的資 訊，而位置圖資訊量則以 bits 表示，顯示出此方法會產生出多少位元的資訊量， 然而，在二維差值擴張模型中，所產生出的位置圖資訊量原本是再嵌入回影像中 的，但是在我們的實驗中，為了方便比較，並不做此動作，將其視為額外資訊。 最後影像品質的比較則是由峰值信號雜訊比(Peak Signal to Noise Ratio, PSNR)[22] 和結構相似性指標(Structural Similarity Index, SSIM index)[23]來衡量。 對於 PSNR 來說，是一種客觀上量測視覺品質的評比數據，由式(4-1)所定義。. - 31 -.
(39) 2552 𝑃𝑆𝑁𝑅 = 10 × 𝑙𝑜𝑔10 (𝑑𝐵) 𝑀𝑆𝐸. (4-1). M1. M2. M3. M4. M5. M6. M7. M8. M9. M10. Baboon. Lena. 圖 4-1 10 張醫學影像及 2 張一般影像. 其中，MSE (Mean Square Error)為平方誤差，其定義如下： 𝑀−1 𝑁−1. 1 2 ∑ ∑[𝑓 (𝑖, 𝑗) − 𝑓̂(𝑖, 𝑗)] MSE = 𝑀×𝑁. (4-2). 𝑖=0 𝑖=0. M、N 為影像的長和寬，𝑓(𝑖, 𝑗)和𝑓̂(𝑖, 𝑗)分別為原始影像及嵌入過後的影像。. - 32 -.
(40) 由式(4-1)和(4-2)可看出 PSNR 主要計算兩張影像像素值上的差異程度，若此值越 大，代表影像失真的越少，一般而言，當 PSNR 小於 30 db 時，是人眼無法容忍 的範圍，然而有些實驗結果顯示 PSNR 的數值無法與和人眼的視覺品質一致，因 為人眼的視覺品質是對一個區域的感知結果，通常會受到鄰近區域的影響，而非 單單只是一個像素點，像是人眼對低頻較高頻敏感、亮度對比的差異較色度高， 所以後來才又有人提出結構相似性指標。 結構相似性指標主要是衡量兩張影像的相似程度，相較於 PSNR，它是一個 感知模型，考慮到了影像的結構、亮度和對比度，其定義如下： SSIM(𝑥, 𝑦) = [𝑙(𝑥, 𝑦)]𝛼 [𝑐 (𝑥, 𝑦)]𝛽 [𝑠(𝑥, 𝑦)]𝛾. (4-3). 𝑙 (𝑥, 𝑦) =. 2𝜇𝑥 𝜇𝑦 + 𝐶1 𝜇𝑥2 + 𝜇𝑦2 + 𝐶1. (4-4). 𝑐 (𝑥, 𝑦) =. 2𝜎𝑥 𝜎𝑦 + 𝐶2 𝜎𝑥2 + 𝜎𝑦2 + 𝐶2. (4-5). 𝜎𝑥𝑦 + 𝐶3 𝜎𝑥 𝜎𝑦 + 𝐶3. (4-6). 𝑠(𝑥, 𝑦) =. 其中，𝑥, 𝑦為不同的兩張影像，𝑙(𝑥, 𝑦)是比較影像的亮度，𝑐 (𝑥, 𝑦)比較影像的對比 度，而𝑠(𝑥, 𝑦)比較的為影像的結構，𝜇𝑥 和𝜇𝑦 則為平均值，𝜎𝑥 和𝜎𝑦 為標準差，𝜎𝑥𝑦 為 共變異數，𝐶1 、𝐶2 和𝐶3 是用來維持計算穩定的常數。然而在使用上為了方便，通 常我們會設定，𝛼 = 𝛽 = 𝛾 = 1，𝐶2 = 𝐶3 /2，簡化成如式(4-7)所示。. SSIM(𝑥, 𝑦) =. (2𝜇𝑥 𝜇𝑦 + 𝐶1 )(2𝜎𝑥𝑦 + 𝐶2 ) (𝜇𝑥2 + 𝜇𝑦2 + 𝐶1 )(𝜎𝑥2 + 𝜎𝑦2 + 𝐶2 ). 其中且𝐶1 = 6.5025, 𝐶2 = 58.5225。. - 33 -. (4-7).
