Next-Generation Secure and Reversible Watermarking for Medical Images using Hybrid Radon-Slantlet Transform
Notice bibliographique
Résumé
This research article proposes a security-enhanced watermarking method for medical images using the Radon and Slantlet transforms. The first step involves transforming the cover image from the spatial domain to the Radon domain. This transformation involves rotation, scaling, and translation through the Radon transform, which alters the locations of concealed bits. As a result, identifying the embedded data poses a considerable challenge. The embedded data cannot be identified without employing the inverse Radon transform. Subsequently, the Radon-transformed image is converted to the frequency domain using the Slantlet transform. Secret bits are incorporated into frequency coefficients during this phase through the pixel pair mapping approach. The final watermarked image is generated by inserting side information into the robust watermarked image. Simulation experiments are carried out to evaluate the imperceptibility of watermarks in medical images, employing metrics such as PSNR and SSIM. The results indicate high imperceptibility, with PSNR values exceeding 45 dB and SSIM values surpassing 0.95 for all tested images. Furthermore, the proposed method's robustness and reversibility are assessed by exposing watermarked images to various attacks. Performance is measured through the BER and NCC. Experimental findings reveal a BER of 0.2 % for the watermarked information, indicating strong resilience against attacks. Additionally, the NCC is determined to be 0.96, highlighting a high level of reversibility in extracting embedded data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».