【图像隐写】图像内容自恢复水印【含Matlab源码 2321期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、图像内容自恢复水印

1 引 言
数字水印技术能有效对网络传输中的多媒体信息进行认证。根据对多媒体信息篡改检测的敏感性不同,用于认证的数字水印可分为脆弱性和半脆弱性两类[1],脆弱性水印主要用于完全级认证[2,3,4,5],半脆弱性水印则主要用于内容级认证。利用它们能较好地验证信息的真实性,检测并定位篡改区域[5,6]。但是在大多数情况下,对于被篡改的多媒体信息仅仅进行检测和定位篡改不能满足要求。人们更希望能对篡改进行恢复,自动弥补被破坏的地方,恢复原始的图像内容。要实现图像的这种自恢复功能,则要求作为水印的数据必须同原始图像的内容联系起来,利用隐藏在图像中的水印数据才可能对被破坏的图像恢复出原貌。

本文提出了基于嵌入式小波编码的图像自恢复脆弱水印算法,它利用零树结构对自身图像进行压缩编码[7,8],得到嵌入的恢复水印数据,并大大减少嵌入水印的数据量。而对水印的编码块进行置乱后再嵌入水印数据,有利于增强恢复功能。水印嵌入到图像灰度位平面编码的后两位,使嵌入水印图像达到了良好的视觉效果。算法对篡改图像的恶意操作具有很强的识别和自恢复能力,该算法是真正的盲检测。

1 算法描述
1.1 自嵌入算法
由于要使图像达到被非法篡改后,还能通过嵌入其中的水印恢复出被篡改区域原来真的内容,因此要求原始图像必需参与进行水印的制作,保留住原始数据。而灰度图像的数据量比较大,不能直接作为水印嵌入到自身,所以利用SPIHT压缩算法对灰度图像进行压缩,以减少水印的嵌入量。算法步骤如下:

(1)将M×N大小的原始图像I的灰度值系数进行位平面分解,然后把最后两个bit位平面值置为0,得到位平面矩阵;

(2)在把分解的各个平面矩阵按公式合成得到新的图像I’;

(3)对图像I’分成m×n的子块,每一个子块都进行小波变换,将比特率控制在BR=1bpp进行SPIHT压缩编码,则每一子块SPIHT编码后的数据量应该在m×nbit左右。最后按子块组成的SPIHT编码矩阵按密钥k进行块置乱;

(4)将置乱后的分块编码矩阵对应地嵌入到图像I’的第二位bit位中,第二位不够,嵌入到对应块的第一位,就得到了嵌入自相关的水印的图像。

整个嵌入流程如图1所示。

图1 水印嵌入过程
该算法将制作的自相关水印数据嵌入到后两个比特位,图像质量会有一些下降,但是修改了最后两位比特位,对每一个像素点而言最多使灰度值增加或减少3,因此灰度值的改变量很小,不足以引起视觉上的明显变化。另外要注意,在进行SPIHT编码时,把特率控制在BR=1bpp,所以系数长度不会超过2×m×n个,在m×n左右。因为在嵌入时,所有的系数值只能嵌入到图像位平面编两个位平面上。另外,得到的分块编码嵌入时,原始像素后两位中未有数据嵌入的置为0。

1.2 提取水印及自恢复算法
(1)将含水印图像的灰度值系数进行位平面编码,提取最后两个bit位的值,即得到水印编码置乱矩阵,再进行反置乱得到提取的SPIHT二值矩阵A;

(2)将水印图像灰度值后两个bit位置0后,再分成m×n的子块,对每一分块的特率控制在BR=1bpp进行SPIHT压缩编码,得到二值矩阵A’;

(3)A与A’都是二值矩阵,将A矩阵与A’矩阵对应分块的系数进行比较,设置一个阈值T,若两子块里所有对应系数的差值的绝对值小于T,则可以认为该块数据是真实的;若该块里有系数的差值大于T,则判定该系数位是出错位,而该出错位对应的嵌水印图像对应的m×n小块都标记为出错位;

(4)在二值矩阵A找到出错小块的SPIHT编码数据,进行SPIHT解码重构,再用重构的图像代替出错位,就可以恢复出被篡改区域的原始图像内容。

整个过程如图2所示:

图2 水印提取及恢复过程
图像自恢复算法的关键部分有2点,一是定位被篡改区域;二是自恢复功能。在认证过程中不需要其他的水印信息进行比较来确定被篡改区域。该自嵌入算法和自恢复算法思想能巧妙地实现对篡改像素的精确定位,使恢复出的水印图像能表示原始图像的概貌,从而较好地纠正被篡改的图像区域。另外,水印嵌入时对编码矩阵进行置乱处理非常关键,它不仅可以起到对嵌入数据加密的作用,而且其置乱程度直接影响到提取出的水印效果及图像自恢复的程度。

⛄二、部分源代码

%----------- Input ----------------
[Orig_I,map] = imread(‘1.bmp’);
Orig_I=double(Orig_I);
rate = 1;

%----------- Pre-processing ----------------

OrigSize = size(Orig_I, 1);
max_bits = floor(rate * OrigSize^2)

OutSize = OrigSize;
image_spiht = zeros(size(Orig_I));
% "image " is the input of codec
[nRow, nColumn] = size(Orig_I);

%----------- Wavelet Decomposition ----------------
n = size(Orig_I,1);
n_log = log2(n);
level = n_log;
% wavelet decomposition level can be defined by users manually.

type = ‘bior4.4’;
[Lo_D,Hi_D,Lo_R,Hi_R] = wfilters(type);

[I_W, S] = func_DWT(Orig_I, level, Lo_D, Hi_D);

%----------- Coding ----------------
img_enc = func_SPIHT_Enc(I_W, max_bits, nRow*nColumn, level);
whos(‘img_enc’)

%----------- Decoding ----------------
img_dec = func_SPIHT_Dec(img_enc);

%----------- Wavelet Reconstruction ----------------
img_spiht = func_InvDWT(img_dec, S, Lo_R, Hi_R, level);
imwrite(uint8(img_spiht),‘img_spihtlena.bmp’);

%----------- PSNR analysis ----------------
Q = 255;
MSE = sum((img_spiht - Orig_I) .^ 2) / nRow / nColumn;
MSE =sum(MSE);
psnr = 10log10(QQ/MSE)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]何登平,范鹏.一种基于图像内容的自恢复水印算法[J].四川理工学院学报(自然科学版). 2008(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置