(41) 當 SSIM 為 1 時，代表兩張影像一致，若大於 0.98 則代表兩張影像有些微差 距，但人眼難以區分，若 SSIM 低於 0.9 時，其兩張影像的差異便會被人眼察覺， 然而在本篇實驗數據中，有許多 SSIM 為 1 的結果，並不代表兩張影像完全一致， 而是彼此非常接近，因為我們是將此結果四捨五入至小數點第三位。. 4.2 最大嵌入容量下的比較結果 表 4-1 為各個方法在不同影像中的最大嵌入容量之比較，對於大多數的醫學 影像來說，本論文所提出的方法相較其他三種方法，擁有較高的嵌入容量，對於 [4]與[21]，本論文在每張醫學影像上都擁有較高的嵌入容量，然而，對於[17]，本 論文只有在 M1、M2、M4、M5、M6、M9 和 M10 中擁有較高的嵌入容量，特別 是 M9 和 M10，其嵌入容量高於[17]達 0.65 bpp 以上，但就 M3、M7 和 M8 的醫. 表 4-1 本論文與[4]、[17]和[21]於不同影像中之最大嵌入容量比較 最大嵌入容量 (bpp) [4]. [17]. [21]. 本論文. M1. 0.465. 0.274. 0.021. 0.776. M2. 0.493. 0.642. 0.068. 0.832. M3. 0.500. 1.000. 0.225. 0.636. M4. 0.485. 0.417. 0.023. 0.833. M5. 0.458. 0.504. 0.033. 0.838. M6. 0.449. 0.300. 0.008. 0.848. M7. 0.484. 0.923. 0.129. 0.713. M8. 0.485. 0.876. 0.088. 0.723. M9. 0.482. 0.198. 0.014. 0.861. M10. 0.468. 0.090. 0.046. 0.773. Baboon. 0.500. 0.341. 0.045. 0.341. Lena. 0.500. 0.885. 0.131. 0.828. - 34 -.
(42) 學影像來說，本論文所提出的方法其最大嵌入容量要比[17]要來的少，此原因主 要有 2 種，一個是影像中屬於 T3 型態的區塊數太多，像是 M3，其很多區塊的平 均值都介於 2 到 12 或 243 到 255 的不可嵌入範圍內，相較於二維差值擴張模型， 一個區塊可藏入 16 位元的資訊，導致本論文比[17]的嵌入容量要來的少很多，另 一個原因則為影像中大多數的區塊都屬於 T4，像是 M7 和 M8，此方法在一個區 塊中只能藏入 8 位元的資訊量，所以會比[17]要來的稍微少一點。雖然本論文在 醫學影像中的嵌入容量並不都是最高的，但是其最少都高於 0.6 bpp 以上。 對於一般影像來說，由於本論文所著重的方法是讓那些在平滑區域中的邊界 點可以嵌入，所以若在一張影像中沒有邊界點的話，本論文的方法將會被簡化為 T4 [4]和 T5 [17]兩種型態，像是在 baboon 中，因含有很多高頻成份，所以此影像 非平滑區塊的數量比平滑區塊的數量要高出許多，使得本論文的結果會與[17]一 致，但是[17]並不適用於高頻影像中，所以結果會比[4]要來的差，然而像在 Lena 這張影像中，本論文的結果就會是[4]與[17]的結合。 表 4-2 [21]於最大嵌入容量下的位置圖資訊、PSNR 及 SSIM 最大嵌入容量. 位置圖資訊量. PSNR. SSIM. M1. 0.021. 8462. 51.9. 1. M2. 0.068. 8378. 49.79. 1. M3. 0.225. 8192. 50.34. 1. M4. 0.023. 8661. 51.23. 1. M5. 0.033. 8535. 50.86. 1. M6. 0.008. 9860. 52.81. 1. M7. 0.129. 8287. 50.69. 1. M8. 0.088. 8667. 50.04. 1. M9. 0.014. 8987. 54.2. 1. M10. 0.046. 11623. 54.41. 1. Baboon. 0.045. 8211. 48.55. 1. Lena. 0.131. 8192. 49.07. 1. - 35 -.
