冗余离散小波变换（共4篇）
冗余离散小波变换 篇1
1、音频数字水印
作为解决数字产品版权保护问题的重要手段, 数字水印技术非常值得我们关注。它利用人类的听觉和视觉特性, 在保证从感觉和统计上都是不可察觉的情况下, 往视音频媒体里嵌入与视音频媒体无法分开的信息, 从而跟踪视音频媒体的使用情况, 并借助相关技术手段来保证视音频得到合法使用。
音频数字水印的基本思想是:利用人类的听觉特性, 在保证从感觉和统计上都是不可察觉的情况下, 向数字音频数字产品中嵌入水印信息 (可以是版权标志、用户序列号或者是产品的相关信息) , 并使得该信息一直“粘”在音频媒体上, 无法分开[1]。这样我们就可以一直跟踪音频媒体的使用情况, 对其版权进行有效的保护。
2、离散小波变换概述
离散小波变换相当于对信号进行具有低通和高通性质的双通道滤波处理, 其低通滤波器输出的信号是原始信号的近似信号, 高通滤波器输出的是原始信号的细节信号。经一次DWT变换, 把原信号的频带分为高频和低频相等的两部分, 第二次变换后, 低频部分频带又被等分为高频和低频部分。在实际应用中, 大多数信号低频部分表示的是其原始信号的特征, 高频部分和扰动、噪音等联系在一起[2]。如果除去高频部分, 原始信号的基本特征依然能够保留。低频部分表示的是其原始信号的轮廓、特征, 而高频部分往往是表示的细节。所以, 我们选择将水印嵌入到经DWT处理后的低频部分, 来提高算法的稳健性能。
3、水印图像置乱
通过置乱的方法可以把要嵌入的水印图像的像素在整体数量不变的原则下把顺序打乱。通过水印图像像素的错乱分布来提高水印的鲁棒性。其方法有很多种, 比如有、Hilbert、Arnold、幻方、混沌、图像仿射变换等等置乱技术有很多种, 从容易实现及计算量小的方面考虑, 本论文取用基于Arnold变换的置乱方法[3]。
4、水印算法流程图
(1) 嵌入水印算法流程图如图1所示。
(2) 提取水印算法流程图如图2所示。
5、算法实现
(1) 原始音频分段处理:设A是原始音数据, 根据音频文件类型可以把其分为两个部分AH和AL:A=AH+AL, AH是和文件属性相关的部分, 对其可以不做处理。AL为能够嵌入水印的部分, 长度为L, 若a (I) 为AL第I个数据幅值, 可表示为:A={a (I) , 0I
(2) 水印图像处理:我们选取的水印为大小为64×64的二值图像, 可表示为:M={m (I, j) , 0≤I<64, 0≤j<64}m (I, j) ∈{0, 1}。将原始水印图像的二维数据变为一维数据, 则处理后的水印信号可以表示为:V={v (k) =m (I, j) , k=I×64+j, k=64×64}
(3) 水印置乱:为了使水印有更好的鲁棒性, 对嵌入的水印进行置乱处理, 在这里对图像进行了Arnold进行置乱, 置乱次数n, 可以作为提取水印的密钥 (key) 。
(4) 原始音频信号小波分解:选择合适的小波基进行一维小波三级分解, 如公式:D L=D W T (A L) =CA3+CD3+CD2+CD1。c A3、c D3是三级分解的近似分量和细节分量, c D2和c D1是二级和一级小波分解的细节分量。由于小波分解的近似分量是信号的低频部分, 往往是最重要的, 水印嵌入在这部分可以增强水印的稳健性。因此, 提取这部分小波系数来进行下一步的变换。
(5) 水印信号的嵌入:令CK=CA3这里通过修改系数来进行水印的嵌入, 设C k*为嵌入水印后的音频信号, 则利用乘性规则得到C k*如公式 (1) 。
公式 (1) 中的a是大于0的比例因子, 通过调节它的大小, 在具有听觉不可见性的同时, 又能保证所水印的信号强度, 以便能准确的把嵌入的水印从音频信号中提出, 又不会影响其他系数值的大小。
(6) 离散小波逆变换:以C*代替cA3, 得到嵌入水印后的小波, 变换可以描述为:A’L=C*+cD3+cD2+cD1, 然后坐DWT变换, 变换后就能得出时域中包含数字水印的音频信号:A’L=IDWT (D’L) 。将A’L替换AL就能得出最终包含水印信息的音频:Aw=AH+A’L。
