基于物联网（IoMT）的电子健康系统中医学图像的高负载安全数据隐藏技术 王一辰（Yichen Wang） 林一杰（Yijie Lin） 张清春（Ching-Chun Chang） 张辰辰（Chin-Chen Chang） 黄武胤（Wu-Yuin Hwang）

《Analytica》：High-Payload and Secure Data Hiding for Medical Images in IoMT-Based eHealth Systems Yichen Wang, Yijie Lin, Ching-Chun Chang, Chin-Chen Chang and Wu-Yuin Hwang

　　摘要：随着医疗物联网（IoMT）的快速发展，在带宽和资源受限的网络中高效传输和管理大规模医疗图像仍然是一个关键挑战。本文提出了一种基于块分类的绝对矩块截断编码（AMBTC）压缩医疗图像中的高载荷数据隐藏方法。根据高值和低值之间的差异，图像块被分为平坦块、平滑块和复杂块三种类型，并针对每种类型应用了自适应的嵌入和提取策略。该方法将秘密数据整合到压缩框架中，从而在保持视觉质量的同时提高了效率。实验结果表明，平均效率达到了59%，平均峰值信噪比（PSNR）约为30分贝。此外，视觉和结构评估表明，该方法有效地保留了纹理和边界。这些结果证实了将高载荷数据隐藏集成到AMBTC压缩中，用于IoMT环境中的医疗图像高效存储和传输的可行性。

1. 引言
随着物联网（IoT）和5G通信技术的快速发展，远程医疗和电子健康等智能医疗系统已被广泛采用，从根本上改变了传统的医疗实践[1,2]。在现代远程医疗场景中，医疗物联网设备（统称为医疗物联网IoMT[3,4]）每天生成并传输大量医疗图像，包括X光片、超声扫描、磁共振成像（MRI）和计算机断层扫描（CT）图像。这些设备在处理多模态图像数据时通常受到计算和内存资源的限制。因此，在传输前对医疗图像进行高效压缩对于减少网络延迟、缓解带宽限制和最小化云存储需求至关重要[5]。在现有的压缩技术中，绝对矩块截断编码（AMBTC）[6]特别适合资源受限的IoMT设备，因为它计算复杂度低、内存需求小且图像重建质量令人满意。

医疗图像的远程传输引发了重大的安全和隐私问题，因为这些图像与高度敏感的电子患者记录或个人健康信息相关。如图1所示，在基于IoT的电子健康系统中，IoMT设备首先从患者那里收集医疗图像或生理数据，并将其传输到云服务器进行存储和处理。授权的医疗专业人员和患者随后可以检索这些记录，专业人员使用它们进行远程诊断，患者可以访问自己的健康数据。为了确保安全传输，已经采用了各种方法，如数据加密和私有通道。其中，数据隐藏技术[7,8,9,10,11,12]被广泛研究作为一种保持图像与患者信息之间内在关联的方法。通过以不可察觉的方式将患者数据嵌入医疗图像中，数据隐藏实现了隐蔽传输，并降低了数据丢失、分离和篡改的风险。

数据隐藏在压缩领域得到了广泛探索[13,14]，包括AMBTC[15,16]、矢量量化（VQ）[17]和JPEG[18,19,20]。基于AMBTC的数据隐藏特别适合IoMT场景，因为它允许设备在图像压缩过程中嵌入信息。研究人员专注于通过修改AMBTC压缩后的代码（包括量化的最高值和最低值以及位图）来最大化载荷同时最小化感知失真。Ou和Sun在2015年的早期工作中提出了一种最小失真、高载荷的基于AMBTC的图像数据隐藏方法[21]。2019年，Kumar等人[22]通过集成汉明距离和像素值差异机制改进了基于AMBTC的隐藏方法，以实现载荷和图像质量之间的更好平衡。同年，Chang等人[23]采用了块分类策略、矩阵编码和块特定的对称量化。2023年，Chen等人[24]采用了块分类方法，并引入了一种与AMBTC兼容的基于梯度的压缩方法。2024年，Lin等人[25]引入了参考矩阵以提高效率，并提出了一种不会增加文件大小的变体。2024年至2025年间，Lin等人[26,27,28]将块分类方法扩展到四种类型，进一步平衡了视觉质量和载荷。