(43) 由於[21]對於大多數的影像來說，其嵌入容量都低於 0.1 bpp，所以只比較其 於最大嵌入容量下的各個數據，如表 4-2 所示，並在之後的 4.3 及 4.4 節中不再進 行比較，雖然[21]的嵌入容量並不高，但其 PSNR 卻是很穩定的在 50 dB 左右， 尤其以 M3 及 M7 效果最好，但就整體而言，本論文所提出的方法，其結果都優 於此方法。 表 4-3 為本論文於最大嵌入容量下之各個數據，對於位置圖資訊量來說，[4] 與[17]在最大嵌入容量下所產生的資訊量分別為 131072 和 16384 位元，雖然在 3.2 節中提到本論文的最大位置圖資訊量為 2 倍的區塊個數，也就是 32768，但是 在醫學影像中，位置圖資訊量通常會比區塊個數要來的少，而於一般影像中，資 訊量會大約近似於區塊個數。. 表 4-3 本論文於最大嵌入容量下的位置圖資訊、PSNR 及 SSIM 最大嵌入容量. 位置圖資訊量. PSNR. SSIM. M1. 0.776. 8942. 34.53. 0.998. M2. 0.832. 13401. 32.56. 0.996. M3. 0.636. 11507. 39.39. 0.999. M4. 0.833. 9727. 33.65. 0.998. M5. 0.838. 11589. 34.60. 0.998. M6. 0.848. 8155. 37.86. 0.999. M7. 0.713. 13368. 37.15. 0.998. M8. 0.723. 12333. 33.93. 0.996. M9. 0.861. 5615. 38.04. 0.998. M10. 0.773. 6167. 41.38. 0.993. Baboon. 0.341. 16389. 34.24. 0.993. Lena. 0.828. 16558. 33.40. 0.994. - 36 -.
(44) 4.3 各個嵌入容量下之比較數據 在這一節，我們將比較各個方法([4]、[17]和本論文)在不同嵌入容量下的位置 圖資訊量、PSNR 及 SSIM，並將影像分成 3 組，一組為含有較多邊界點的醫學影 像(M1、M2、M4、M5、M6、M9 和 M10)，其結果於表 4-4 到表 4-6 呈現，另一 組為含有較少邊界點之醫學影像(M3、M7 和 M8)，其結果於表 4-7 呈現，而最後 一組為一般影像(Baboon 和 Lena)，其結果於表 4-8 呈現。 表 4-4 本論文與[4]和[17]於較多邊界點的醫學影像(M1、M2)之比較 [4] 位置圖 資訊量 M1. M2. 本論文. [17]. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 0.1 bpp. 31458. 38.98. 0.999. 6384. 38.66. 0.999. 1545. 44.30. 1. 0.2 bpp. 60637. 35.96. 0.999. 10668. 35.77. 0.999. 3280. 40.16. 1. 0.3 bpp. 87648. 34.48. 0.998. -. -. -. 4924. 37.90. 0.999. 0.4 bpp. 114008. 34.05. 0.998. -. -. -. 6534. 36.34. 0.999. 0.5 bpp. -. -. -. -. -. -. 7837. 35.31. 0.999. 0.6 bpp. -. -. -. -. -. -. 8806. 34.61. 0.998. 0.7 bpp. -. -. -. -. -. -. 8942. 34.54. 0.998. 0.1 bpp. 26473. 40.65. 0.999. 2914. 40.46. 0.999. 1477. 42.02. 0.999. 0.2 bpp. 53054. 38.27. 0.998. 5421. 37.66. 0.998. 2852. 39.16. 0.999. 0.3 bpp. 79804. 36.41. 0.998. 8111. 35.85. 0.997. 4317. 37.37. 0.998. 0.4 bpp. 106450. 35.14. 0.997. 10654. 34.60. 0.996. 5908. 36.07. 0.997. 0.5 bpp. -. -. -. 12962. 33.63. 0.995. 7555. 35.01. 0.997. 0.6 bpp. -. -. -. 15323. 32.83. 0.994. 9215. 34.16. 0.996. 0.7 bpp. -. -. -. -. -. -. 10969. 33.36. 0.995. 0.8 bpp. -. -. -. -. -. -. 12758. 32.72. 0.994. - 37 -.
