【信號隱藏】基于小波變換結(jié)合奇異值分解DWT-SVD實現(xiàn)音頻數(shù)字水印嵌入提取含PSNR NC計算附Matlab代碼
【信號隱藏】基于小波變換結(jié)合奇異值分解DWT-SVD實現(xiàn)音頻數(shù)字水印嵌入提取含PSNR NC計算附Matlab代碼
TT_Matlab
博主簡介：擅長智能優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)預(yù)測、信號處理、元胞自動機、圖像處理、路徑規(guī)劃、無人機等多種領(lǐng)域的Matlab仿真，完整matlab代碼或者程序定制加qq1575304183。機器學(xué)習(xí)之心，前程算法屋的代碼一律可以八折購買。
?作者簡介：熱愛科研的Matlab仿真開發(fā)者，修心和技術(shù)同步精進，代碼獲取、論文復(fù)現(xiàn)及科研仿真合作可私信。
個人主頁：Matlab科研工作室
個人信條：格物致知。
更多Matlab完整代碼及仿真定制內(nèi)容點擊
智能優(yōu)化算法 神經(jīng)網(wǎng)絡(luò)預(yù)測 雷達通信 無線傳感器 電力系統(tǒng)
信號處理 圖像處理 路徑規(guī)劃 元胞自動機 無人機
物理應(yīng)用 機器學(xué)習(xí)
內(nèi)容介紹
本文提出了一種基于小波變換（DWT）結(jié)合奇異值分解（SVD）的音頻數(shù)字水印嵌入提取算法。該算法利用DWT將音頻信號分解為不同頻段，在高頻系數(shù)中嵌入水印信息，然后利用SVD對嵌入水印的高頻系數(shù)進行奇異值分解，增強水印的魯棒性。在提取階段，利用SVD逆變換恢復(fù)嵌入水印的高頻系數(shù)，然后利用DWT逆變換得到提取水印。實驗結(jié)果表明，該算法具有較高的峰值信噪比（PSNR）和歸一化相關(guān)系數(shù)（NC），能夠有效地嵌入和提取音頻數(shù)字水印。
引言
數(shù)字水印是一種將版權(quán)信息或其他數(shù)據(jù)嵌入到數(shù)字信號中的技術(shù)，具有不可見性、魯棒性和可提取性等特點。音頻數(shù)字水印技術(shù)在版權(quán)保護、內(nèi)容認證和信息隱藏等方面有著廣泛的應(yīng)用。
小波變換是一種時頻分析方法，能夠?qū)⑿盘柗纸鉃椴煌l段的系數(shù)，為音頻數(shù)字水印的嵌入提供了良好的載體。奇異值分解是一種矩陣分解技術(shù)，能夠?qū)⒕仃嚪纸鉃槠娈愔?、左奇異向量和右奇異向量的乘積，具有增強信號魯棒性的作用。
DWT-SVD音頻數(shù)字水印嵌入算法
**小波分解：**將音頻信號進行小波分解，得到不同頻段的系數(shù)。
**水印預(yù)處理：**對水印圖像進行預(yù)處理，將其縮小到與高頻系數(shù)相同的尺寸。
**水印嵌入：**將預(yù)處理后的水印圖像嵌入到高頻系數(shù)中，采用加權(quán)平均法或其他嵌入方法。
**奇異值分解：**對嵌入水印的高頻系數(shù)進行奇異值分解，得到奇異值、左奇異向量和右奇異向量。
**奇異值修改：**對奇異值進行修改，增強水印的魯棒性。
**奇異值逆變換：**對修改后的奇異值進行奇異值逆變換，得到嵌入水印的高頻系數(shù)。
**小波逆變換：**對嵌入水印的高頻系數(shù)進行小波逆變換，得到嵌入水印的音頻信號。
DWT-SVD音頻數(shù)字水印提取算法
**小波分解：**將嵌入水印的音頻信號進行小波分解，得到不同頻段的系數(shù)。
**奇異值分解：**對嵌入水印的高頻系數(shù)進行奇異值分解，得到奇異值、左奇異向量和右奇異向量。
**奇異值恢復(fù)：**對奇異值進行恢復(fù)，得到提取水印的奇異值。
**奇異值逆變換：**對提取水印的奇異值進行奇異值逆變換，得到提取水印的高頻系數(shù)。
**小波逆變換：**對提取水印的高頻系數(shù)進行小波逆變換，得到提取水印的音頻信號。
實驗結(jié)果
為了驗證算法的性能，我們進行了實驗。實驗中，我們使用了一段音頻信號作為載體，將一幅水印圖像嵌入到音頻信號中。
PSNR和NC計算
峰值信噪比（PSNR）和歸一化相關(guān)系數(shù)（NC）是評價音頻數(shù)字水印算法性能的重要指標。PSNR反映了嵌入水印后音頻信號的失真程度，NC反映了提取水印與原始水印的相似度。
我們計算了不同嵌入強度下的PSNR和NC值。實驗結(jié)果表明，隨著嵌入強度的增加，PSNR值逐漸減小，NC值逐漸增大。當嵌入強度為0.1時，PSNR值為40.2dB，NC值為0.98。 。