受先前研究的启发，本文提出了一种用于使用AMBTC压缩的医疗图像的高载荷数据隐藏方法。首先根据最高值和最低像素值之间的差异以及预定义的阈值，将图像块分为三种类型：平坦块、平滑块和复杂块。针对每种块类型应用了定制的嵌入策略。平坦块仅使用块平均值进行重建，为秘密数据腾出空间。平滑块在压缩位图的同时保留必要的像素信息，允许嵌入额外的数据。复杂块保留所有内在信息，并使用拼图矩阵[29]和像素值的存储顺序来嵌入数据，确保最小的视觉失真。本文的主要贡献总结如下：
- 提出了一种针对AMBTC压缩图像的新数据隐藏方法，其中块分类范围根据阈值进行了调整。
- 剩差分析和边缘交集图表明医疗图像的结构完整性得到了很好的保留。
- 为不同类型的块设计了不同的嵌入策略，实现了平均59%的高载荷效率。
- 提出的块分类策略有效平衡了载荷和视觉质量，平均PSNR约为30分贝。

本文的其余部分组织如下：第2节回顾了基础知识。第3节介绍了所提出的方法。第4节详细介绍了实验结果和性能评估。第5节总结了本文。

2. 基础知识
本节主要介绍了所提算法依赖的两种基本前提技术：作为载体的AMBTC压缩算法和作为参考矩阵的拼图矩阵。

2.1. 绝对矩块截断编码（AMBTC）
AMBTC是由Lema和Mitchell[6]提出的一种经典的有损图像压缩技术。AMBTC的核心压缩过程首先将原始图像划分为不重叠的块。对于每个块，计算块的平均像素值，如方程（1）所示，其中表示当前块中第个像素的灰度值。获得平均值后，将块中的每个像素值与进行比较，以构建位图。如果，则对应的元素被赋值为1；否则，赋值为0。构建规则定义在方程（2）中。根据，像素被分类为高值组（标记为1）和低值组（标记为0）。然后计算这两个组的平均灰度值，并分别表示为高量化值和低量化值，如方程（3）和（4）所示，其中表示块中值为1的像素数量。完成这些步骤后，原始像素块被压缩为一个三元组，形成压缩表示。在解压缩过程中，根据恢复像素值。标记为1的位置被赋值为，而标记为0的位置被赋值为。重建的像素值定义在方程（5）中。

如图2所示，使用一个图像块演示了AMBTC的过程。左侧显示了平均值为的原始块。中间部分展示了通过将每个像素与平均值进行比较得到的。根据划分，计算出高量化值和低量化值。压缩表示由、和相应的组成。右侧显示了重建阶段，其中像素值根据被替换为或，生成一个近似的图像块。

2.2. 拼图矩阵
2025年，Lin等人[29]提出了一种使用称为拼图矩阵的参考矩阵的双图像可逆数据隐藏方法。该矩阵对应于8位灰度图像的像素值范围0到255。行索引和列索引表示两个像素的灰度值。图3展示了一个拼图块。该块被划分为四个拼图块（红色、黄色、蓝色和绿色），分别赋值为0、1、2和3，按逆时针顺序。如图4所示，设计的拼图块随后被水平和垂直复制，直到形成一个完整的矩阵。

3. 提出的方法
在本节中，我们提出了一种在AMBTC压缩的医疗图像中的自适应高载荷数据隐藏方法。整个过程如图6所示，详细说明了秘密数据的嵌入和提取。根据块内和之间的差异，图像块被分为三类：平坦块、平滑块和复杂块。针对每种类型应用了定制的嵌入策略，以最大化空间并保持图像质量。平坦块和平滑块分别使用平均值替换和降维与投票原则来消除冗余，而复杂块采用加权拼图矩阵机制来最小化视觉失真。在提取过程中，识别每个块的类型并应用相应的逆操作，可以恢复秘密数据和压缩图像。第3.1节、第3.2节和第3.3节分别详细描述了块分类、数据嵌入和数据提取。

3.1. 块分类
本文使用AMBTC算法进行图像块分类。根据和之间的差异，图像块被分为三类：平坦块、平滑块和复杂块。为了正确分类图像块，我们定义了阈值和。分类可以正式表示为方程（6）。