(45) 表 4-5 本論文與[4]和[17]於較多邊界點的醫學影像(M4、M5、M6)之比較 [4] 位置圖 資訊量 M4. M5. M6. 本論文. [17]. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 0.1 bpp. 26387. 55.63. 1. 6365. 40.28. 0.999. 0. 61.15. 1. 0.2 bpp. 53210. 42.61. 1. 8551. 36.84. 0.999. 436. 52.15. 1. 0.3 bpp. 80379. 38.43. 0.999. 10648. 35.19. 0.998. 1659. 41.95. 1. 0.4 bpp. 108435. 36.27. 0.998. 13524. 33.91. 0.997. 3335. 38.24. 0.999. 0.5 bpp. -. -. -. -. -. -. 5330. 35.96. 0.998. 0.6 bpp. -. -. -. -. -. -. 7626. 34.62. 0.998. 0.7 bpp. -. -. -. -. -. -. 9245. 33.77. 0.997. 0.8 bpp. -. -. -. -. -. -. 9674. 33.65. 0.997. 0.1 bpp. 27088. 41.58. 1. 3368. 41.77. 1. 1056. 45.02. 1. 0.2 bpp. 54874. 37.82. 0.999. 6296. 38.33. 0.999. 2349. 41.09. 1. 0.3 bpp. 83499. 36.11. 0.999. 9259. 36.89. 0.999. 3732. 38.76. 0.999. 0.4 bpp. 113368. 34.76. 0.998. 12620. 35.8. 0.999. 5123. 37.61. 0.999. 0.5 bpp. -. -. -. 16235. 34.64. 0.998. 6536. 36.80. 0.999. 0.6 bpp. -. -. -. -. -. -. 8078. 36.15. 0.999. 0.7 bpp. -. -. -. -. -. -. 9473. 35.45. 0.999. 0.8 bpp. -. -. -. -. -. -. 11010. 34.82. 0.998. 0.1 bpp. 27629. 44.12. 1. 8035. 41.44. 1. 67. 61.14. 1. 0.2 bpp. 57989. 37.87. 0.999. 10784. 39.23. 1. 772. 47.63. 1. 0.3 bpp. 86605. 36.02. 0.999. 16384. 37.97. 0.999. 1904. 44.20. 1. 0.4 bpp. 116688. 34.83. 0.999. -. -. -. 3308. 41.31. 1. 0.5 bpp. -. -. -. -. -. -. 4682. 39.75. 1. 0.6 bpp. -. -. -. -. -. -. 6019. 38.70. 0.999. 0.7 bpp. -. -. -. -. -. -. 7218. 38.08. 0.999. 0.8 bpp. -. -. -. -. -. -. 8069. 37.87. 0.999. - 38 -.
(46) 表 4-6 本論文與[4]和[17]於較多邊界點的醫學影像(M9、M10)之比較 [4] 位置圖 資訊量 M9. M10. 本論文. [17]. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 0.1 bpp. 26214. 61.15. 1. 8272. 42.62. 1. 0. 61.15. 1. 0.2 bpp. 53597. 43.66. 1. -. -. -. 0. 58.12. 1. 0.3 bpp. 80529. 40.51. 0.999. -. -. -. 948. 46.61. 1. 0.4 bpp. 109014. 37.45. 0.998. -. -. -. 1895. 43.67. 1. 0.5 bpp. -. -. -. -. -. -. 2764. 41.69. 0.999. 0.6 bpp. -. -. -. -. -. -. 3877. 39.76. 0.999. 0.7 bpp. -. -. -. -. -. -. 5095. 38.29. 0.999. 0.8 bpp. -. -. -. -. -. -. 5520. 38.05. 0.999. 0.1 bpp. 28941. 42.33. 0.999. -. -. -. 898. 58.97. 1. 0.2 bpp. 56828. 39.82. 0.997. -. -. -. 1458. 56.63. 1. 0.3 bpp. 84822. 36.81. 0.995. -. -. -. 2196. 50.81. 1. 0.4 bpp. 112280. 36.21. 0.994. -. -. -. 3678. 43.29. 0.999. 0.5 bpp. -. -. -. -. -. -. 5136. 41.56. 0.998. 0.6 bpp. -. -. -. -. -. -. 5513. 41.48. 0.998. 0.7 bpp. -. -. -. -. -. -. 5749. 41.43. 0.998. 由表 4-4 到表 4-6 可看出，無論是在高嵌入容量或低嵌入容量下，本論文所 提出的方法對於邊界點較多的醫學影像，都能達到很好的嵌入效果，且其結果都 比其他兩種方法好，就像表 4-6 中的 M9 與 M10，此兩張影像擁有的邊界點區塊 特別多，導致使用二維差值擴張模型時，容易產生溢位的情形，嵌入容量低，但 本論文的方法可以達到高的嵌入容量，而在影像品質上，本論文於 M6 影像且嵌 入容量為 0.1 bpp 時，PSNR 值可高於其他兩種方法約 17 db，除此之外，對於 M4 和 M9，我們並不需要任何的位置圖資訊去紀錄其嵌入情況，當影像中擁有較多 的邊界點區塊時，本論文的方法能達到高嵌入容量、高影像品質及低位置圖資訊 的產生。 - 39 -.
