一种基于纹理度交叉嵌入的医学图像篡改检测及自恢复方法

技术领域

本发明涉及一种医学图像篡改检测及自恢复方法，尤其涉及一种基于纹理度交叉嵌入的医学图像篡改检测及自恢复方法。

背景技术

5G网络为远程医疗提供更优网络能力同时，医学图像数据在安全传输上存在着恶意篡改、非法拷贝、隐私泄露等问题。如果经过恶意篡改的医学图像被采用，将造成严重的公共信任危机。因此，研究医学图像篡改检测(医学图像完整性认证)技术势在必行。早期篡改检测算法只对图像的篡改与否进行判断，目前的篡改检测算法不仅要求进行篡改区域精确定位，而且要求近似恢复。

医学图像通常可分为感兴趣区域(ROI-Region of Interest)和不感兴趣区域(RONI-Region of Non-Interest)。Osborne等人率先提出对ROI区域和RONI区域分别处理，在保证ROI区域图像质量的同时对RONI区域进行压缩，后来多位学者提出提取ROI区域特征作为水印嵌入到RONI区域。

医学图像篡改方式具有多样性，图像复制-粘贴篡改(copy-move)是一种常用的手段。Fridrich等人首次定义了复制-粘贴篡改，并提出了基于块匹配的检测算法，后来多位学者分别提出了基于DWT变换、FWT变换等用于描述图像块特征。然而，基于块的检测方法鲁棒性较低。

Huang等人采用SIFT作为医学图像关键点检测与特征描述的方法，并使用BestBin First算法来寻找相似特征向量，进而确定匹配关键点位置。此后很多学者设计了一系列基于SIFT、SURF的算法。与基于块匹配的检测方法相比，基于关键点匹配的方法避免了全局搜索，提高了鲁棒性，然而，上述算法存在后处理掩盖操作的篡改痕迹以及检测效率低等问题。

发明内容

本发明为解决现有技术存在的上述问题，提出一种基于纹理度交叉嵌入的医学图像篡改检测及自恢复方法。

本发明的技术解决方案是：一种基于纹理度交叉嵌入的医学图像篡改检测方法，依次按照如下步骤进行：

步骤1.将医学图像划分为ROI区域和RONI区域；

步骤2.在ROI区域依据不同特征计算纹理复杂度，并根据纹理复杂度将ROI区域分为纹理块和平滑块，利用压缩感知技术在不同块内提取不同特征作为恢复信息；

步骤3.在ROI区域设置像素级和块级检测位；

步骤4.在RONI区域基于参考矩阵和交叉嵌入技术实现恢复信息隐藏；

步骤5.图像复制粘贴攻击检测；

步骤6.ROI区域双重篡改检测定位。

所述步骤1具体如下：

步骤1.1将医学图像img_mark转换成灰度图像格式img_origin；

步骤1.2识别医生手动标识ROI区域边缘线位置，在二值矩阵img_edge中将边缘线像素赋值为1，其余像素赋值为0；

步骤1.3扫描矩阵img_edge，将边缘内部区域用1填满，形成ROI区域img_area，其余部分为RONI区域；

步骤1.4将ROI区域img_area进行4×4分块，判断块中是否有像素值为1，如果有，就将块内像素全部变为1，否则不进行操作；

步骤1.5构建辅助信息aux_ROI_area，包括ROI区域个数area_num，每个ROI区域的左上角和右下角的坐标loc_LRs；

所述步骤2具体如下：

步骤2.1计算ROI区域img_area子块纹理度：

步骤2.1.1依据公式(1)计算子块能量值：

其中g代表的是灰度共生矩阵，d，θ是两个灰度之间的距离和方向，k表示子块的大小；

步骤2.1.2依据公式(2)计算子块熵值：

步骤2.1.3依据公式(3)计算子块对比度：

步骤2.1.4通过均方误差分别给所有子块能量、熵和对比度三个特征值分配不同权重，并计算最终特征值J、H、D；

步骤2.1.5对三个最终特征值分配权值w

f＝w

步骤2.2若子块纹理复杂度f大于阈值T_c则为纹理块，否则为平滑块；

步骤2.3生成位置图map_ROI_complexity，其中1和0分别代表纹理块和平滑块，再利用哈夫曼编码进行压缩，用14位二进制位存放压缩后长度，最后将长度信息和整个辅助信息拼接形成辅助信息aux_complexity；