3.2. 数据嵌入
在数据嵌入阶段，平坦块仅存储块平均值，平滑块使用投票原则压缩，复杂块在应用拼图矩阵进行坐标映射和序列调整的同时保留完整的。每种类型的存储结构如图7所示。每种类型都由一个指示符引导，用于正确解析后续数据段。平坦块对应于第一行，其指示符为0。接下来是8位块平均值，其余24位携带秘密数据。平滑块对应于第二行，其指示符为10。其数据段包括8位、位，在此示例的阈值设置下，等于位和4位，为秘密数据保留了16位。复杂块对应于第三行，其指示符为11。其主体包含8位、8位和完整的16位。值得注意的是，和之间的虚线双向箭头表示它们的存储顺序是可变的。通过交换和，可以嵌入额外的秘密数据位。剩余的4位秘密数据使用拼图矩阵嵌入。由于块类型通常是空间连续的，运行长度编码是一种有效的压缩指示符的方法，本文应用了扩展运行长度编码（ERLE）[30]。

3.2.1. 平坦块嵌入
被分类为平坦块的块被赋予指示符0。这些指示器并没有嵌入到图像中，而是额外存储在压缩代码中。由于压缩代码非常小，一个平坦块仅通过其块平均值来表示，该平均值占用8位。因此，在平坦块中嵌入秘密数据的有效载荷为8位。图8展示了平坦块嵌入的一个例子。首先，对一个图像块进行统计计算，得到相应的数值。然后计算这些数值之间的差异。如果差异小于某个阈值，该块就被分类为平坦块。在压缩表示中，指示器位被设置为0，接着是8位的块平均值。剩余的24位用于存储秘密数据。图8. 平坦块嵌入的例子。

3.2.2. 光滑块嵌入
被分类为光滑块的块被赋予指示器10。与平坦块相比，光滑块表现出更多的变化，因此需要存储更多的图像内在信息。首先要保留的数值是块平均值，它占用8位。接下来存储的是另一个数值，需要4位。根据本文的参数设置，这等于4位。鉴于这两个数值之间的关系，可以从已知的数值中推导出第三个数值，因此没有必要显式存储它，从而节省了嵌入空间。该数值被分成四个子块，并应用投票原则来保留每个子块中的一个位。如果出现平局（两个0和两个1），则根据子块中0和1的总数来决定结果。如果平局仍然存在，该位默认为1。如果得到的4位都是1或都是0，该块会被重新分类为平坦块以进一步增加有效载荷。因此，在光滑块中嵌入秘密数据的有效载荷为8位。图9显示了一个光滑块的例子，其中包含了三个数值。由于这些数值满足条件，它被分类为光滑块。计算这些数值之间的差异后，结果被偏移，然后用4位表示为0011。该数值被分成四个子块，投票原则产生的最终结果为0100。在结构中，块类型指示器是10，接着是8位的块平均值、4位的另一个数值以及投票得到的4位结果。剩余的空间用于嵌入秘密数据。图9. 光滑块嵌入的例子。

3.2.3. 复杂块嵌入
被分类为复杂块的块被赋予指示器11。必须保留的图像内在信息包括三个数值，它们分别占用8位、8位和16位。这两个数值和另一个数值分别被视为水平和垂直坐标，并被映射到拼图矩阵上以嵌入4位的秘密数据。当多个候选映射导致相同的修改距离时，优先选择修改权重较小的坐标。具体来说，在映射过程中进行加权计算以选择总体修改最小的位置。在矩阵中，1的数量越多表示该坐标的权重越大；0的数量越多表示另一个坐标的权重越大。此外，所提出的方法通过交换这两个数值的存储位置来嵌入一个额外的位。在压缩代码中，某种序列表示0，而另一种序列表示1。这种交换机制的可行性如下：由于拼图矩阵由周期性排列的包含所有16种可能组合的拼图块组成，因此总能在某个拼图块中找到与秘密数据匹配的目标值。这意味着单轴坐标的最大调整距离永远不会超过某个阈值。然而，对于被分类为复杂块的块，根据参数设置，即使经过最大调整后，该条件仍然成立。因此，可以通过确定压缩代码中较大数值出现的位置先后顺序来可靠地提取这个额外的位。

