学位论文 > 优秀研究生学位论文题录展示

基于小波域的自适应图像数字水印算法研究

作　者: 王琛晖
导　师: 舒志彪
学　校: 福州大学
专　业: 应用数学
关键词: 数字水印小波变换人类视觉系统模糊分类模糊神经控制自适应量化
分类号: TP309
类　型: 硕士论文
年　份: 2005年
下　载: 201次
引　用: 1次
阅　读: 论文下载

内容摘要

随着计算机、网络和通信技术的飞速发展,特别是Internet的普及,信息的安全保护问题日益突出。因此,多媒体数字产品愈来愈需要一种有效的版权保护方法, 而数字水印在数字媒体版权保护方面的作用引起了人们极大的关注。本文研究了用于图像版权保护的小波域自适应数字水印技术。首先介绍了数字水印的概念和基本原理,论述了数字水印的通用模型、基本特征、典型算法、攻击方法及性能分析方法,阐述了小波变换的理论及其在水印技术中的应用。在分析了数字水印算法研究的现状和所存在的问题的基础上,提出了四种新的小波域自适应图像数字水印算法。算法讨论如何获取最佳水印嵌入强度自适应嵌入水印。所提出的四种算法具体如下:考虑到人类视觉系统(HVS)特性和小波变换特性,提出了一种新的自适应水印算法。将小波变换后的图像的小波系数组成小波子块。根据人类视觉系统(HVS)特性,采用多参数对小波子块进行分类。根据分类结果,结合小波变换特性,将不同强度的水印嵌入到不同的小波子块中。基于小波包变换和块模糊分类,提出了一种新的自适应水印算法。用m-序列来控制原始图像小波包分解的结构,把适当的小波系数组成小波子块。根据人类视觉系统(HVS)模型和能量模型,对小波子块进行模糊分类。根据分类结果,将不同强度的二值水印嵌入到不同的小波子块中。考虑到神经模糊控制,提出了一种新的自适应图像水印算法。对原始图像进行小波变换,组织小波子块。从子块的视觉掩蔽性和能量强度两个方面,建立、训练神经模糊控制网络,得到每个小波子块嵌入水印的最优强度值。然后根据神经模糊控制得出的最优嵌入强度,将不同强度的水印嵌入到不同的小波子块中。基于量化技术,提出了一种自适应的灰度级盲水印算法。利用DWT压缩编码技术,有效地减少了灰度级水印的数据量。并且水印位置的选择和水印的嵌入强度是自适应于图像的。在提取过程中无需使用原始图像和其它参数。本文给出了所有提出的算法的实验数据,并进行了性能分析。实验结果表明,算法都具有良好的鲁棒性和不可见性。最后,总结了本文的工作,指出了待进一步研究的地方,并对数字水印的发展方向作了展望。

全文目录

第一章引言  8-13
  1.1 课题的背景、目的和意义  8-9
  1.2 国内外研究现状  9-10
  1.3 目前研究存在的问题  10-11
  1.4 本文的研究工作和章节安排  11-13
第二章数字水印概述  13-24
  2.1 数字水印系统模型  13-14
    2.1.1 数字水印的基本原理和特性  13-14
    2.1.2 数字水印系统通用模型  14
  2.2 数字水印的分类  14-16
  2.3 数字水印的典型算法  16-19
    2.3.1 时空域算法  16-17
    2.3.2 频率域算法  17-19
      2.3.2.1 DCT域算法  17-18
      2.3.2.2 小波域算法  18-19
  2.4 数字水印的攻击  19-21
  2.5 数字水印的性能评估  21-24
    2.5.1 不可见性的评估  21-22
    2.5.2 鲁棒性的评估  22-24
第三章小波变换及其在水印技术中的应用  24-31
  3.1 小波变换理论  24-28
    3.1.1 连续小波变换的概念  24-25
    3.1.2 离散小波变换的概念  25
    3.1.3 多分辨分析  25-26
    3.1.4 Mallat算法及信号的小波分解与重构  26-28
  3.2 小波包变换理论  28-29
    3.2.1 小波包的概念  28-29
    3.2.2 小波包分解  29
  3.3 小波变换在水印技术中的应用  29-31
第四章基于人类视觉系统和小波变换的自适应水印算法  31-38
  4.1 引言  31-32
  4.2 算法流程  32-33
    4.2.1 水印嵌入算法流程  32
    4.2.2 水印提取算法流程  32-33
  4.3 算法的实现  33-35
    4.3.1 水印预处理  33
    4.3.2 水印嵌入  33-35
    4.3.3 水印提取  35
  4.4 实验结果与分析  35-37
  4.5 结论  37-38
第五章基于小波包变换和块模糊分类的自适应水印算法  38-45
  5.1 引言  38-39
  5.2 算法流程  39-40
    5.2.1 水印嵌入算法流程  39
    5.2.2 水印提取算法流程  39-40
  5.3 算法的实现  40-42
    5.3.1 水印预处理  40
    5.3.2 水印嵌入  40-42
    5.3.3 水印提取  42
  5.4 实验结果与分析  42-44
  5.5 结论  44-45
第六章基于神经模糊控制的自适应图像水印算法  45-55
  6.1 引言  45
  6.2 算法基本原理  45-49
    6.2.1 模糊神经网络  45-46
    6.2.2 遗传算法优化网络参数  46-48
      6.2.2.1 遗传算法  46-47
      6.2.2.2 优化网络参数  47-48
    6.2.3 采用自组织竞争网络来优化控制因子的模糊标记数  48-49
      6.2.3.1 自组织竞争网络  48-49
      6.2.3.2 优化控制因子的模糊标记数  49
  6.3 算法流程  49-51
    6.3.1 水印嵌入算法流程  50
    6.3.2 水印提取算法流程  50-51
  6.4 算法的实现  51-52
    6.4.1 水印预处理  51
    6.4.2 水印嵌入  51-52
    6.4.3 水印智能提取  52
  6.5 实验结果与分析  52-54
  6.6 结论  54-55
第七章基于自适应量化的灰度级盲水印算法  55-61
  7.1 引言  55
  7.2 算法流程  55-56
    7.2.1 水印嵌入算法流程  55-56
    7.2.2 水印提取算法流程  56
  7.3 算法的实现  56-59
    7.3.1 水印预处理  56-57
    7.3.2 水印嵌入  57-58
    7.3.3 水印提取  58-59
  7.4 实验结果与分析  59-60
  7.5 结论  60-61
结论  61-64
参考文献  64-68
致谢  68-69
个人简历  69-70
在学期间的研究成果及发表的学术论文  70

基于小波域的自适应图像数字水印算法研究

内容摘要

全文目录

相似论文