(47) 表 4-7 本論文與[4]和[17]於較少邊界點之醫學影像(M3、M7、M8)之比較 [4] 位置圖 資訊量 M3. M7. M8. 本論文. [17]. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 0.1 bpp. 26214. 50.89. 1. 1639. 49.64. 1. 1804. 48.71. 1. 0.2 bpp. 52428. 47.38. 1. 3277. 46.34. 1. 3569. 45.22. 1. 0.3 bpp. 78643. 45.40. 1. 4916. 44.40. 1. 5373. 42.98. 0.999. 0.4 bpp. 104857. 44.13. 1. 6554. 42.95. 0.999. 7222. 41.63. 0.999. 0.5 bpp. 131072. 43.02. 0.999. 8195. 41.93. 0.999. 9058. 40.64. 0.999. 0.6 bpp. -. -. -. 9835. 41.16. 0.999. 10870. 39.69. 0.999. 0.8 bpp. -. -. -. 13112. 39.92. 0.999. -. -. -. 1.0 bpp. -. -. -. 16384. 38.73. 0.999. -. -. -. 0.1 bpp. 28148. 44.34. 1. 1774. 46.26. 1. 1840. 45.51. 1. 0.2 bpp. 55616. 40.41. 0.999. 3728. 43.04. 1. 3763. 42.29. 1. 0.3 bpp. 82401. 38.65. 0.999. 5574. 41.19. 0.999. 5610. 40.61. 0.999. 0.4 bpp. 109050. 37.65. 0.999. 7413. 40.08. 0.999. 7520. 39.51. 0.999. 0.5 bpp. -. -. -. 9188. 39.24. 0.999. 9377. 38.64. 0.999. 0.6 bpp. -. -. -. 10892. 38.60. 0.999. 11269. 37.88. 0.999. 0.7 bpp. -. -. -. 12601. 38.00. 0.999. 13236. 37.20. 0.998. 0.8 bpp. -. -. -. 14336. 37.38. 0.998. -. -. -. 0.9 bpp. -. -. -. 16010. 36.90. 0.998. -. -. -. 0.1 bpp. 26836. 41.27. 0.999. 1788. 43.31. 1. 1754. 42.35. 0.999. 0.2 bpp. 53666. 37.87. 0.998. 3671. 40.18. 0.999. 3547. 39.57. 0.999. 0.3 bpp. 80846. 35.98. 0.998. 5520. 38.81. 0.999. 5162. 38.17. 0.999. 0.4 bpp. 107704. 34.67. 0.997. 7336. 37.66. 0.998. 6911. 36.72. 0.998. 0.5 bpp. -. -. -. 9314. 36.50. 0.998. 8453. 35.68. 0.997. 0.6 bpp. -. -. -. 11207. 35.74. 0.997. 10088. 34.84. 0.997. 0.7 bpp. -. -. -. 13022. 35.04. 0.997. 11895. 34.09. 0.996. 0.8 bpp. -. -. -. 14920. 34.38. 0.996. -. -. -. - 40 -.
