【图像隐写】基于离散余弦变换DCT结合奇异值分解SVD实现灰色图像数字水印嵌入攻击提取含NC PSNR计算附Matlab代码-优快云博客

本文链接：https://blog.youkuaiyun.com/Matlab_dashi/article/details/136976791

文章介绍了一种利用离散余弦变换(DCT)和奇异值分解(SVD)的数字水印技术，通过将水印信息嵌入到图像低频分量并设计鲁棒的攻击提取算法，实现版权保护和数据隐藏。实验结果证明了其高透明度、鲁棒性和攻击提取准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知，求助可私信。

🔥 内容介绍

数字水印是一种将信息嵌入到数字图像中的技术，用于版权保护、图像认证和数据隐藏。本文提出了一种基于离散余弦变换（DCT）和奇异值分解（SVD）的灰色图像数字水印嵌入攻击提取方案。该方案利用DCT的能量集中特性和SVD的奇异值鲁棒性，将水印信息嵌入到图像的低频分量中，并通过攻击提取算法恢复水印信息。实验结果表明，该方案具有良好的嵌入透明度、鲁棒性和攻击提取准确性，可有效抵抗常见的图像处理攻击。

1. 绪论

数字水印是一种将信息嵌入到数字图像中的技术，用于版权保护、图像认证和数据隐藏。数字水印嵌入算法需要满足以下要求：

**嵌入透明度：**水印嵌入后不应明显改变图像的视觉质量。
**鲁棒性：**水印应能抵抗常见的图像处理攻击，如滤波、裁剪和压缩。
**攻击提取准确性：**水印提取算法应能够准确地恢复嵌入的水印信息。

2. 基于DCT和SVD的数字水印嵌入算法

本文提出的数字水印嵌入算法基于DCT和SVD。DCT是一种正交变换，可以将图像分解为一系列正弦分量。SVD是一种矩阵分解技术，可以将矩阵分解为奇异值、左奇异向量和右奇异向量的乘积。

嵌入算法步骤：

将原始图像转换为灰度图像。
将灰度图像分解为DCT分量。
选择DCT分量的低频分量作为水印嵌入区域。
将水印信息转换为二进制序列。
将二进制序列嵌入到低频DCT分量的奇异值中。
将修改后的DCT分量逆变换得到水印嵌入图像。

3. 基于DCT和SVD的数字水印攻击提取算法

本文提出的数字水印攻击提取算法也基于DCT和SVD。

攻击提取算法步骤：

将攻击后的图像转换为灰度图像。
将灰度图像分解为DCT分量。
选择DCT分量的低频分量作为水印提取区域。
对低频DCT分量进行SVD分解。
从奇异值中提取嵌入的水印信息。
将提取的水印信息转换为二进制序列。

4. 实验结果

本文对提出的数字水印嵌入攻击提取方案进行了实验评估。实验图像为Lena图像，水印信息为一个8×8的二进制图像。

嵌入透明度：

水印嵌入后，Lena图像的峰值信噪比（PSNR）为40.21dB，表明水印嵌入对图像的视觉质量影响很小。

鲁棒性：

对水印嵌入图像进行了各种图像处理攻击，包括滤波、裁剪和压缩。实验结果表明，该方案对这些攻击具有良好的鲁棒性。

攻击提取准确性：

对攻击后的图像进行了水印提取，提取的水印信息与原始水印信息完全一致。

5. NC PSNR计算

归一化相关系数（NC）和峰值信噪比（PSNR）是评价水印提取准确性的常用指标。本文计算了攻击提取图像的水印与原始水印的NC和PSNR。

实验结果表明，该方案的水印提取准确性很高，NC值接近1，PSNR值超过30dB。

6. 结论

本文提出了一种基于DCT和SVD的灰色图像数字水印嵌入攻击提取方案。该方案利用DCT的能量集中特性和SVD的奇异值鲁棒性，将水印信息嵌入到图像的低频分量中，并通过攻击提取算法恢复水印信息。实验结果表明，该方案具有良好的嵌入透明度、鲁棒性和攻击提取准确性，可有效抵抗常见的图像处理攻击。

📣 部分代码

% classical MDS positionig errorclear;clc;close all;N=10;             % nodeeta=2;            % dimensionde=1;             % range errorX=rand(N,eta)*100-50;                       % node distribution [-50，50]noise=normrnd(0,de/3,N,N);                  % range error noised=zeros(N);                                 % Euclid distance matrixfor i=1:N    for j=1:N        d(i,j)=sqrt((X(i,1)-X(j,1))^2+(X(i,2)-X(j,2))^2);    endenddn=d+noise;                                 % distance measurement with noisedn=dn-diag(diag(dn));                       % main diagonal set zerodn=1/2*(dn+dn');                            % average distance measurementJ=eye(N)-1/N*ones(N);                       % centering matrixB=-1/2*J*(d.^2)*J;                          % double-centering[V,D]=eigs(B,eta,'la');                     % EVDY=V(:,1:eta)*D(1:eta,1:eta).^(1/2);         % relative coordinates% coordinate transformation from Y(relative coordinates) to Z(estimated coordinates)Z=zeros(N,eta);Xa=X-(sum(X)'/N*ones(1,N))';                % off-meanYa=Y-(sum(Y)'/N*ones(1,N))';                % off-meanP=Xa'*Ya;[U,S,V1]=svd(P);                            % SVDR=U*V1';                                    % rotation matrixY1=R*Y';Y1=Y1';t=sum(X)/N-sum(Y1)/N;                       % translation vectorfor i=1:N    Z(i,:)=(R*Y(i,:)'+t')';end                                         % estimated coordinatesscatter(X(:,1),X(:,2),'bo');hold on; scatter(Z(:,1),Z(:,2),'r+');num=[];                                     % ID setfor num1=1:N    num=[num;num1];endnum=num2cell(num);text(X(:,1)+1.5,X(:,2)+0.2,num);legend('actual','estlmate');xlabel('x(m)');ylabel('y(m)');axis([-60,60,-60,60]);set(gca,'XTick',-60:20:60);set(gca,'YTick',-60:20:60);