Next-Generation Secure and Reversible Watermarking for Medical Images using Hybrid Radon-Slantlet Transform
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle