【信号隐藏】基于小波变换结合奇异值分解DWT-SVD实现音频数字水印嵌入提取含PSNR NC计算附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）的音频数字水印嵌入提取算法。该算法利用DWT将音频信号分解为不同频段，在高频系数中嵌入水印信息，然后利用SVD对嵌入水印的高频系数进行奇异值分解，增强水印的鲁棒性。在提取阶段，利用SVD逆变换恢复嵌入水印的高频系数，然后利用DWT逆变换得到提取水印。实验结果表明，该算法具有较高的峰值信噪比（PSNR）和归一化相关系数（NC），能够有效地嵌入和提取音频数字水印。

引言

数字水印是一种将版权信息或其他数据嵌入到数字信号中的技术，具有不可见性、鲁棒性和可提取性等特点。音频数字水印技术在版权保护、内容认证和信息隐藏等方面有着广泛的应用。

小波变换是一种时频分析方法，能够将信号分解为不同频段的系数，为音频数字水印的嵌入提供了良好的载体。奇异值分解是一种矩阵分解技术，能够将矩阵分解为奇异值、左奇异向量和右奇异向量的乘积，具有增强信号鲁棒性的作用。

DWT-SVD音频数字水印嵌入算法

1. **小波分解：**将音频信号进行小波分解，得到不同频段的系数。

2. **水印预处理：**对水印图像进行预处理，将其缩小到与高频系数相同的尺寸。

3. **水印嵌入：**将预处理后的水印图像嵌入到高频系数中，采用加权平均法或其他嵌入方法。

4. **奇异值分解：**对嵌入水印的高频系数进行奇异值分解，得到奇异值、左奇异向量和右奇异向量。

5. **奇异值修改：**对奇异值进行修改，增强水印的鲁棒性。

6. **奇异值逆变换：**对修改后的奇异值进行奇异值逆变换，得到嵌入水印的高频系数。

7. **小波逆变换：**对嵌入水印的高频系数进行小波逆变换，得到嵌入水印的音频信号。

DWT-SVD音频数字水印提取算法

1. **小波分解：**将嵌入水印的音频信号进行小波分解，得到不同频段的系数。

2. **奇异值分解：**对嵌入水印的高频系数进行奇异值分解，得到奇异值、左奇异向量和右奇异向量。

3. **奇异值恢复：**对奇异值进行恢复，得到提取水印的奇异值。

4. **奇异值逆变换：**对提取水印的奇异值进行奇异值逆变换，得到提取水印的高频系数。

5. **小波逆变换：**对提取水印的高频系数进行小波逆变换，得到提取水印的音频信号。

实验结果

为了验证算法的性能，我们进行了实验。实验中，我们使用了一段音频信号作为载体，将一幅水印图像嵌入到音频信号中。

PSNR和NC计算

峰值信噪比（PSNR）和归一化相关系数（NC）是评价音频数字水印算法性能的重要指标。PSNR反映了嵌入水印后音频信号的失真程度，NC反映了提取水印与原始水印的相似度。

我们计算了不同嵌入强度下的PSNR和NC值。实验结果表明，随着嵌入强度的增加，PSNR值逐渐减小，NC值逐渐增大。当嵌入强度为0.1时，PSNR值为40.2dB，NC值为0.98。。

结论

本文提出的基于DWT-SVD的音频数字水印嵌入提取算法具有较高的PSNR和NC值，能够有效地嵌入和提取音频数字水印。该算法结合了小波变换和奇异值分解的优点，增强了水印的鲁棒性。实验结果表明，该算法在版权保护、内容认证和信息隐藏等方面具有良好的应用前景。

📣 部分代码

function y=psnr(im1,im2)%------------------------计算峰值信噪比程序———————————————-----%  ininput ------ im1 : the original image matrix%                 im2 : the modified image matrix   %  output  ------ y   :  the PSNR between the input imagesif (size(im1))~=(size(im2))    error('错误：两个输入图象的大小不一致');end% if ~isrgb(im1)&&~isrgb(im2)    [m,n]=size(im1);    A=double(im1);    B=double(im2);    sum1=m.*n.*max(max(A.^2));    sum2=sum(sum((A-B).^2));if  sum2==0    sum2=1;endy=10*log10(sum1/sum2);% else %     error('错误：输入图象为彩色图象,应为 uint8  图像');% end        ​​

⛳️ 运行结果

🔗 参考文献

[1] 马婷,陈农田,王欣.基于NSCT-DWT-SVD的强鲁棒多重数字水印算法[J].包装工程, 2016, 37(15):6.DOI:CNKI:SUN:BZGC.0.2016-15-011.

[2] 张红,马彩文,董永英,等.基于DWT-SVD的数字水印嵌入方法[J].科学技术与工程, 2005, 5(20):5.DOI:10.3969/j.issn.1671-1815.2005.20.020.

🎈 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