如图10所示，一个输入块使用AMBTC方法得到两个数值和另一个数值。由于这两个数值满足条件，该块被分类为复杂块。在嵌入过程中，其中一个数值被映射到拼图矩阵上。秘密数据11（用红色表示）被转换为3，从而定位到标记为3的相应子块。秘密数据01（用黄色表示）被转换为1，选择该子块中的位置1。存在四个候选位置；根据最小修改距离的计算结果，选择了某个坐标并标记为。最终的秘密位1（用蓝色表示）通过在压缩代码中交换这两个数值的位置来嵌入。因此，总共嵌入了5位的秘密数据。最终的压缩代码包括指示器11，接着是修改后的8位数值、8位数值和16位数值。图10. 复杂块嵌入的例子。

3.3. 数据提取
本小节详细介绍了秘密数据提取的过程，该过程基本上是数据嵌入过程的逆向操作。提取首先使用ERLE [30]算法解压指示器以识别每种块类型。根据确定的类型，应用相应的逆向操作来恢复秘密数据并重建图像块。

3.3.1. 平坦块提取
在提取阶段，首先从额外存储的信息中检索当前图像块的指示器。如果检索到的指示器是0，则该块被识别为平坦块。由于所提出的方法中的指示器没有嵌入到图像数据流中，接收者直接从压缩流中顺序读取一个32位的数据块。根据平坦块的AMBTC配置，前8位表示图像内在信息的块平均值。因此，在隔离出这8位后，剩余的位构成了提取的秘密数据。在图像恢复过程中，接收者直接使用提取的8位块平均值覆盖该块内的所有像素，从而完成这个平坦块的重建。如图11所示，首先读取指示器0，确认该块是平坦块。接着是8位的块平均值01100101，将其转换为十进制值。根据平坦块的结构，接下来的24位直接作为嵌入的秘密数据被提取。秘密提取后，将恢复的平均值分配给该块内的所有像素，完成重建。图11. 平坦块提取的例子。

3.3.2. 光滑块提取
如果检索到的指示器是10，则该块被识别为光滑块。然后应用AMBTC框架进行提取过程。首先提取的数值占用8位。接下来读取另一个数值，它需要4位。根据本文采用的参数设置，这个数值占用4位。鉴于这两个数值之间的关系以及嵌入规则，可以恢复差异值。然后使用已知数值推导出第三个数值。接下来提取4位的压缩数值。在嵌入过程中，该数值被分成四个独立的子块，并使用投票原则进行压缩。在提取过程中，每个提取的位被复制四次以重建其对应的子块，从而恢复完整的数值。在扣除图像内在信息位后，光滑块的秘密数据为8位。使用恢复的这两个数值以及重建的数值，图像块被恢复。如图12所示，识别出指示器10，该块被分类为光滑块。然后读取8位以获得另一个数值。接着读取4位的数值，得到某个结果。由于采用的参数，差异值被恢复为某个值。因此，4位的压缩数值随后被提取。压缩代码中剩余的16位被识别为嵌入的秘密数据。在重建过程中，4位的数值被扩展为一个结构。将对应于0的像素赋值为某个值，而将对应于1的像素赋值为另一个值，完成该块的重建。图12. 光滑块提取的例子。

3.3.3. 复杂块提取
如果检索到的指示器是11，则该块被识别为复杂块。必须保留的图像内在信息包括三个数值，它们分别占用8位、8位和16位。这两个数值和另一个数值分别被视为水平和垂直坐标，并被映射到拼图矩阵上以嵌入4位的秘密数据。当多个候选映射导致相同的修改距离时，优先选择修改权重较小的坐标。具体来说，在映射过程中进行加权计算以选择总体修改最小的位置。在矩阵中，1的数量越多表示该坐标的权重越大；0的数量越多表示另一个坐标的权重越大。此外，所提出的方法通过交换这两个数值的存储位置来嵌入一个额外的位。在压缩代码中，某种序列表示0，而另一种序列表示1。这种交换机制的可行性如下：由于拼图矩阵由周期性排列的包含所有16种可能组合的拼图块组成，因此总能在某个拼图块中找到与秘密数据匹配的目标值。这意味着单轴坐标的最大调整距离永远不会超过某个阈值。然而，对于被分类为复杂块的块，根据参数设置，即使经过最大调整后，该条件仍然成立。因此，可以通过确定压缩代码中较大数值出现的位置先后顺序来可靠地提取这个额外的位。