(48) 由表 4-7 可看出，對於較少邊界點的醫學影像，不管嵌入容量、位置圖資訊 量或者是影像品質，本論文所產生出的結果都比[17]要來的差一些，但是其結果 在嵌入容量與位置圖資訊量都要比[4]好。. 由表 4-8 得知，本論文的方法對於含有許多高頻成分的影像來說，其結果近 似於[17]，如：Baboon，相對於 Lena 影像，因含有些許的平滑區塊，所以其結果 與[17]有些微的差異，但是又因區塊內的值並不屬於邊界值，所以並無法有效的 提升嵌入效果。. 表 4-8 本論文與[4]和[17]於 Baboon 和 Lena 之比較 [4] 位置圖 資訊量 Babo.. Lena. 本論文. [17]. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 位置圖 資訊量. PSNR. SSIM. 0.1 bpp. 26289. 31.39. 0.988. 7467. 39.54. 0.998. 7470. 39.54. 0.998. 0.2 bpp. 52508. 29.83. 0.982. 11131. 36.45. 0.996. 11144. 36.45. 0.996. 0.3 bpp. 78740. 29.13. 0.980. 14733. 34.87. 0.994. 14744. 34.88. 0.994. 0.4 bpp. 104964. 28.43. 0.976. -. -. -. -. -. -. 0.5 bpp. 131072. 27.42. 0.971. -. -. -. -. -. -. 0.1 bpp. 24214. 45.25. 1. 1656. 45.18. 1. 1882. 44.82. 1. 0.2 bpp. 52460. 39.62. 0.998. 3391. 41.02. 0.999. 3715. 40.70. 0.999. 0.3 bpp. 78680. 36.24. 0.997. 5139. 38.69. 0.998. 5614. 38.40. 0.998. 0.4 bpp. 104899. 34.28. 0.995. 7082. 37.17. 0.997. 7729. 36.94. 0.997. 0.5 bpp. 131072. 33.14. 0.993. 9082. 36.05. 0.997. 9879. 35.84. 0.996. 0.6 bpp. -. -. -. 11044. 35.17. 0.996. 12000. 34.91. 0.996. 0.7 bpp. -. -. -. 12990. 34.40. 0.995. 14053. 34.16. 0.995. 0.8 bpp. -. -. -. 14842. 33.77. 0.994. 15996. 33.53. 0.994. - 41 -.
(49) 最後，附上表 4-9，為各個嵌入型態於不同影像中的區塊個數，其中若 T1 和 T2 嵌入型態的區塊個數越多，嵌入效果就會越好，像是 M9 與 M10，而若 T3 與 T5 (溢位)嵌入型態的區塊個數越多，嵌入效果就會越差，像是 M3 及 Baboon。當 越多區塊個數屬於 T4 嵌入型態時，其結果會越趨近於[4]，相對的，當越多區塊個 數屬於 T5 (無溢位)和 T5 (溢位)嵌入型態時，其結果會越趨近於[17]，如：Baboon。. 表 4-9 於不同影像之各嵌入型態區塊的個數 T5 (無溢位) T5 (溢位). T1. T2. T3. T4. M1. 7463. 793. 13. 0. 4463. 3652. M2. 3184. 0. 1. 4. 10449. 2746. M3. 0. 0. 3564. 4807. 8009. 4. M4. 6779. 91. 6. 1. 6776. 2731. M5. 5120. 519. 85. 135. 8017. 2508. M6. 8280. 772. 203. 3. 4837. 2289. M7. 0. 214. 92. 7281. 7835. 962. M8. 0. 13. 103. 5041. 9309. 1918. M9. 10918. 47. 17. 23. 3138. 2241. M10. 11804. 0. 304. 0. 869. 3407. Baboon. 0. 0. 0. 2. 5579. 10803. Lena. 0. 0. 0. 1903. 12612. 1869. - 42 -.
