【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
【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
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。机器学习之心，前程算法屋的代码一律可以八折购买。
✅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
**小波分解：**将音频信号进行小波分解，得到不同频段的系数。
**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。
**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。
**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。
**奇异值修改：**对奇异值进行修改，增强水印的鲁棒性。
**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。
**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
**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。
**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。
**奇异值恢复：**对奇异值进行恢复，得到提取水印的奇异值。
**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。
**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 images
if (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;
end
y=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