【图像隐写】遗传算法的奇异值分解数字水印嵌入提取（含PSNR、NC）【含Matlab源码 2115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、SVD数字水印简介

1 引 言
数字水印是随信息技术和计算机网络飞速发展而兴起的一种重要的版权保护手段, 它通过在数字载体 (图像、音频、视频、文本等) 中加入隐秘信息来达到这个目的, 在需要时这种隐秘信息可以通过特定方法检测出来, 以验证作品是否合法或受到篡改。目前, 数字水印已成为多媒体信息安全研究领域的一个热点, 也是信息隐藏技术研究领域的重要分支。

数字图像水印技术从实现过程上分空域算法和变换域算法。空域算法是指在图像的空间域中嵌入水印的方法, 通常具有较快的速度, 但一般鲁棒性较差;变换域算法是指在图像的变换域中嵌入水印的方法。变换域包括DCT域、DFT域、DWT域等, 由于图像的小波变换能够很好地匹配人类视觉系统 (HVS) 的特性, 还可以与JPEG2000标准相兼容, 因此小波域数字水印技术具有很好的应用前景。

本文针对二值水印图像, 结合奇异值分解与小波变换, 提出了基于奇异值分解的小波域水印算法。实验结果表明, 本文提供的方法具有较好的鲁棒性和不可见性。

2 小波变换与奇异值分解
作为一种数学工具, 小波变换是对人们熟知的傅里叶变换和窗口傅里叶变换的一个重大突破, 为信号分析、图像处理、量子物理及其他非线性科学的研究领域带来革命性的影响。小波变换具有许多良好的特性, 这些性质奠定了小波域水印技术的基础。小波分解的空间-频率特性与HVS某些视觉特性有相似性。该特性是小波变换区别于DFT和DCT的一个重要方面, 根据该特性可以将高强度的水印嵌入到HVS不太敏感的区域, 这样在保证不影响图像视觉质量的前提下, 可以最大限度地增加嵌入水印的强度。

小波变换可以将图像分解成低频子带和高频子带。其中, 低频带表示由小波变换分解级数决定的最大尺度、最小分辨率下对原始图像的最佳逼近, 图像的大部分能量集中在此。高频带则分别是图像在不同尺度、不同分辨率下的细节信息, 二维图像一级小波分解所得子图像按其重要性排序为LL1, HL1, LH1, HH1, 如图1所示。

奇异值分解是数值线性代数的有效算法之一, 它在统计分析、信号与图像处理、系统理论与控制中被广泛应用。在图像处理中应用的优势在于图像奇异值的稳定性非常好, 即当图像被施加小的扰动时, 图像的奇异值不会有大的变化, 并且奇异值所表现的是图像的内蕴特性而非视觉特性。

图1 二维静态图像的一级分解
设图像矩阵I为非负矩阵, I∈Rn×n, 其中R表示实数域, rank (I) =r (r≤n) , 则I的奇异值分解定义如下:
非零奇异值的个数等于矩阵的秩。

2 水印算法
2.1 水印嵌入算法
为了保证嵌入水印后的图像质量和水印对信号处理的鲁棒性, 水印应嵌入到原始载体图像的中频部分。为了达到水印不可见性和鲁棒性的折衷, 应合理选取水印的嵌入强度因子α的值。
当原始载体图像为灰度图像时, 水印嵌入过程如下:
步骤一:将原始的二值水印图像取反, 再进行Arnold变换, 得到W˜, 并将迭代次数t作为密钥保存。
步骤二:将原始图像I进行一级小波分解, 得到中频子带HL1。
步骤三:将中频子带HL1进行SVD, 得到正交矩阵U, V及一个对角矩阵S。
步骤四:将水印W˜叠加到矩阵S上, 对新产生的矩阵S+αW˜进行奇异值分解, 得到U1, V1和S1。
步骤五:将矩阵U, S1和VT相乘, 得到处理后包含水印的图像D。
步骤六:用D代替步骤二中的HL1, 进行小波反变换, 得到潜入水印的图像I˜。