步骤2.4将ROI区域的每个4×4子块棋盘式交叉划分成两个不相交部分

步骤2.5取出正序存储的第一部分，根据此块的纹理类别，进行不同类型的压缩感知：

步骤2.5.1对于纹理块，计算子块所有像素的平均值ave

将高平均值h

步骤2.5.2对于平滑块，利用公式(6)计算子块平均值，将其转换为二进制，构建恢复信息reduction_part_1；

步骤2.6取出倒序存储的第二部分，同步骤2.1-2.4进行压缩感知，判断此块的纹理类别，再分别按照2.5.1或2.5.2对纹理块和平滑块进行不同的压缩操作，最后生成二进制还原信息reduction_part_2；

步骤2.7将{reduction_part_1，reduction_part_2}分别用哈夫曼编码进行压缩，用20bit二进制存放压缩后的长度{reduction_part_1_length，reduction_part_2_length}；

所述步骤3具体如下：

步骤3.1将ROI区域的每个4×4子块棋盘式交叉划分为两个不相交部分

步骤3.2构造第一部分校验位：

步骤3.2.1首先通过公式(9)将像素值P

步骤3.2.2通过公式(10)判断每个像素前7位中0,1数量，若1的数量多，则检验位为1，否则为0，并将检验位P

步骤3.2.3将除最后一像素外的每个像素的前7位按位异或，最终形成检验位B

步骤3.3构造第二部分校验位：

步骤3.3.1对子块第二部分像素，保持每个像素前7位不变，最后一位置零；

步骤3.3.2将第一个像素的前七位转换成十进制，再除以128，得到0-1之间的小数，保留三位小数，生成第一个参数para_1；

步骤3.3.3将其他像素的前7位转化为十进制并相加，生成第二个参数para_2；

步骤3.3.4令Z

步骤3.3.5取随机序列前4个不同值进行排序，将排序索引值0-3分别转换为2位二进制拼接在一起，形成8位块级校验位，置于每个像素的最后一位；

所述步骤4具体如下：

步骤4.1构建嵌入参考矩阵C，如公式(12,13)所示，其中i和j都属于[0,255]，设置初始值C(0,0)＝0，约束条件为参考矩阵C中每个3×3块中的值不重复且为0-8；

C(i+1,j)＝(C(i,j)+1)mod9 (12)

C(i,j+1)＝(C(i,j)+3)mod9 (13)

步骤4.2将RONI区域划分为2×2子块，将每个子块左上和右下构成一个像素对，左下和右上构成另一个像素对；

步骤4.3将辅助信息aux_ROI_area嵌入到图像的第1,2行LSB中；

步骤4.4辅助信息aux_complexity与恢复信息reduction_part_1合并作为正序嵌入的第一部分待嵌入信息；reduction_part_2作为第二部分倒序嵌入待嵌入信息；

步骤4.5将待嵌入信息每3位二进制转换为1位八进制；

步骤4.6通过公式(14)计算子块像素对之间的差值X

X

步骤4.7依据差值与阈值的关系，利用参考矩阵C实现替换嵌入；

若X

(1)溢出处理

如果像素对中存在像素值0或255，则将0置为1，将255置为254；

(2)定位

将像素对(X

(3)嵌入

以R

(X

若X

(1)溢出处理

如果像素对中存在像素值0或255，将0值设置为2，将255设置为253；

(2)定位

将像素对(X

(3)确定嵌入范围

对于待嵌入信息八进制b，根据X

如果X

如果X

(4)嵌入

依据公式(16)找到对应的坐标(X

所述步骤5具体如下

步骤5.1将整个图像分为4×4子块p，利用公式(17-20)计算子块梯度大小和梯度方向：

p

p

grad

步骤5.2按照块重叠的方式进行块扫描，扫描步长为1；

步骤5.3将4×4的子块划分为4个2×2子单元，计算每个子单元中的梯度大小和梯度方向，用梯度直方图来表示；

步骤5.4构造子块特征

将四个子单元的梯度直方图连接起来形成子块特征值1；再将4×4子块进行DCT变换，将系数矩阵左上角第一行第一列的值作为子块特征值2，将两个特征结合到一起构造子块特征character_all；