(7) 水印的提取:通过排序选择长度满足水印长度的Csk, 进行水印提取, 根据水印嵌入的位置和原始音频信号的Ck, 依据乘性规则逆向求解公式 (2) 可得到数据序列。
(8) 逆置乱:将得到的序列{v’ (k) }进行逆置乱, 得到水印信号的一维序列{v (k) }。
(9) 升维处理:对水印序列{v (k) }作升维处理见公式 (3) , 将一维的序列变为二维的图像:Ws={ws (I, j) =vk, 0≤i≤M1-1, 0≤j≤M2-1, k=I×M1+j} (3)
6、结语
本文对变换域内, 对离散小波域的音频水印算法的进行了研究与实现。利用离散小波变换和离散小波逆变换, 将水印图像经过置乱处理后嵌入到音频信号中并提取。笔者将该算法通过仿真软件实现水印图像的嵌入, 音频信号的小波变换, 水印图像的嵌入及提取。并且在各种攻击下对水印的鲁棒性进行了测试。从实验结果分析出该水印算法有较好的鲁棒性。
摘要：本文提出基于离散小波域的音频水印算法。对要嵌入水印的音频数据进行小波变换三级分解。水印图像经过置乱处理后, 再进行降维处理按乘性规则嵌入到经过三级DWT分解的近似分量中, 然后和三级DWT的细节分量一起经过逆变换处理产生嵌入水印的音频信号。通过上述过程的逆变换从嵌入水印的音频信号中提取出水印。
关键词：变换域,离散小波变换,音频,水印算法
参考文献
[1]刘海燕.数字音频水印主要算法的研究与比较[J].计算机应用研究, 2007.24 (9) :136~139.
[2]鲁晓斌.音频数字水印算法研究[J/OL].1994-2006China.
[3]李燕萍.基于语音参数模型的抗同步攻击音频水印算法[J].计算机工程, 2008.30 (09) :34~36.
冗余离散小波变换 篇2
1 冗余小波变换
冗余小波变换(Redundant Wavelet Transform,RWT)也称为加性小波变换(Additive Wavelet Transform)[4]，是一种在相邻尺度上的分解结果间具有冗余的小波变换。RWT基于àtrous算法，其基本思想为:把信号或图像的高低频信息分离，将其分解为不同频率通道上的近似信号和小波面。àtrous算法可看成是针对图像滤波选取合适卷积核的过程。源图在进行J级分解后会得到一个相似平面和J个小波平面组成的图像序列{aJ(l),w1(l),w2(l)，…，wJ(l)}具体的分解过程如下
式中，l表示源图;H为低通滤波器;ai(l)为l的第i级相似平面;wi(l)为l的第i级小波平面。由上述分解过程可得出，重构过程如式(2)所示。
2 冗余小波多聚焦图像融合
2.1 多聚焦图像融合
在光学成像中，图像成像在聚焦平面则清晰，成像在非聚焦平面则模糊。在图像拍摄过程中由于聚焦点的差异，会造成图像出现清晰区域和模糊区域的区别。成像系统在分辨率上的不断提升，仍无法避免光学镜头在有限聚焦范围对成像的整体影响。多聚焦图像融合的目的在于将不同图像中表征的清晰区域融合为一幅图像，同时避免引入虚假信息造成失真。清晰图像的高频系数要远大于模糊图像的高频系数[5]。基于此故可将多聚焦图像相应像素内的高频信息作为聚焦区域和离焦区域的判断依据[6]。结合多聚焦的图像成像机理，本文提出一种基于冗余小波变换的多聚焦图像融合算法。
2.2 基于冗余小波变换的图像融合框架
如图1所示为基于冗余小波变换的融合框架，利用冗余小波变换对源图进行J级分解，可得到每幅对图像对应的一组分解图像序列{aJ(l),w1(l),w2(l)，…，wJ(l)}与源图像相比，所得序列中每个元素图像尺寸都与源图像保持一致。包含源图像的空间低频信息以及原图像的空间特征或细节在一定尺度上的体现，由相似平面aJ和小波平面wJ经融合后得到新的融合序列，将融合序列进行重构，最终得到融合图像lL。具体可分为以下几个步骤:
(1)对源图A、B分别进行J级冗余小波分解，获得对应相似平面系数和小波面系数。
(2)分别利用对用的融合规则对低频近似平面系数及高频小波面系数进行融合，所得到的融合图像lL的新序列为{aJ(l),w1(l),w2(l)，…，wJ(l)}。
(3)将图像新序列进行冗余小波逆变换重构出融合图像lL。
3 多聚焦图像融合算法
