基于DWT和SVD相结合的图像水印算法.docx

基于DWT和SVD相结合的图像水印算法
摘要
随着数字化信息的快速发展，图像水印技术也迎来了新的挑战。图像水印技术是一种隐藏在数字图像信号中的信息，它可以起到加密、身份认证、版权保护等作用。本文提出一种基于离散小波变换和奇异值分解相结合的图像水印算法。该算法首先使用离散小波变换对原始图像进行变换，然后使用奇异值分解对变换后的图像进行压缩和降维。最后，在奇异值分解后加入水印信号，完成对水印图像的嵌入。实验结果表明，该算法具有较好的鲁棒性和不可见性。
关键词：图像水印，离散小波变换，奇异值分解，鲁棒性，不可见性
1.引言
随着数字图像技术的高速发展，图像的传输和共享越来越方便和快捷。但是，这也带来了一些问题，比如版权问题和隐私保护问题。为了解决这些问题，图像水印技术应运而生。图像水印技术是一种嵌入到数字图像中的信息，它可以起到加密、身份认证、版权保护等作用。
目前，图像水印技术主要有两种方法：空域方法和变换域方法。空域方法通常将水印信息嵌入主要色彩的位平面中。这种方法简单易用，但是要满足不可见性和鲁棒性很困难。变换域方法通常将图像变换到频域或小波域中，然后将水印信息嵌入到变换后的系数中。这种方法可以提高不可见性和鲁棒性，但是需要更多的计算和储存资源。
在本文中，我们提出了一种基于离散小波变换和奇异值分解相结合的图像水印算法。该算法首先使用离散小波变换对原始图像进行变换，然后使用奇异值分解对变换后的图像进行压缩和降维。最后，在奇异值分解后加入水印信号，完成对水印图像的嵌入。实验结果表明，该算法具有较好的鲁棒性和不可见性。
2.离散小波变换
离散小波变换（DiscreteWaveletTransform，DWT）是一种将信号分解成不同频率的离散小波基函数的技术。DWT具有多分辨率分析和压缩性能，它可以将信号分解成高频和低频两部分。根据不同分解级别，可以得到不同频率的信号。
DWT的基本原理是使用低通滤波器和高通滤波器将原始信号分解成近似系数和细节系数。低通滤波器可提取较低频率的信号，高通滤波器可提取较高频率的信号。
具体地说，DWT可以通过一系列的低通和高通滤波器的级联来实现。假设有一个长度为N的信号x[n]，令h[k]和g[k]分别表示低通滤波器和高通滤波器的系数。则在第一级，可以得到近似系数a[1]和细节系数d[1]，其中：
a[1][n]=∑x[k]*h[n-k]
d[1][n]=∑x[k]*g[n-k]
在下一级，细节系数d[1]进一步分解为近似系数a[2]和细节系数d[2]。以此类推，直到得到N/2个近似系数和N/2个细节系数。
3.奇异值分解
奇异值分解（SingularValueDecomposition，SVD）是一种将一个矩阵分解成三个矩阵相乘的技术。SVD分解后得到的三个矩阵分别为：左奇异矩阵、右奇异矩阵和奇异值矩阵。其中，奇异值矩阵是一个对角矩阵，对角线上的元素称为奇异值。
SVD可以有效地对矩阵进行降维和压缩，同时保留矩阵的重要信息。可以使用SVD将原始图像变换到奇异矩阵的空间中，然后再将水印信息嵌入到奇异值中。
4.基于DWT和SVD相结合的图像水印算法
基于离散小波变换和奇异值分解相结合的图像水印算法的整体流程如下：
1.对原始图像进行离散小波变换，得到多个分解级别的近似系数和细节系数。
2.对每个分解级别的近似系数进行奇异值分解，得到左奇异矩阵、右奇异矩阵和奇异值矩阵。
3.在每个奇异值矩阵中加入水印信息。
4.对加入水印信息的奇异值矩阵进行逆SVD变换，得到每个分解级别的新的近似系数。
5.对新的近似系数进行逆离散小波变换，得到嵌入水印信息后的图像。
具体实现细节如下：
1.离散小波变换
首先，将原始图像进行灰度化处理，并将像素值归一化到0到1之间。然后使用DWT对图像进行变换，得到多个分解级别的近似系数和细节系数。
2.奇异值分解
对每个分解级别的近似系数进行奇异值分解，得到左奇异矩阵、右奇异矩阵和奇异值矩阵。这里选择对每个分解级别的近似系数进行奇异值分解，是因为离散小波变换后的近似系数中包含了图像的主要信息。对细节系数进行奇异值分解的结果并不理想，因为细节系数包含了较多的噪声和细节信息。
3.加入水印信息
将水印图像使用DWT和SVD技术进行变换和压缩，得到水印图像的奇异矩阵。然后将水印矩阵插入到近似系数的奇异值矩阵中，完成对水印的嵌入。
4.逆SVD变换
对加入水印信息的奇异值矩阵进行逆SVD变换，得到每个分解级别的新的近似系数。
5.逆离散小波变换
对新的近似系数进行逆离散小波变换，得到嵌入水印信息后的图像。
5.实验结果及分析
为了评估我们提出的算法的鲁棒性和不可见性，我们进行了一系列实验。我们使用了多幅图像进行测试，包括自然图像和数字图像。
鲁棒性实验
我们采用了一些典型的攻击方法来测试算法