步骤5.5将所有4×4块的特征值两两相减得到dif_value

dif_value

步骤5.6设定阈值mark_yy，将差值dif_value

步骤5.7标记出属于ROI区域的复制粘贴篡改块：D

步骤5.8通过邻域方法进一步定位ROI区域复制粘贴篡改块：

对于ROI区域的所有子块，计算其8邻域中篡改块的数量，如果大于等于5，此块确定为篡改块，否则此块是非篡改块，如公式(23)所示，其中N

所述步骤6具体如下：

步骤6.1从图像的第一二行的LSB中提取出ROI区域辅助信息aux_ROI_area，通过ROI区域个数area_num和每个ROI区域的左上角和右下角的坐标loc_LRs确定ROI区域；

步骤6.2依据公式(5)将ROI区域的每个4×4子块棋盘式交叉划分成两个不相交部分

步骤6.3第一重篡改检测定位：

步骤6.3.1按正序取子块中第一部分的最后一个像素的第7位，得到检测位B

步骤6.3.2将其余像素前7位按位异或，得到一个检测位B

步骤6.3.3块级检测：将B

步骤6.3.4提取每个像素将最后一位作为检测位P

步骤6.3.5计算每个像素的前7位的1,0数量，如果1多，则检测位P

步骤6.3.6将P

步骤6.3.7生成和图像ROI区域等大小的位置图LP

步骤6.4第二重篡改检测定位：

步骤6.4.1按逆序取子块中第二部分所有像素的第8位，拼接在一起形成W

步骤6.4.2取第一个像素的前7位，转化为十进制，除以128，得到0-1之间的小数，保留三位小数，生成第一个参数para_1；

步骤6.4.3将其他像素的前7位转化为十进制，再相加，生成第二个参数para_2；

步骤6.4.4令Z

步骤6.4.5取随机序列前4个不同值进行排序，将排序索引值0-3分别转换为2位二进制拼接在一起，形成8位块级校验位W

步骤6.4.6判断W

步骤6.5将位置图LP

步骤6.6利用方向子带进一步确定篡改块

针对每个子块，定义四个方向带，分别是(S,SW,W),(W,NW,N),(N,NE,E),(E,SE,S)，其中S代表位于该块南方的块，W代表位于该块西方的块，SW代表位于该块西南方的块，以此类推；如果一个块的四个方向带都被篡改，那么该块被认为是篡改块，否则认为是非篡改块，如公式(25)所示，其中N

一种与上述基于纹理度交叉嵌入的医学图像篡改检测方法对应的篡改恢复方法，按照如下步骤进行：

步骤7.1构建嵌入参考矩阵C，如公式(12,13)所示，其中i和j都属于[0,255]，设置初始值C(0,0)＝0，约束条件为参考矩阵C中每个3×3块中的值不重复且为0-8；

步骤7.2将RONI区域划分为2×2子块，将每个子块左上和右下构成一个像素对，左下和右上构成另一个像素对；

步骤7.3依据像素对(X

步骤7.4取前5个提取信息，转换成十进制，计算出压缩位置图的长度；

步骤7.5继续从后面提取相同长度的压缩位置图，解压缩，形成纹理分类位置图；

步骤7.6通过正序提取第一部分的秘密信息，倒序提取第二部分信息；

步骤7.7按照位置图的标识，确定压缩感知的分类，纹理块用24位表示，平滑块用8位表示；如果是纹理块，将24位拆分成8+8+8，第一个8位代表高平均值，第二个8位代表低平均值，第三个8位代表对应块中的值分布位置图；

步骤7.8对于纹理块，用高平均值替换位置图中的1，低平均值替换0，最后形成还原块；对于平滑块，直接将8位转换为十进制替换块中第一部分像素，完成图像恢复。

本发明根据不同的像素关系确定嵌入方式，使嵌入的信息能够自适应医学图像内容，对像素差较大的，嵌入较大的信息，对像素差较小的，嵌入较小的信息，在提高嵌入容量的同时，也能将医学图像对比度加强，起到较好的视觉效果，对医生诊断病情起到了一定的作用。本发明提出了块级和像素级两个方面三种检测方法，使图像能够在被任何攻击干扰之后，精确的定位到篡改的区域。不仅利用梯度直方图和DCT变换检测整个图像是否存在复制粘贴攻击，而且依据像素级和块级检测定位ROI区域的篡改块并提取恢复信息还原篡改图像，具有篡改检测能力强、自恢复效果好、安全性高、不可见性好和鲁棒性强的优点。