融合规则是图像融合算法的核心，不同的融合规则会得到不同的融合规则。研究表明[7]，图像的低频系数决定了图像的大致轮廓，而图像的高频系数则决定了图像的清晰度，因此在融合过程中对于低频好高频信息应采用不同的融合规则。
3.1 低频信息融合
加权平均法是低频信息融合经常使用的融合算法[8]，因为使用过程中其权重系数可变换，对噪声可有效地进行抑制，且适用范围广，但加权平均法会造成图像对比度下降，可能会引入一些干扰信息。对于多聚焦图像而言，主要是确定聚焦与离焦所对应图像的区域。为提高清晰度量的准确性，本文采用基于局部区域的低频近似平面系数选择，提出在冗余小波变换中引入区域向量范数的概念，以其作为清晰量测算子。定义区域向量范数如下:
(1)定义在点(m,n)出的J维小波面系数向量V(m,n)
其中，w(l)(m,n)为高频小波面系数。
(2)小波面系数向量范数
(3)定义区域向量范数
局部区域M×N一般取为3×3,5×5等。
设V1与V2的比值大于阈值T，则点(m,n)就趋向图像l1的聚焦区域，清晰度更高，此时低频近似平面系数可选择图像l1处(m,n)的低频近似平面系数。同理，若V2与V1的比值大于阈值T，则选取图像l2处(m,n)的低频近似平面系数。而在其他情况下，点(m,n)趋向于两幅图像的边缘区域，此时对低频近似平面系数采取加权平均的方法，如式(6)所示
其中，T为实验阈值，其值由具体的融合实验确定。
3.2 高频信息融合
一幅图像的模糊与暗沉程度是图像细节信息与亮度信息的表征，也是高频信息丢失程度的反映。也因此在图像融合过程中，高频信息处理的要求相对较高。对于高频系数的处理，通常采取基于最大值的融合规则[9]，以尽可能地提取图像的细节信息，但同时也造成了容易将干扰噪声信息引入到融合图像中[10]。本文提出基于局部对比度的高频小波面系数融合规则，在冗余小波变换中引入局部对比，以最大程度得到图像的详细信息。在j尺度层(m,n)处，定义图像局部对比度
其中，相当于低频相似平面aj在点(m,n)处的区域均值，即
局部区域M×N一般取3×3,5×5等。
为使多聚焦图像的清晰区域图像能完整地输入到融合图像中，高频系数的选择应与低频系数的选择保持一致，故整理如下
由以上融合规则可得到融合图像的RWT系数，经冗余小波逆变换，就可以获得重构的融合图像。
4 实验与结果与分析
为验证该算法的有效性和正确性，实验选取同一场景的多聚焦图像进行融合实验，这里选取其他3种融合算法作为对比对象，分别为:基于拉普拉斯的金字塔变换(Laplacian Pyramid Transform,LPT)的图像融合算法、基于离散小波变换(Discrete Wavelet Transform,DWT)的图像融合算法以及基于冗余小波变换(RWT-Sample)的图像融合算法。选取的对比算法采用普遍的低频系数取平均，高频系数取模最大值的融合规则。4种算法的图像多尺度分解级数都选取为3级;基于DWT或RWT＿Simple和本节的融合算算法中，均采用“db4”小波滤波器对图像进行分解和重构。图2和图3为选取的左右聚焦源图，各算法融合图像如图4～图7所示。
本文采用信息熵、交叉熵、标准差及平均梯度4个指标进行客观评价，由表1可知本文算法熵值最高，交叉熵最低，标准差最小，平均梯度值最高，即图像信息保存较好，边缘信息保留较完善，且清晰度高，综合评价指标好，本文算法具有更好的融合效果。
5 结束语
本文在基于冗余小波变换的灰度多聚焦的图像融合的思想，提出低频系数引入区域向量范数和高频系数局部对比度新图像融合算法，实验结果对比LPT算法、DWT算法、RWT＿Simple算法证明本文算法融合图像效果更好。根据客观综合评价指标可以得出，本文的算法在图像融合中相比其他算法有更好的有效性和准确性。
参考文献
[1]Zhong Zhang,Rick S Blum.A categorization of multiscaledecomposition-based image fusion schemes with a performance study for a digitial camera application[J].Proceeding of the IEEE,1999,87(8):1315-1326.
