学位论文 > 优秀研究生学位论文题录展示

基于HVS和SVR的小波域彩色图像自适应数字水印算法

作　者: 张德敏
导　师: 范延滨
学　校: 青岛大学
专　业: 计算机系统结构
关键词: 自适应小波分析 SVR HVS
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 70次
引　用: 0次
阅　读: 论文下载

内容摘要

随着信息时代的到来,特别是Internet的普及,使得世界范围内的数字化产品的发布和传输变得越来越便捷和频繁,信息的安全保护问题也因此日益突出。数字产品很容易被非法编辑、修改、拷贝和传播。因而,对这些数字产品原创者的版权和经济利益的保护变得越来越迫在眉睫,数字产品的版权保护问题已经引起人们的高度重视。在此背景下,数字水印技术应运而生。目前,该技术被认为是解决数字产品版权保护和安全传递的重要手段。目前,数字水印算法很多,而自适应的数字水印是近年来数字水印研究的热点。本文以数字图像水印为研究对象,主要做了以下几方面的工作：系统介绍了数字水印技术的基本特征、分类、应用和原理,着重分析了现有典型数字水印算法。接着阐述了小波分析理论和支持向量机的相关理论,着重分析了小波域内数字水印技术的优点和支持向量机理论在数字水印技术中的应用。在对现有数字水印算法进行深入分析和研究的基础上,致力于小波域数字水印算法的研究,进而进行自适应数字水印算法的设计。在对现有的基于SVM的水印算法进行研究的基础上,提出了一种基于HVS和SVR的小波域彩色图像自适应数字水印算法。首先将彩色图像蓝色分量进行分块,利用密钥选取若干子块,结合HVS,计算所选取子块的图像亮度和纹理复杂度作为SVR的输入特征向量并获得SVR训练模型,进而利用SVR训练模型确定自适应的水印嵌入强度；然后对各子块进行小波分解；最后将水印信息嵌入到各子块小波分解后的低频部分。本算法结合人类视觉特性,利用SVR的良好学习性能,达到了鲁棒性和不可见性的良好折中。大量的实验结果表明,该算法对常见的图像处理操作均有较好的鲁棒性。本文特色：结合人类视觉特性,利用SVR良好的学习性能,确定自适应的水印嵌入强度。

全文目录

摘要  2-3
Abstract  3-6
第一章引言  6-12
  1.1 数字水印的研究背景和意义  6
  1.2 数字水印技术的起源  6
  1.3 信息隐藏  6-7
  1.4 国内外典型数字水印算法  7-10
    1.4.1 空域数字水印算法  7-8
    1.4.2 变换域数字水印算法  8-9
    1.4.3 压缩域数字水印算法  9
    1.4.4 生理模型数字水印算法  9-10
  1.5 本文的主要研究工作及内容安排  10-12
第二章数字水印技术的相关理论  12-22
  2.1 数字水印的基本特征及性能评估  12-14
    2.1.1 数字水印的基本特征  12
    2.1.2 数字水印的性能评估  12-14
  2.2 数字水印的分类及应用  14-17
    2.2.1 数字水印的分类  14-16
    2.2.2 数字水印技术的应用  16-17
  2.3 数字水印系统的框架及原理  17-18
    2.3.1 数字水印系统的框架  17
    2.3.2 数字水印系统的原理  17-18
  2.4 数字水印系统的攻击及对策  18-22
第三章数字水印生成技术  22-28
  3.1 数字水印生成概述  22
  3.2 数字水印生成方法  22-28
    3.2.1 伪随机水印生成  22
    3.2.2 混沌水印生成  22-25
    3.2.3 变换域水印生成  25
    3.2.4 多分辨率水印生成  25-26
    3.2.5 自适应水印生成  26-28
第四章小波分析的基本理论  28-42
  4.1 小波及小波变换的定义  28-32
    4.1.1 小波的定义及其容许性条件  28
    4.1.2 连续小波变换定义及性质  28-31
    4.1.3 离散小波与离散小波变换  31-32
  4.2 多分辨率分析  32-35
    4.2.1 尺度空间多分辨率分析  32-34
    4.2.2 小波空间多分辨率分析  34
    4.2.3 正交多分辨率分析  34-35
  4.3 MALLAT算法  35-40
    4.3.1 一维信号分解与重构  35-37
    4.3.2 二维信号分解与重构  37-40
  4.4 小波分析理论的应用  40-42
第五章支持向量机  42-50
  5.1 统计学习理论  42-44
    5.1.1 统计学习理论基本内容  42-43
    5.1.2 统计学习理论核心概念  43-44
  5.2 支持向量机  44-50
    5.2.1 支持向量机的基本思想  44-45
    5.2.2 支持向量机的算法  45-50
第六章基于HVS和SVR的DWT域彩色图像自适应数字水印算法  50-62
  6.1 人类视觉系统特性  50-51
  6.2 设计思路  51-52
  6.3 水印的预处理  52
  6.4 回归型支持向量机训练模型的构建  52-54
  6.5 算法实现的具体步骤  54-56
  6.6 实验结果分析及结论  56-62
    6.6.1 实验结果分析  56-60
    6.6.2 结论  60-62
第七章总结与展望  62-64
  7.1 工作总结  62
  7.2 工作展望  62-64
参考文献  64-68
攻读学位期间的研究成果  68-70
致谢  70-73

基于HVS和SVR的小波域彩色图像自适应数字水印算法

内容摘要

全文目录

相似论文