附图说明

图1是本发明实施例总体流程图，图1(a)是嵌入流程图，图1(b)是检测及恢复流程图。

图2是本发明实施例ROI区域信息图，图2(a)是医生手动标识ROI区域边缘线图，图2(b)(c)是ROI辅助信息示意图。

图3是本发明实施例纹理块平滑块划分示意图。

图4是本发明实施例棋盘式交叉分割示意图。

图5是本发明实施例压缩感知流程图。

图6是本发明实施例构造校验位流程图。

图7是本发明实施例的参考矩阵图。

图8是本发明实施例嵌入示意图。

图9是本发明实施例含水印图像和原始图像直方图。

图10是本发明实施例块重叠扫描示意图。

图11是本发明实施例抗复制粘贴攻击结果图。

具体实施方式

本发明的一种基于纹理度交叉嵌入的医学图像篡改检测及自恢复方法如图1所示，图1(a)是嵌入流程图，图1(b)是检测流程图，依次按照如下步骤进行：

步骤1.将医学图像划分为ROI区域和RONI区域：

步骤1.1将医学图像img_mark转换成灰度图像格式img_origin；

步骤1.2识别医生手动标识ROI区域边缘线位置，如图2(a)所示,在二值矩阵img_edge中将边缘线像素赋值为1，其余像素赋值为0；

步骤1.3扫描矩阵img_edge，将边缘内部区域用1填满，形成ROI区域img_area，其余部分为RONI区域；

步骤1.4将ROI区域img_area进行4×4分块，判断块中是否有像素值为1，如果有，就将块内像素全部变为1，否则不进行操作；

步骤1.5构建辅助信息aux_ROI_area，包括ROI区域个数area_num，每个ROI区域的左上角和右下角的坐标loc_LRs,如图2(b)所示；

表1给出了医学图像ROI/RONI区域划分结果及可嵌入率。

表1

步骤2.在ROI区域依据不同特征计算纹理复杂度，并根据纹理复杂度将ROI区域分为纹理块和平滑块，利用压缩感知技术在不同块内提取不同特征作为恢复信息：

步骤2.1计算ROI区域img_area子块纹理度：

步骤2.1.1依据公式(1)计算子块能量值：

其中g代表的是灰度共生矩阵，d，θ是两个灰度之间的距离和方向，k表示子块的大小；

步骤2.1.2依据公式(2)计算子块熵值：

步骤2.1.3依据公式(3)计算子块对比度：

步骤2.1.4通过均方误差分别给所有子块能量、熵和对比度三个特征值分配不同权重，并计算最终特征值J、H、D；

例如最终特征值J的计算步骤如下：

所述MSE

步骤2.1.5对三个最终特征值分配权值w

f＝w

步骤2.2若子块纹理复杂度f大于阈值T_c则为纹理块，否则为平滑块，T_c＝0.7，如图3所示；

步骤2.3生成位置图map_ROI_complexity，其中1和0分别代表纹理块和平滑块，再利用哈夫曼编码进行压缩，用14位二进制位存放压缩后长度，最后将长度信息和整个辅助信息拼接形成辅助信息aux_complexity，如图2(c)；

步骤2.4将ROI区域的每个4×4子块棋盘式交叉划分成两个不相交部分

步骤2.5取出正序存储的第一部分，根据此块的纹理类别，进行不同类型的压缩感知，如图5所示：

步骤2.5.1对于纹理块，计算子块所有像素的平均值ave

将高平均值h

步骤2.5.2对于平滑块，利用公式(6)计算子块平均值，将其转换为二进制，构建恢复信息reduction_part_1；

步骤2.6取出倒序存储的第二部分，同步骤2.1-2.4进行压缩感知，判断此块的纹理类别，再分别按照2.5.1或2.5.2对纹理块和平滑块进行不同的压缩操作，最后生成二进制还原信息reduction_part_2；

步骤2.7将{reduction_part_1，reduction_part_2}分别用哈夫曼编码进行压缩，用20bit二进制存放压缩后的长度{reduction_part_1_length，reduction_part_2_length}；

