【图像隐写】基于小波变换DWT结合奇异值分解SVD实现灰色图像水印嵌入提取含7类攻击NC PSNR附Matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

物理应用             机器学习

🔥 内容介绍

本文提出了一种基于小波变换DWT结合奇异值分解SVD的灰色图像水印嵌入提取方法。该方法首先利用DWT将灰色图像分解为低频和高频子带，然后对低频子带进行SVD分解，将水印嵌入到奇异值中。在提取阶段，通过逆向操作恢复水印。该方法具有以下优点：

• 对7类攻击具有鲁棒性，包括噪声攻击、滤波攻击、压缩攻击、几何攻击、亮度攻击、对比度攻击和锐化攻击。

• 嵌入容量大，可以嵌入大量的水印信息。

• 提取精度高，可以准确地提取水印信息。

1. 引言

随着数字图像技术的快速发展，图像版权保护问题越来越受到关注。图像水印技术作为一种有效的图像版权保护手段，近年来得到了广泛的研究。

图像水印技术是指将版权信息或其他标识信息嵌入到图像中，以实现图像版权保护的目的。水印嵌入后应该对图像的视觉质量影响很小，同时应该能够抵抗各种攻击，例如噪声攻击、滤波攻击、压缩攻击、几何攻击等。

近年来，基于小波变换DWT和奇异值分解SVD的图像水印技术得到了广泛的应用。DWT可以将图像分解为不同频率的子带，而SVD可以将图像分解为奇异值、左奇异向量和右奇异向量。水印信息可以嵌入到奇异值中，这样可以提高水印的鲁棒性。

本文提出了一种基于DWT和SVD的灰色图像水印嵌入提取方法。该方法首先利用DWT将灰色图像分解为低频和高频子带，然后对低频子带进行SVD分解，将水印嵌入到奇异值中。在提取阶段，通过逆向操作恢复水印。该方法具有以下优点：

• 对7类攻击具有鲁棒性，包括噪声攻击、滤波攻击、压缩攻击、几何攻击、亮度攻击、对比度攻击和锐化攻击。

• 嵌入容量大，可以嵌入大量的水印信息。

• 提取精度高，可以准确地提取水印信息。

2. 相关工作

近年来，基于DWT和SVD的图像水印技术得到了广泛的研究。文献[1]提出了一种基于DWT和SVD的彩色图像水印嵌入方法，该方法将水印嵌入到低频子带的奇异值中，并对水印进行了加密处理。文献[2]提出了一种基于DWT和SVD的鲁棒图像水印嵌入方法，该方法将水印嵌入到所有子带的奇异值中，并对水印进行了量化处理。文献[3]提出了一种基于DWT和SVD的双水印嵌入方法，该方法将两个水印嵌入到不同子带的奇异值中，并对水印进行了多重加密处理。

这些方法都取得了较好的效果，但仍然存在一些不足。例如，文献[1]和文献[2]的水印嵌入容量较小，文献[3]的水印提取精度较低。

3. 算法描述

本文提出的基于DWT和SVD的灰色图像水印嵌入提取方法如下：

3.1 水印嵌入

1. 将原始灰色图像进行DWT分解，得到低频子带LL和高频子带HL、LH、HH。

2. 对低频子带LL进行SVD分解，得到奇异值矩阵S、左奇异向量矩阵U和右奇异向量矩阵V。

3. 将水印信息W嵌入到奇异值矩阵S中，得到新的奇异值矩阵S'。

4. 利用新的奇异值矩阵S'、左奇异向量矩阵U和右奇异向量矩阵V进行逆SVD分解，得到嵌入水印后的低频子带LL'。

5. 将嵌入水印后的低频子带LL'和高频子带HL、LH、HH进行逆DWT分解，得到嵌入水印后的灰色图像。

3.2 水印提取

1. 将嵌入水印后的灰色图像进行DWT分解，得到低频子带LL'和高频子带HL、LH、HH。

2. 对低频子带LL'进行SVD分解，得到奇异值矩阵S'、左奇异向量矩阵U和右奇异向量矩阵V。

3. 将奇异值矩阵S'与原始奇异值矩阵S进行比较，提取水印信息W。

4. 实验结果

为了验证本文提出的方法的有效性，我们进行了大量的实验。实验结果表明，该方法对7类攻击具有鲁棒性，嵌入容量大，提取精度高。

4.1 攻击鲁棒性

我们对嵌入水印后的灰色图像进行了7类攻击，包括噪声攻击、滤波攻击、压缩攻击、几何攻击、亮度攻击、对比度攻击和锐化攻击。实验结果表明，该方法对7类攻击都具有较好的鲁棒性。

4.2 嵌入容量

我们测试了不同水印大小对图像质量的影响。实验结果表明，当水印大小小于图像大小的5%时，对图像质量的影响很小。

4.3 提取精度

我们测试了不同攻击强度对水印提取精度的影响。实验结果表明，当攻击强度较低时，水印提取精度较高。

5. 结论

本文提出了一种基于DWT和SVD的灰色图像水印嵌入提取方法。该方法具有以下优点：

• 对7类攻击具有鲁棒性，包括噪声攻击、滤波攻击、压缩攻击、几何攻击、亮度攻击、对比度攻击和锐化攻击。

• 嵌入容量大，可以嵌入大量的水印信息。

• 提取精度高，可以准确地提取水印信息。

实验结果表明，该方法是一种有效的水印嵌入提取方法，可以应用于灰色图像版权保护。

⛳️ 运行结果

🔗 参考文献

[1]李慧灵.基于DWT和SVD的数字水印算法[D].东北大学,2008.DOI:10.7666/d.y1842835.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合