如图10所示，一个输入块使用AMBTC方法得到两个数值和另一个数值。由于这两个数值满足条件，该块被分类为复杂块。在嵌入过程中，其中一个数值被映射到拼图矩阵上。秘密数据11（用红色表示）被转换为3，从而定位到标记为3的相应子块。秘密数据01（用黄色表示）被转换为1，选择该子块中的位置1。存在四个候选位置；根据最小修改距离的计算结果，选择某个坐标并标记为。最终的秘密位1（用蓝色表示）通过在压缩代码中交换这两个数值的位置来嵌入。因此，总共嵌入了5位的秘密数据。最终的压缩代码包括指示器11，接着是修改后的8位数值、8位数值和16位数值。图10. 复杂块嵌入的例子。

4. 实验结果
4.1. 实验设置
本小节介绍了所提出方法的实验评估。所有实验都在一台配备Intel(R) Core(TM) i7-14650HX 2.20 GHz处理器和16 GB RAM的Windows 11笔记本电脑（MECHREVO Aurora X（苏州智通智能科技有限公司，中国苏州）上进行，算法使用MATLAB R2024b实现。测试使用了六张标准灰度图像和六张医学灰度图像[31]，每张图像的大小为512 × 512。标准图像显示在图14中，医学图像显示在图15中。图14. 标准图像：(a) 飞机，(b) 白鹭，(c) 伊莱恩，(d) 办公室，(e) 林地，(f) 塞尔达。图15. 医学图像：(a) Brainix，(b) Cerebrix，(c) Goudurix，(d) Manix，(e) Phenix，(f) Vix。所提出方法的性能通过峰值信噪比（PSNR）、结构相似性指数（SSIM）、有效载荷和效率来评估。
PSNR通常用于衡量压缩图像相对于原始图像的失真程度。较高的PSNR值表示压缩图像更接近原始图像，表明视觉质量更好。PSNR的定义如公式（7）所示。PSNR的计算依赖于两张图像之间的均方误差（MSE）。MSE的定义如公式（8）所示。 和 分别表示两张比较图像的第 行和第 列的像素值。变量 和 分别表示图像的高度和宽度。除了PSNR之外，还使用SSIM来评估两张图像之间的结构相似性。SSIM衡量图像之间的亮度、对比度和结构信息的相似性。SSIM的定义如公式（9）所示。 和 分别表示正在比较的两张图像块。变量 和 分别表示 和 的平均强度。术语 和 分别表示 和 的方差，而 表示它们之间的协方差。参数 和 是用于避免除以零的稳定常数。SSIM 值的范围是从 0 到 1，其中接近 1 的值表示两张图像之间的相似度更高。Payload 代表可以嵌入图像中的秘密数据的总位数。效率在公式（10）中定义为 Payload 与最终文件大小之间的比率。

4.2. 块分类分析
在所提出的方法中，块分类是控制整体 Payload 和视觉质量的核心步骤。为了直观地展示所提出的分类策略的有效性，本小节对测试图像的块类型进行了详尽的统计和可视化分析。我们统计了在四种不同阈值组合下 12 张测试图像中每种块类型的数量及其对应的百分比，用于比较测试： ， ， 和 。表 1 展示了这种分类机制在不同阈值下的性能。随着 的增加，平坦块的比例显著增长。当阈值放宽到 时，所有测试图像中平坦块的比例超过了 85%，其中 Woodland 和 Zelda 图像分别达到了 96.50% 和 96.77%。同时，复杂块的比例非常低，大多数图像中低于 6%。表 2 进一步证实了该方法对医学图像的卓越适应性。即使在 的情况下，一半的医学图像中平坦块的比例也超过了 50%，这比标准图像要高。表 1. 标准图像的块分类分析。表 2. 医学图像的块分类分析。图 16 和图 17 展示了可视化结果。深蓝色区域表示被分类为平坦块的块，蓝色区域表示平滑块，浅蓝色区域对应于复杂块。图 16 展示了在阈值 下标准图像的块分类的空间分布。在图 16a（飞机）和图 16f（Zelda）中，大的平滑区域被分类为平坦块，从而允许更高的 Payload。图 17 显示了医学图像数据集的结果，其中如图 17a（Brainix）和图 17e（Phenix）这样的图像包含高比例的平坦块。这些可视化结果与表 2 一致，证实了所提出的方法非常适合医学图像，并支持更高的 Payload。