步骤3.在ROI区域设置像素级和块级检测位；

步骤3.1同步骤2.4，将ROI区域的每个4×4子块棋盘式交叉划分为两个不相交部分

步骤3.2构造第一部分校验位，如图6(a)所示：

步骤3.2.1首先通过公式(9)将像素值P

步骤3.2.2通过公式(10)判断每个像素前7位中0,1数量，若1的数量多，则检验位为1，否则为0，并将检验位P

步骤3.2.3将除最后一像素外的每个像素的前7位按位异或，最终形成检验位B

步骤3.3构造第二部分校验位，如图6(b)所示：

步骤3.3.1对子块第二部分像素，保持每个像素前7位不变，最后一位置零；

步骤3.3.2将第一个像素的前七位转换成十进制，再除以128，得到0-1之间的小数，保留三位小数，生成第一个参数para_1；

步骤3.3.3将其他像素的前7位转化为十进制并相加，生成第二个参数para_2；

步骤3.3.4令Z

步骤3.3.5取随机序列前4个不同值进行排序，将排序索引值0-3分别转换为2位二进制拼接在一起，形成8位块级校验位，置于每个像素的最后一位；

步骤4.在RONI区域基于参考矩阵和交叉嵌入技术实现恢复信息隐藏；

步骤4.1构建嵌入参考矩阵C，如公式(12,13)所示，其中i和j都属于[0,255]，设置初始值C(0,0)＝0，约束条件为参考矩阵C中每个3×3块中的值不重复且为0-8，如图7所示；

C(i+1,j)＝(C(i,j)+1)mod9 (12)

C(i,j+1)＝(C(i,j)+3)mod9 (13)

步骤4.2将RONI区域划分为2×2子块，将每个子块左上和右下构成一个像素对，左下和右上构成另一个像素对；

步骤4.3将辅助信息aux_ROI_area嵌入到图像的第1,2行LSB中；

步骤4.4辅助信息aux_complexity与恢复信息reduction_part_1合并作为正序嵌入(即从左到右，从上到下)的第一部分待嵌入信息；reduction_part_2作为第二部分倒序嵌入(即从右到左，从下到上)待嵌入信息；

步骤4.5将待嵌入信息每3位二进制转换为1位八进制；

步骤4.6通过公式(14)计算子块像素对之间的差值X

X

步骤4.7依据差值与阈值的关系，利用参考矩阵C实现替换嵌入；

若X

(1)溢出处理

如果像素对中存在像素值0或255，则将0置为1，将255置为254；

(2)定位

将像素对(X

(3)嵌入

以R

(X

假设有一个像素对(4,4)，秘密信息位为1，设置阈值T_dif为3；判断X

若X

(1)溢出处理

如果像素对中存在像素值0或255，将0值设置为2，将255设置为253；

(2)定位

将像素对(X

(3)确定嵌入范围

对于待嵌入信息八进制b，根据X

如果X

如果X

(4)嵌入

依据公式(16)找到对应的坐标(X

含水印图像和原始图像直方图对比如图9所示；图9中(a1-n1)表示原始图像直方图，(a2-n2)表示载密图像直方图。

含水印图像与原始图像PSNR,SSIM和NCC值如表2所示。

表2

步骤5.图像复制粘贴攻击检测：

所述步骤5具体如下

步骤5.1为抵抗复制粘贴攻击，不限于ROI区域，将整个图像分为4×4子块p，利用公式(17-20)计算子块梯度大小和梯度方向：

p

p

grad

步骤5.2按照块重叠的方式进行块扫描，扫描步长为1，如图10所示；

步骤5.3将4×4的子块划分为4个2×2子单元，计算每个子单元中的梯度大小和梯度方向，用梯度直方图来表示；

步骤5.4构造子块特征

将四个子单元的梯度直方图连接起来形成子块特征值1；再将4×4子块进行DCT变换，将系数矩阵左上角第一行第一列的值作为子块特征值2，将两个特征结合到一起构造子块特征character_all；

步骤5.5将所有4×4块的特征值两两相减得到dif_value

dif_value

步骤5.6设定阈值mark_yy，将差值dif_value

步骤5.7标记出属于ROI区域的复制粘贴篡改块：D

步骤5.8通过邻域方法进一步定位ROI区域复制粘贴篡改块：

对于ROI区域的所有子块，计算其8邻域中篡改块的数量，如果大于等于5，此块确定为篡改块，否则此块是非篡改块，如公式(23)所示，其中N

图11给出了抗复制粘贴攻击结果图。图11中(a,e,i)分别表示三个原始图像，(b,f,j)表示受到复制粘贴攻击后的图像，(c,g,k)表示识别篡改区域的图像，(d,h,i)表示恢复后的图像。

