【图像隐写】 DCT数字水印嵌入+攻击+提取【含Matlab源码 1758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、DCT数字水印简介

1 前言
随着网络通信技术的发展，社会节奏的加快，网络通信技术的成熟，需求也开始发生改变，人们对便利的需求也越来越大，通过将媒体信息数字化，使得信息表达的精准和效率得到了明显提升。数字化也可以实现信息存储的便利性，同时数字信息也能方便和快速地通过电子设备进行传输。因此，数字交换传输过程越来越简易。

这样的便利固然舒适，但是伴随的副作用也快速被发现，急切需要一种技术对密码学进行补充。现如今网络中时常出现的产权问题也被得到了重视。数字水印技术的出现大大缓解了这一情况，如若内容被进行了解密处理，这种新的信息技术仍能发挥它的效用，继续起到对信息的保护作用。

2 数字水印算法的基本要求
2.1 数字水印的定义
数字水印技术进行工作的前提是，原始载体不能受到影响。默默保护信息不被打扰不被发现是它的优势。所谓的数字水印是需要在载体文件中镶嵌一些保护信息，数字化的图像、影像、文字都是载体文件。也可以这样认为，数字水印是采用扩频通信手段在宽窄信道之间传输的一种水印信号。使用者可以通过识别载体文件中的保护信息来推断初始信息有没有被篡改，还可以从中得到其中的隐含信息。因此可以将水印信号表示为：

我们能够利用序列来表示水印信息，简单和复杂的水印信号都有对应序列；其中一维和二维序列表示较为简单的水印信号，三维或者多维的数组来表示比较复杂的水印信号。在式中A表示整个公式的一个取值范围、M表示水印信号的长度。水印信息一样也可以使用数组来表示，数组的维数的多少代表信息的复杂程度，一般一维序列是用来表示音频文件的；如果载体是图像，那对应的水印就是二维数组；载体是动画，相应的水印就是三维信号。

2.2 数字水印技术有以下四个方面的特点:
(1）安全性

信息一定是需要安全来保证的，不管在任何应用领域中，这都会是最重要的需求之一。而数字水印不仅能够保证信息的安全还能保障信息不被篡改和伪造。信息的安全不仅体现在不被偷窃还体现在误检测率要较低。数字水印的信息应该随着初始内容的改变而实时变化；数字水印的安全性越强则抵抗性越强。

(2）隐蔽性

数据在符合规则的使用情况下，不会使原本的保护的文字、图像、音频等得到降质，保证质量同时还很难被察觉，具有不可察觉的优势。

(3）鲁棒性

经过多次信号处理或者攻击之后，水印信息中的数据不被破坏，且识别结果也不会发生偏差，图像很容易被攻击就很容易将信息泄露。平移、旋转、剪切、滤波、量化、采样、转换等都是信号的处理过程。数字水印是将一些不能被看见的信息嵌入到内容数据中，通常情况下是使用在版权保护中，或者用于保护内容数据的完整性。这也是数字水印保证信息不被篡改的方式。这样可以掩盖原本的信息将现有信息进入到破坏者眼中，从而造成干扰。

(4）水印容量

考虑到整个通信领域对于隐蔽性的要求偏高，并且需求不断增长，所以数字水印的水印容量也根据该情况做出了相应的调整。在此调整的基础上，水印容量也需要加强自身的能力，将自己承载信息的能力变强，只有这样才能将图像中所需要的信息都嵌入都水印中。正是因为通信领域的独特性，数字水印在这方面的努力也使得数字水印在这个领域中非常受欢迎，并且水印容量中所承载的信息能够将初始图像的所有信息都标明。版权纠纷就是因为所属者标识不清晰才会产生，这种做法可以尽可能防止这种纠纷的发生，还能够保护数字产权合法拥有者的合法权益。

数字水印具有以上四个基本特征。正是由于数字水印有安全性、隐蔽性、鲁棒性和数字水印这些特征，才在各式各样的水印设计方案中得到最优解。一个理想的水印算法不但需要高隐蔽性，还需要有强抵御力来面对各种攻击。优秀的数字水印方案需要结合以上四点做出理性的选择，只有充分考虑到这四个特征才能在设计水印方案的时候完美切合实际需求。

2.3 DCT变换的数字水印的应用
DCT变换域算法在抵抗有损压缩编码和其他一些具有信号失真的数据处理过程有很好的表现，鲁棒性和不可感知性是难以同时满足的两个要求，但是基于DCT变换的数字水印算法能更好地满足这两个基本要求。针对DCT变换的数字水印算法，在下文中会进行详细解释。并对版权保护问题中利用DCT变换所需的方法及步骤做出介绍。

3 离散余弦变换（DCT）算法介绍
3.1 傅里叶变换紧密相关的数学运算是离散余弦变换
DCT变换的基础是傅里叶变换，图像信号需要通过二维数组的变换来实现。

反离散余弦变换IDCT坐标公式：

其中：

3.2 DCT域系数分析
根据上式的计算方法可以得到64个系数，左上方位置的式直流分量（DC分量）。去除左上角的位置坐标的其他坐标系数都称为交流分量（AC分量）。只要加入大量的水印信息都不会使得水印之后的图像与初始图像对比之后在视觉上都不会产生较大差别，此时的感觉容量即为最大，这个位置也是最适合在这64个DCT系统中添加水印信息的位置，同时还能够确保在经过恶意攻击之后，图像依旧可以完整的提取水印信息。鲁棒性较高的区域刚好位于人们视觉敏感区域，此时的信号在信息处理过程中很难被除掉。