[2]Sweldens W.The lifting scheme:a construction of second generation wavelets[J].SIAM Journal of Mathematical Analysis,1997,29(2):511-546.
[3]Bijiaoui A,Strack J L,Murtagh F.Restauration des images multi-e chelles par-l'algorithme a trous[J].Traitement du Signal,1994,11(3):229-243.
[4]Chibni Y.Multisource image fusion by using the redundant wavelet decomposition[J].PROC.on IEEE Internatinal Geoscience and Remote Sensing Sym Posium,2003(2):1383-1885.
[5]张强,郭宝龙.基于非下采样的多聚焦图像融合[J].信号处理,2009,89(7):1334-1346.
[6]陆欢,吴庆宪,姜长生.基于PCA与小波变换的彩色图像融合算法[J].计算机仿真,2007,24(9):202-205.
[7]Prella G.A general framework for multiresolution image fusion:from pixels to regions[J].Information fusion,2003(4):258-280.
[8]刘贵喜,刘纯虎,凌文杰.一种基于小波多分辨率分解的图像融合算法[J].光电子激光,2004,15(3):343-347.
[9]Huntsberger T,Jawerth B.Wavelet based sensor fusion[J].Hangzhou:Proceeding of SPIE,1993.
冗余离散小波变换 篇3
1 基于离散小波变换的超混沌图像加密算法
1.1 超混沌系统
超混沌系统用如下方程描述
其中, a, c, c, d和r为系统控制参数.在a=35, b=3 c=12 d=7条件下, r处于区间[0, 0.085], (0.085, 0.798], (0.798, 0.90]时, 系统分别表现为混沌、超混沌及周期性运动。
1.2 算法概述
1.2.1 小波变换
利用Matlab中的函数wavedec2对图像进行多尺度分解, 然后利用函数appcoef2提取低频系数。文件类型为.tiff大小为1 024×1 024的图片分别进行一、二、三级小波分解, 结果如图1 (b) 、 (c) 和 (d) 所示, 经过小波分解和压缩后的图像形成了一幅较小的图片, 更适合快速传输。可以提取原始图像的小波分解低频近似分量, 舍弃其高频细节分量, 然后对近似图像进行混沌加密。但是, 在对图像要求高的场合, 则必须将其他三个细节子图考虑在内。
1.2.2 图像预处理
(1) 有损预处理
由于与文本信息不同, 数字图像本身具有很高的冗余性, 允许一定的图像失真。利用小波变换进行有损预处理, 去除那些在视觉上并不重要的信息。
(2) 无损预处理
利用小波变换进行无损预处理, 这是针对图像要求高的场合, 如医疗图片等。
2 实验仿真
2.1 统计分析
假定所提算法是有损预处理, 从图2 (b) 能够看出, 加密以后的图像已经完全隐藏了近似图像的信息。对比图2 (c) 和5 (d) 发现, 原始图像与近似图像的直方图分布轮廓很相近, 但是近似图像的像素值数量要远远小于原始图像的像素值数量。
3 结语
针对目前很多图像加密算法存在的问题, 提出了一种基于离散小波变换的超混沌图像加密算法, 利用小波变换对原始图像进行图像预处理, 实现快速置乱, 减少所需的混沌序列, 提高加密效率, 满足实时通信的要求。然后, 将预处理后的图像作为待加密图像进行加密。理论研究和仿真结果表明, 所提算法能够较好地隐藏明文的统计特性, 并且能够有效地抵御选择密文攻击、统计攻击以及差分攻击等密码学攻击, 同时加密效率得到很大提高。
参考文献
[1]高铁杠, 莫然.一种基于小波系数动态量化的鲁棒数字水印算法[J].武汉大学学报 (理学版) , 2011 (5) .
[2]杜浩.基于人类视觉系统的自适应数字图像水印算法[J].计算机与现代化, 2011 (8) .