2.2 水印提取算法
水印提取算法恰好与水印的嵌入过程完全相反, 过程如下:
步骤一:将含水印图像I˜进行一级小波分解, 可得到中频子带HL¯¯1。
步骤二:对中频子带HL¯¯1进行SVD, 可得到正交矩阵U¯¯¯1, V¯¯¯1和对角矩阵S¯¯¯1。
步骤三:用S¯¯¯1代替水印嵌入算法步骤三中的对角矩阵S, 然后与正交矩阵U, V相乘, 即可得到矩阵图像D。
步骤四:利用水印嵌入算法步骤三、四中的S及α进行运算:W˜=1α(D−S), 则可得到置乱后的二值水印图像W˜。
步骤五:对W˜进行T-t次 (T表示Arnold变换的周期) Arnold变换并进行取反, 即可得到最终提取的二值水印图像。

⛄二、部分源代码

close all;
clc;
%加载要加水印的原始图像
orig_img = imread(‘lena_256.bmp’);
orig_img = imresize(orig_img, [256,256]);
figure, imshow(orig_img); title (‘原始图片’)
[M,N] = size(orig_img);
nblock=M/8;
%加载要在原始图像中加水印的图像
wat_img = imread(‘njit_logo.jpg’);
wat_img = imresize(wat_img, [nblock,nblock]); % make it 32 X 32
wat_img=uint8(wat_img);
level = graythresh(wat_img);%找到一个很好的阈值
wat_img = im2bw(wat_img,level); %使水印变成二值图像
figure, imshow(wat_img); title(‘WaterMark Image’);
%现在调用遗传算法，最小值为10，最大值为20
% 值90与线性适应度函数
npop = input('No of Iteration (Population Size) = '); % 询问人口规模
% 最小值为10，最大值为90，是种群数目大小，适应函数是未知数的平方
[a,b,c] = genetic_algorithm (@(x)x^2,npop,npop,npop,npop,npop,npop,npop,1,150,250,.01);

% 攻击类型
fprintf(’ 1 - Midian Filter\n’);
fprintf(’ 2 - Resize the image (scaling four times and then returned to original with bicubicinterpolation)\n’);
fprintf(’ 2 - Salt and paper noise\n’);
fprintf(’ 4 - Low pass filter\n’);
fprintf(’ 5 - Image Jpeg Compression with Quality Factor 40\n’);
attack_type = input('Attack Type: ');
max = 0.0; % 目标函数的最大值
peaksnr_value = 0; % 初始化 PEAKSNR 值
NC = 0; % 初始化归一化相关值
step=0;
final_image = zeros(M,N);
for i=2:npop
step_size = a(i);
Wimg = SVD_Watermarked(orig_img, wat_img, step_size);
% calculation of image quality degradiation after inserting watermark嵌入水印后图像质量退化的计算
[m,n] = size(orig_img);
error = orig_img - Wimg;
MSE = (sum(sum(error.^2)))/(mn);
if (MSE > 0)
peaksnr = 10log10(255^2/MSE);
else
peaksnr=99;
end
% fprintf(‘The Peak Signal to noise ratio: %f db\n’,peaksnr);
% 攻击水印图片
% 应用中值过滤器
if(attack_type1)
attacked_Image = medfilt2(Wimg);
end
% 调整图像大小。 第一次缩放（四次）然后回到原来的
% 双三次插值
if(attack_type2)
attacked_Image = imresize(Wimg,4,‘nearest’);
attacked_Image = imresize(attacked_Image, [M N]);
end
%椒盐噪声
if(attack_type3)
attacked_Image = imnoise(Wimg,‘salt & pepper’,0.002);
end
if(attack_type4)
attacked_Image = uint8(conv2(double(Wimg), double(ones(3,3))/9));
attacked_Image = imresize(attacked_Image, [M N]);
end
if(attack_type == 5)
imwrite(Wimg,‘Watermarked’,‘JPEG’,‘Quality’,40);
attacked_Image = imread(‘Watermarked.jpg’);
end

⛄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]王选宏,肖云.基于奇异值分解的小波域水印算法[J].现代电子技术. 2010,33(05)

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

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合