4.3. 视觉和结构评估
我们进行了全面的视觉和结构评估，以确保关键图像特征的保留。图 19 展示了原始图像、使用所提出方法压缩后的图像及其对应的残差图之间的视觉比较。在压缩图像中没有观察到显著的质量下降。残差图显示了绝对的像素级差异，并且在所有测试图像中几乎完全呈现为黑色，表明嵌入失真最小、分布均匀且人眼无法察觉。在医学图像分析中，识别感兴趣区域（ROI）内的细微纹理变化通常是至关重要的。图 20 展示了用红色框标记的 ROI 的放大视图。原始区域和重建区域之间的比较表明，纹理、边界和其他结构细节得到了很好的保留。相应的残差图进一步证实了压缩过程的影响可以忽略不计。除了像素级的一致性外，保持结构和几何完整性对于可靠的图像质量评估也是必不可少的。图 21 使用 Canny 边缘检测方法评估了结构保留情况。从原始图像和重建图像中提取的边缘图通过交集图进行比较。这些图之间的高相似性表明边缘结构有很强的重叠和连续性，表明关键边界得到了保留，整体形态保持不变。

4.4. 安全评估
本小节进行了抗攻击安全评估。由于所提出的方法在压缩域中操作，传输的数据由压缩代码组成。我们评估了所提出方法对位翻转攻击的鲁棒性。具体来说，考虑了三种攻击级别，其中传输数据中的 100 位、1000 位和 10,000 位被随机翻转。图 22 展示了 Brainix 图像的结果。可以观察到，因为操作仅限于独立的 4 × 4 块，特定压缩代码的损坏会产生视觉上局部的块级失真，而不是像素级的伪影。表 3 比较了在不同攻击条件下秘密数据提取的视觉质量和比特错误率（BER）。BER 定义为错误提取的秘密比特数与嵌入的秘密比特总数之比。结果显示，当 100 位被翻转时，平均 PSNR 和 SSIM 仍然很高，分别为 39.43 dB 和 0.994。即使当 1000 位被翻转时，平均 SSIM 仍然稳定在 0.944。只有当 10,000 位被翻转时，图像质量才会显著下降。由于这两个极端值代表了性能谱的绝对边界，仅依赖它们不足以评估实际应用场景。因此，为了提供性能变化的平滑观察并促进平衡的权衡，我们选择了 、 、 和 作为比较测试的代表性阈值对。

4.5. 性能评估
本小节进一步评估了所提出算法在不同阈值设置下的性能。表 4 和表 5 分别展示了标准图像和医学图像的 PSNR、SSIM、Payload 和效率。表 4 显示了标准图像集的结果。随着阈值 的放宽，效率提高。在最高的阈值 下，所有图像的效率超过了 67%，其中 Zelda 达到了 73.37%。这些结果表明，该算法有效地利用了压缩代码来携带秘密数据。尽管更高的嵌入率降低了视觉质量，但所提出的方法在 时保持了大约 30 dB 的 PSNR。表 5 展示了该算法在医学图像数据集上的性能评估结果。即使在 的阈值下，医学图像的 SSIM 值也通常高于标准图像。例如，Brainix 和 Phenix 的 SSIM 值分别为 0.909 和 0.892。此外，Brainix 实现了 222,639 位的 Payload，效率为 68.19%。

5. 结论
本文提出了一种用于 IoMT 环境中 AMBTC 压缩图像的数据隐藏方法。根据预定义的阈值，图像块被分类为平坦、平滑和复杂三类，并对每种块类型应用不同的数据嵌入策略。实验结果表明，与最先进的方法相比，所提出的方法实现了具有竞争力的 Payload 和嵌入效率，平均嵌入效率为 59%，同时保持了大约 30 dB 的 PSNR 值。至关重要的是，视觉和结构评估表明，所提出的方法有效地保留了医学图像中的纹理和边界。这些结果证实了该方法在资源受限的 IoMT 环境中进行高 Payload 数据隐藏的有效性和实用性。未来的工作将研究自适应阈值优化，以进一步提高动态 IoMT 场景中的数据隐藏性能。