【图像隐藏】基于离散余弦变换DCT变换实现灰色图像数字水印嵌入攻击提取附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

数字水印是一种将版权信息或其他数据嵌入到数字图像中的技术，以保护图像的知识产权。本文提出了一种基于离散余弦变换 (DCT) 变换的灰色图像数字水印嵌入攻击提取方法。该方法利用 DCT 变换的能量集中特性，将水印信息嵌入到图像的高频分量中，从而提高水印的鲁棒性和不可感知性。同时，该方法采用攻击提取算法，通过分析图像的统计特征，提取攻击后的水印信息，有效抵抗常见的图像处理攻击。

1. 离散余弦变换 (DCT)

DCT 是图像处理中广泛使用的一种变换，它将图像从空间域变换到频域。DCT 变换的公式如下：

F(u, v) = \frac{C(u)C(v)}{4} \sum_{x=0}^{N-1} \sum_{y=0}^{N-1} f(x, y) \cos\left[\frac{\pi u(2x+1)}{2N}\right] \cos\left[\frac{\pi v(2y+1)}{2N}\right]

其中，f(x, y) 为空间域图像，F(u, v) 为频域图像，N 为图像尺寸，C(u) 和 C(v) 为归一化常数。

DCT 变换具有能量集中特性，即图像的大部分能量集中在低频分量中，而高频分量包含图像的细节信息。

2. 水印嵌入

水印嵌入算法利用 DCT 变换的能量集中特性，将水印信息嵌入到图像的高频分量中。具体步骤如下：

1. 将水印图像转换为二进制序列。

2. 将图像进行 DCT 变换，得到频域图像。

3. 选择高频分量，例如 DCT 系数的右下角区域。

4. 将水印序列嵌入到选定的高频分量中，通过修改 DCT 系数的值。

5. 对修改后的频域图像进行逆 DCT 变换，得到水印嵌入后的图像。

3. 攻击提取

水印提取算法通过分析攻击后的图像的统计特征，提取水印信息。具体步骤如下：

1. 对攻击后的图像进行 DCT 变换，得到频域图像。

2. 计算频域图像的标准差和均值。

3. 根据标准差和均值，确定嵌入水印的高频分量区域。

4. 从选定的高频分量中提取水印信息。

4. 实验结果

本文在多种攻击下对提出的水印嵌入攻击提取方法进行了实验。实验结果表明：

• 水印嵌入后，图像的视觉质量基本不受影响，不可感知性良好。

• 水印具有较高的鲁棒性，能够抵抗常见的图像处理攻击，如 JPEG 压缩、滤波、裁剪等。

• 攻击提取算法能够有效提取攻击后的水印信息，提取率较高。

5. 结论

本文提出了一种基于 DCT 变换的灰色图像数字水印嵌入攻击提取方法。该方法利用 DCT 变换的能量集中特性，将水印信息嵌入到图像的高频分量中，提高了水印的鲁棒性和不可感知性。同时，该方法采用攻击提取算法，通过分析图像的统计特征，提取攻击后的水印信息，有效抵抗常见的图像处理攻击。实验结果表明，该方法具有良好的性能，可以满足数字水印的应用需求。

📣 部分代码

k2=randn(1,8);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)+alpha*k(1);        after(x+2,y+7)=before(x+2,y+7)+alpha*k(2);        after(x+3,y+6)=before(x+3,y+6)+alpha*k(3);        after(x+4,y+5)=before(x+4,y+5)+alpha*k(4);        after(x+5,y+4)=before(x+5,y+4)+alpha*k(5);        after(x+6,y+3)=before(x+6,y+3)+alpha*k(6);        after(x+7,y+2)=before(x+7,y+2)+alpha*k(7);        after(x+8,y+1)=before(x+8,y+1)+alpha*k(8);    end;end;

⛳️ 运行结果

🔗 参考文献

[1] 高玉娜,杨忠根.基于DCT域的数字水印算法[J].电脑知识与技术(2期):868-870[2024-03-16].DOI:10.3969/j.issn.1009-3044.2009.04.039.

[2] 王海文,李杰,王鸿林,等.基于二维离散余弦变换的图像水印算法研究[J].数字印刷, 2023.

[3] 李旭东.抗亮度和对比度攻击的DCT域图像数字水印算法[J].光电子.激光(6期):1184-1190[2024-03-16].

[4] 徐杰,隆克平,王军浩,等.一种基于混沌序列的数字水印嵌入和提取方法:CN201010200331.1[P].CN101847251A[2024-03-16].

🎈 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

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