(50) 第五章 Android 應用程式之實現 本章中，我們將所提出的可逆資訊隱藏技術實作於行動裝置上，並以 Android 平台為主，以實現智慧醫療，像是不管是在轉院時，資訊的傳送，或者是醫師看 診時需要的病歷，其都能捨棄紙本的資訊，以電子檔為主，且能將重要資訊保護 於影像中，免於外洩的可能。 圖 5-1 顯示了本應用程式的功能規格表及初始進入時的使用者介面，剛進入 時，必須先按 LOAD IMAGE 讀入影像檔，才能再進行後續的步驟。. 1. 讀圖檔(支援多張影像選取) 5. 2. 讀文字檔(僅支援.txt 格式，且內. 7. 6. 容為英文) 3. 將資訊嵌入 4. 將資訊取出 5. 影像檔名 6. 文字檔名 7. 輕按畫面可展開/隱藏於此的文 字檔資訊 8. 長按畫面可對文字檔編輯/儲 存，或建立一個新的文字檔(無文 字檔讀入時) 9. 左右滑動畫面可更改影像. 1. 2. 10. 影像一改變，文字檔就必須重 新載入 圖 5-1 應用程式的功能及使用者介面. - 43 -. 3. 4.
(51) 圖 5-2 為讀入圖檔時的畫面，可以選取多張影像，再利用左右滑動螢幕來切 換不同張影像。. (a) (b) 圖 5-2 讀入圖檔 (a)選取 3 張醫學影像 (b)顯示的醫學影像. 之後將文字檔案載入，並可長按畫面編輯文字檔資訊，按 SAVE 鍵儲存成新 檔或覆蓋原有檔案，或按返回鍵不進行儲存，如圖 5-3 所示，(a)為點選 LOAD FILE 讀入已打好的文字檔，之後長按畫面進入(b)進行編輯，若要儲存則按下方 SAVE 鈕進入(c)，可自行輸入檔名，或覆蓋已存在的檔案，此存檔類型為(.txt)格式，若 不儲存則按下返回鍵，如(d)所示，此時右上角的文字檔名前會出現已修改但未儲 存的符號(*)。. - 44 -.
(52) (a). (b). (c). (d). 圖 5-3 處理文字檔 (a)讀入 (b)編輯 (c)儲存 (d)未儲存 - 45 -.
(53) 影像與文字檔案都準備完成後，便可按下 EMBED 鈕進行嵌入，如圖 5-4 (a) 所示，此步驟可能需要多花些時間，因為本論文所提出的方法是將每個切割出的 區塊視為獨立的影像，進行型態的判別再嵌入，又以 T5 耗時最久，因為此方法牽 扯到空間域與頻率域的轉換。嵌入完後，我們按下 LOAD IMAGE 鍵，便會發現 此時裝置中多新增一個 Watermark 的資料夾，如圖 5-4 (b)所示，此資料夾是存放 嵌入完後的檔案(包括位置圖資訊及嵌入後的影像)，且嵌入後的影像，其檔名是 在原檔名前加上 wk_，用以區別原檔與嵌入後的檔案。. (a) (b) 圖 5-4 資訊嵌入 (a)等待畫面 (b)新增 Watermark 資料夾及嵌入檔案. - 46 -.
Outline
相關文件
(1999), "Mining Association Rules with Multiple Minimum Supports," Proceedings of ACMSIGKDD International Conference on Knowledge Discovery and Data Mining, San Diego,
Through the enforcement of information security management, policies, and regulations, this study uses RBAC (Role-Based Access Control) as the model to focus on different
Lange, “An Object-Oriented Design Method for Hypermedia Information Systems”, Proceedings of the Twenty-seventh annual Hawaii International Conference on System Sciences, 1994,
隨著影像壓縮技術之進步、半導體科技之快速發展、無線通訊技術與數位傳送輸技術
Cheng-Chang Lien, Cheng-Lun Shih, and Chih-Hsun Chou, “Fast Forgery Detection with the Intrinsic Resampling Properties,” the Sixth International Conference on Intelligent
(英文) The Sixth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIHMSP 2010). 發表 論文
Kalker, “Speed-Change Resistant Audio Fingerprinting Using Auto-Correlation,” in IEEE International Conference on Acoustics, Speech, and Signal Processing, vol. Kalker,
Plumbley, “Beat Tracking with a Two State Model,” IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2005), vol. Honing, “Computational