4 基于DCT变换技术的数字水印算法的应用步骤
对于彩色图片，基本DCT算法的流程是，首先将RGB图片转成YUV格式，然后再将图像矩阵分成互不重叠的8*8块，DCT模块对其中的Y分量，而后经YUV2 RGB输出嵌入后的RGB流。流程图如图1。

图1 水印算法流程图
具体嵌入方法为：读取水印信息w(这里w取1或-1)，按公式更改s系数的值，其中T是选定的阈值。数字水印是将一些不能被看见的信息嵌入到内容数据中，通常情况下是可以护内容数据的完整性。

扩频原理的叠加使用，是水印技术保证并升级DCT算法的可靠性的优质方案，用来满足数字水印设计方案的需求。DCT变换的最佳独特之处就在于，普通的信息只能将块状的信息汇聚在少量的低频DCT系数中，如此仅少量系数可以变换，还不会对图像的质量有危害。当分块的运算出现时，使得图像嵌入更为简易。因此DCT变换在低频中更适用，高频编码是容易被各种处理方法破坏使用，不被使用。扩频技术实现起来还是比较简单的，目前人们正在研究的数字水印算法更多的是基于变换域的，而这些变换域主要以频域为主，在空域算法方面，弥补了不足。

图2 原图与嵌入水印后的图像

5 水印的提取
当水印信息嵌入到图像之后，需要通过DCT变换等比较系统的方式将水印提取出来。
(1）基于DCT变换对含水印信息的数字作品进行变换。
(2）最佳嵌入区域需要根据嵌入算法来找到嵌入区域。
(3）按照水印嵌入时的基本规则将二元数组和三元数组两者的数值对比之后，就可以确定水印信息值了。
(4）将确定的水印信息值经过变换之后就可得到提取出的水印信息。

6 DCT水印攻击实验分析
从直观的角度观察水印的感知透明度就是DCT水印的攻击测试。
(1）本次分析主要对图像嵌入水印序列，之后再对已经加入水印的图像进行水印的提取。通过实验可以得出基于DCT变换后的数字水印算法的透明性有明显改善。
(2）以恶意攻击实验的方式，来验证数字水印算法在数字媒体当中的作用。能否使得版权信息得到保护；能不能快速并且有效的将信息提取出来；嵌入的水印经过攻击后是否可以完整的提取。

⛄二、部分源代码

clear;
clc;

disp(‘请选择载体图像：’);
[filename2, pathname2] = uigetfile(‘.jpg’, ‘读取图片文件’);
pathfile2=fullfile(pathname2, filename2);
image=imread(pathfile2);
disp(‘请选择水印图像：’);
[filename, pathname] = uigetfile('.jpg’, ‘读取图片文件’);
pathfile=fullfile(pathname, filename);
markbefore=imread(pathfile);

markbefore2=rgb2gray(markbefore);
mark=im2bw(markbefore2); %使水印图像变为二值图
figure(1); %打开窗口
subplot(2,3,1); %该窗口内的图像可以有两行三列
imshow(mark),title(‘水印图像’); %显示水印图像
marksize=size(mark); %计算水印图像的长宽
rm=marksize(1); %rm为水印图像的行数
cm=marksize(2); %cm为水印图像的列数

I=mark;
alpha=30; %尺度因子,控制水印添加的强度,决定了频域系数被修改的幅度
k1=randn(1,8); %产生两个不同的随机序列
k2=randn(1,8);
subplot(2,3,2),imshow(image,[]),title(‘载体图像’); %[]表示显示时灰度范围为image上的灰度最小值到最大值
yuv=rgb2ycbcr(image); %将RGB模式的原图变成YUV模式
Y=yuv(:,:,1); %分别获取三层，该层为灰度层
U=yuv(:,:,2); %因为人对亮度的敏感度大于对色彩的敏感度，因此水印嵌在色彩层上
V=yuv(:,:,3);
[rm2,cm2]=size(U); %新建一个和载体图像色彩层大小相同的矩阵
before=blkproc(U,[8 8],‘dct2’); %将载体图像的灰度层分为8×8的小块，每一块内做二维DCT变换，结果记入矩阵before

after=before; %初始化载入水印的结果矩阵
for i=1:rm %在中频段嵌入水印
for j=1:cm
x=(i-1)8;
y=(j-1)8;
if mark(i,j)==1
k=k1;
else
k=k2;
end
after(x+1,y+8)=before(x+1,y+8)+alphak(1);
after(x+2,y+7)=before(x+2,y+7)+alphak(2);
after(x+3,y+6)=before(x+3,y+6)+alphak(3);
after(x+4,y+5)=before(x+4,y+5)+alphak(4);
after(x+5,y+4)=before(x+5,y+4)+alphak(5);
after(x+6,y+3)=before(x+6,y+3)+alphak(6);
after(x+7,y+2)=before(x+7,y+2)+alphak(7);
after(x+8,y+1)=before(x+8,y+1)+alphak(8);
end
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]杨守义,姬留杰,穆晓敏,齐林.基于FRFT的数字水印算法分析[J].计算机应用与软件. 2009,26(01)

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