步骤6.ROI区域双重篡改检测定位：

步骤6.1从图像的第一二行的LSB中提取出ROI区域辅助信息aux_ROI_area，通过ROI区域个数area_num和每个ROI区域的左上角和右下角的坐标loc_LRs确定ROI区域；

步骤6.2依据公式(5)将ROI区域的每个4×4子块棋盘式交叉划分成两个不相交部分

步骤6.3第一重篡改检测定位：

步骤6.3.1按正序取子块中第一部分的最后一个像素的第7位，得到检测位B

步骤6.3.2将其余像素前7位按位异或，得到一个检测位B

步骤6.3.3块级检测：将B

步骤6.3.4提取每个像素将最后一位作为检测位P

步骤6.3.5计算每个像素的前7位的1,0数量，如果1多，则检测位P

步骤6.3.6将P

步骤6.3.7生成和图像ROI区域等大小的位置图LP

步骤6.4第二重篡改检测定位：

步骤6.4.1按逆序取子块中第二部分所有像素的第8位，拼接在一起形成W

步骤6.4.2取第一个像素的前7位，转化为十进制，除以128，得到0-1之间的小数，保留三位小数，生成第一个参数para_1；

步骤6.4.3将其他像素的前7位转化为十进制，再相加，生成第二个参数para_2；

步骤6.4.4令Z

步骤6.4.5取随机序列前4个不同值进行排序，将排序索引值0-3分别转换为2位二进制拼接在一起，形成8位块级校验位W

步骤6.4.6判断W

步骤6.5将位置图LP

步骤6.6利用方向子带进一步确定篡改块

针对每个子块，定义四个方向带，分别是S,SW,W；W,NW,N；N,NE,E；E,SE,S；其中S代表位于该块南方的块，W代表位于该块西方的块，SW代表位于该块西南方的块，以此类推；如果一个块的四个方向带都被篡改，那么该块被认为是篡改块，否则认为是非篡改块，如公式(25)所示，其中N

本发明与上述基于纹理度交叉嵌入的医学图像篡改检测方法对应的篡改恢复方法，如图1(b)所示，按照如下步骤进行：

步骤7.1构建嵌入参考矩阵C，如公式(12,13)所示，其中i和j都属于[0,255]，设置初始值C(0,0)＝0，约束条件为参考矩阵C中每个3×3块中的值不重复且为0-8；

步骤7.2将RONI区域划分为2×2子块，将每个子块左上和右下构成一个像素对，左下和右上构成另一个像素对；

步骤7.3依据像素对(X

步骤7.4取前5个提取信息，转换成十进制，计算出压缩位置图的长度；

步骤7.5继续从后面提取相同长度的压缩位置图，解压缩，形成纹理分类位置图；

步骤7.6通过正序提取第一部分的秘密信息，倒序提取第二部分信息；

步骤7.7按照位置图的标识，确定压缩感知的分类，纹理块用24位表示，平滑块用8位表示；如果是纹理块，将24位拆分成8+8+8，第一个8位代表高平均值，第二个8位代表低平均值，第三个8位代表对应块中的值分布位置图；

步骤7.8对于纹理块，用高平均值替换位置图中的1，低平均值替换0，最后形成还原块；对于平滑块，直接将8位转换为十进制替换块中第一部分像素，完成图像恢复。

还原图像和原始图像对比数据如表3所示；和其它文献进行对比如表4所示。

表3

表4

[1]Geetha R,Geetha S.Embedding electronic patient information inclinical images:an improved and efficient reversible data hiding technique[J].Multimedia Tools and Applications,2020,79(8).

[2]Geetha,R.,Geetha,S.(2018).Improved Reversible Data Embedding inMedical Images Using I-IWT and Pairwise Pixel Difference Expansion.In:Bhattacharyya,P.,Sastry,H.,Marriboyina,V.,Sharma,R.(eds)Smart and InnovativeTrends in Next Generation Computing Technologies.NGCT 2017.Communications inComputer and Information Science,vol 828.Springer,Singapore.https://doi.org/10.1007/978-981-10-8660-1_45.

[3]Yang Y,Zhang W M,Liang,D,et al.A ROI-based high capacityreversible data hiding scheme with contrast enhancement for medical images[J].Multimedia tools and applications,2018,77(14):18043-18065.DOI:10.1007/s11042-017-4444-0。