✅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👇
🔥 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
-
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。
-
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。
-
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'。
-
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'。
-
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
-
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。
-
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。
-
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