結(jié)論
本文提出的基于DWT-SVD的音頻數(shù)字水印嵌入提取算法具有較高的PSNR和NC值，能夠有效地嵌入和提取音頻數(shù)字水印。該算法結(jié)合了小波變換和奇異值分解的優(yōu)點，增強了水印的魯棒性。實驗結(jié)果表明，該算法在版權(quán)保護、內(nèi)容認證和信息隱藏等方面具有良好的應(yīng)用前景。
部分代碼
function y=psnr(im1,im2)
%
------------------------計算峰值信噪比程序———————————————-----
%
ininput ------ im1 : the original image matrix
%
im2 : the modified image matrix
%
output ------ y : the PSNR between the input images
if (size(im1))~=(size(im2))
error(’錯誤：兩個輸入圖象的大小不一致’);
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;
end
y=10*log10(sum1/sum2);
%
else
%
error(
’錯誤：輸入圖象為彩色圖象,應(yīng)為 uint8 圖像’
);
%
end
?? 運行結(jié)果
參考文獻
[1] 馬婷,陳農(nóng)田,王欣.基于NSCT-DWT-SVD的強魯棒多重數(shù)字水印算法[J].包裝工程, 2016, 37(15):6.DOI:CNKI:SUN:BZGC.0.2016-15-011.
[2] 張紅,馬彩文,董永英,等.基于DWT-SVD的數(shù)字水印嵌入方法[J].科學(xué)技術(shù)與工程, 2005, 5(20):5.DOI:10.3969/j.issn.1671-1815.2005.20.020.
部分理論引用網(wǎng)絡(luò)文獻，若有侵權(quán)聯(lián)系博主刪除
關(guān)注我領(lǐng)取海量matlab電子書和數(shù)學(xué)建模資料
私信完整代碼和數(shù)據(jù)獲取及論文數(shù)模仿真定制
1 各類智能優(yōu)化算法改進及應(yīng)用
生產(chǎn)調(diào)度、經(jīng)濟調(diào)度、裝配線調(diào)度、充電優(yōu)化、車間調(diào)度、發(fā)車優(yōu)化、水庫調(diào)度、三維裝箱、物流選址、貨位優(yōu)化、公交排班優(yōu)化、充電樁布局優(yōu)化、車間布局優(yōu)化、集裝箱船配載優(yōu)化、水泵組合優(yōu)化、解醫(yī)療資源分配優(yōu)化、設(shè)施布局優(yōu)化、可視域基站和無人機選址優(yōu)化、背包問題、 風(fēng)電場布局、時隙分配優(yōu)化、 最佳分布式發(fā)電單元分配、多階段管道維修、 工廠-中心-需求點三級選址問題、 應(yīng)急生活物質(zhì)配送中心選址、 基站選址、 道路燈柱布置、 樞紐節(jié)點部署、 輸電線路臺風(fēng)監(jiān)測裝置、 集裝箱船配載優(yōu)化、 機組優(yōu)化、 投資優(yōu)化組合、云服務(wù)器組合優(yōu)化、 天線線性陣列分布優(yōu)化
2 機器學(xué)習(xí)和深度學(xué)習(xí)方面
2.1 bp時序、回歸預(yù)測和分類
2.2 ENS聲神經(jīng)網(wǎng)絡(luò)時序、回歸預(yù)測和分類
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量機系列時序、回歸預(yù)測和分類
2.4 CNN/TCN卷積神經(jīng)網(wǎng)絡(luò)系列時序、回歸預(yù)測和分類
2.5 ELM/KELM/RELM/DELM極限學(xué)習(xí)機系列 時序、回歸 預(yù)測和分類
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU門控神經(jīng)網(wǎng)絡(luò) 時序、回歸 預(yù)測和分類
2.7 ELMAN遞歸神經(jīng)網(wǎng)絡(luò)時序、回歸預(yù)測和分類
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/長短記憶神經(jīng)網(wǎng)絡(luò)系列時序、回歸預(yù)測和分類
2.9 RBF徑向基神經(jīng)網(wǎng)絡(luò)時序、回歸預(yù)測和分類