信息隐藏技术与应用ppt课件.ppt

《信息隐藏技术与应用ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第4章基于混沌特性的小波数字水印算法C-SVD4.1小波4.2基于混沌特性的小波数字水印算法C-SVD4.2.1小波SVD数字水印算法4.2.2基于混沌特性的小波数字水印算法C-SVD4.3图像的数字水印嵌入及图像的类型解析4.4声音的数字水印嵌入4.5数字水印的检测4.6数字水印检测结果的评测1内积空间234.1小波4.1.1小波分析4.1.2小波分析对信号的处理44.1.1小波分析小波变换是一种信号的时间-尺度（时间-频率）分析方法，它具有多分辨率分析（MultiresolutionAnalysis）的特点。小波分析方法是一种窗

2、口大小（即窗口面积）固定但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以它被誉为数学显微镜。它在时域和频域同时具有良好的局部化性质,在时频两域都具有表征信号局部特征的能力.5通俗地讲，小波(wavelet)是一种在有限(小)区域内存在的波，是一种其函数表达式具有紧支集，即在有限范围内函数不等于零的持殊波形。假设存在一个时域函数:4.1.1小波分析表示平方可积的实数空间，即能量有限的信号空间，其傅里叶变换为。当满足允许

3、条件：6称为依赖于参数a,b的小波基函数由于尺度因子a,和平移因子b是连续变化的值，称为连续小波函数基，是由同一母函数经伸缩和平移后得到的一组函数序列连续小波函数7为小波变换系数连续小波变换（CWT）8离散小波函数将小波基函数的a,b限定在离散的点上取值(1)尺度a离散化。离散小波函数：(2)位移b离散化。采样间隔b满足Nyquist采样定理，采样率大于等于该尺度下频率通带的二倍。每当m增加1，尺度a增加一倍，对应的频率减小一倍。在尺度j下，采样间隔可以扩大对应小波函数：9离散小波变换(DWT)离散小波变换离散小波反变换10母小波函

4、数有如下几个特点：由容许条件推断：推断：母小波函数至少必须满足11121314小波几个相关的概念15正则性一般用来刻画函数的光滑程度，正则性越高，函数的光滑性越好。小波基的正则性主要影响着小波系数重构的稳定性，通常对小波要求一定的正则性（光滑性）是为了获得更好的重构信号。消失矩和正则性之间还有很大关系，对很多重要的小波（比如，样条小波，Daubechies小波等）来说，随着消失矩的增加，小波的正则性变大，但是，并必能说随着小波消失矩的增加，小波的正则性一定增加，有的反而变小。164.1.2小波分析对信号的处理(1)一维小波变换(2)

5、二维小波变换17(1)一维小波变换18反之．分解后的两个信号可以至新组合成原信号，这一过程称为重构。—个信号可以进行多次小波分解，最终获得的是一个低频分量和若干个高频分量。通过多次小波分解可以将信导的主要信息提炼出来，同时，可以通过分析不同层次的细节分量．得到信号中的噪声情况。因此，对一维信号的小波分解及重构可以实现消除噪声的效果。从变换结果可以看出，原信号被分解为两个分量一个低频分量，一个高频分量。低频分量中拥有原信号的绝大部分能量，是原信号的主体部分；高频分量具有较小的能量，表现原信导的细节信息。从两组图中可以看出低频分量基本保

6、持了原信号的信息。因此此低频分量又被称为原信号的近似分量，高频分量又被称为原信导的细节分景。19(2)二维小波变换图像信号属于典型的二维信号。实际的图像信号像素点间一般都具有相关性，相邻行之间、相邻列之间的相关性最强，其相关系数呈指数规律衰减。通过小波变换可以将信号从一个正交矢量空间变换到另一个正交矢量空间(即从空间域变换到频率域)．使变换后的各信号分且之间相关性很小或不相关。二维小波变换分为不可分离的和可分离的。可分离的二维小波变换技术相当于将信号在水平和垂直方向进行分解，因此它的分解结果将产生一个低频分量和三个高频分量。20可分

7、离的二维小波变换21L为水平方向的平滑逼近部分LL为L的垂直方向的平滑逼近部分LH为L的垂直方向的细节部分H为水平方向的细节部分HL为H的垂直方向的平滑逼近部分HH为H的垂直方向的细节部分22二维信号的小波分解与一维小波分解具有相似的特征其低频分量包含了绝大部分能量，体现了原信号的基本特征，因此被称为近似分量；另三个分量分别代表水平高频分量、垂直高频分量和对角线高频分量，它们具有较少的能量，体现了原信号的细节特征，因此也称为细节分量。根据具体需要，可以对信号进行多重小波分解，以得到合适的分量。多重小被分解可以得到不同频率层中的信息，

8、对多种频率的分析即为多分辨率分析。232425图像小波变换6.ppt264.2基于混沌特性的小波数字水印算法C-SVD对于任意M×N矩阵B，都可以写成B＝UΣVT，其中U和V分别是M×M和N×N的正交矩阵。Σ是M×N的对角矩阵。这种变