冗余离散小波变换 篇4
如今,数字产品的版权保护已经成为一个迫切需要解决的现实问题,数字水印技术被认为是解决版权问题的有效方式。除了数字图像水印以外,数字音频水印也是数字水印中的一个重要研究方向。由于人类听觉系统对声音变化的灵敏度要高于人类视觉系统对图像变化的灵敏度,因此在音频信号中嵌入水印难度相对较大。数字音频水印算法大体上可分为:时(空)域法,直接在信号空间中叠加水印信息的方法,如LSB算法、回声隐藏算法等;变换域法,为了操作上的方便,采用数学变换的方法,将一个域内的数字信号映射成为另一个域内的数字信号,然后加入水印,再逆变换为原来域中的数字信号。一般说来,时(空)域算法通常计算复杂度较低,水印比较脆弱;变换域法计算复杂度较高,水印有较好的健壮性,是今后研究的主要方向。本文基于经典的回声隐藏算法,结合离散小波变换,提出了一种在小波域上加回声的音频水印算法。实验结果表明,这种算法对于一般的音频信号具有良好的透明性和鲁棒性。与其他的小波域算法相比,在保持系统性能的基础上实现了盲检测。
1 相关原理
①小波变换
小波变换是近十年来新发展起来的一种时频分析方法。由于它能够同时表征信号时域和频域的特征,因此被广泛应用到短时平稳信号分析中。近几年来,小波变换逐渐应用到音频水印算法中[1,2,3]。对于一组音频信号采样值,对其作L级离散小波变换,得到一组小波系数CAL,CDL,CDL-1,…,CD1。
其中CAL为信号第L级的粗略分量,CD1,CD2,…,CDL分别为1～L级的细节分量。一般将水印嵌入到能量最为集中的第L级粗略分量CAL中[4]。
大多数的小波域水印嵌入算法都是非盲检测算法,即水印检测需要原始音频信号,因此没有实用性。相比之下,能够实现盲检测的算法很少[3]。本文提出的算法由于结合了经典的回声隐藏方法,用复倒谱进行分析,因此可以实现盲检测。
②回声与复倒谱
复倒谱变换是语音信号处理中的一种重要方法,定义为:
cy(n)=F-1{ln{F{y(n)}}} (1)
其中,F和F-1分别表示Fourier变换和Fourier反变换。
复倒谱可以用来分析有回声的信号,因此广泛应用在回声隐藏算法中[5,6]。考虑最简单的单回声情况,设原始信号为s(n),回声核函数为h(n),回声信号为y(n)。则
y(n)=s(n)*h(n) (2)
h(n)=δ(n)+αδ(n-d) (3)
其中α为回声幅度衰减,α<1。d为回声延迟。对(2)式两边作复倒谱变换得:
cy(n)=cs(n)+ch(n) (4)
计算可得
undefined
ch(n)是相距为d的整数倍的脉冲序列,幅度随着k的增加而急剧减小。cy(n)的能量主要集中在零时刻附近,因此很容易分离出cy(n)。最后对cy(n)做逆复倒谱变换可得去除回声的信号。
在经典的回声隐藏算法中,选择不同的d值即可实现水印的嵌入。在该算法中,不是在时域上直接加回声,而是将小波系数CAL视为一段音频信号对其加回声。选择合适的参数进行水印嵌入,可以实现水印的不可感知性。
2 水印的嵌入
①将音频信号划分成帧
把原始音频信号划分成若干帧,每帧包含N个采样点。为了保证水印检测时复倒谱的检测率,N的值要取足够大。以44.1kHz采样率的音频信号为例,N一般取4410。实际应用中为了提高数字水印的透明性和鲁棒性,需充分结合人类听觉系统(HAS)选取M个听觉重要音频帧 A={A(k), 0≤k
②进行离散小波变换
对每一帧信号A(k),选择合适的小波基进行L级的分解(L=3或4),分解后的小波系数为CAL,CDL,CDL-1,…,CD1。选择第L级粗略分量CAL进行水印嵌入。
③加密水印信号
根据密匙key生成一段序列k(n),比如混沌序列[7]或者伪随机PN序列。然后对水印序列w(n)进行加密得到加密后的水印信号w′(n)。
w′(n)=w(n)♁k(n) (6)
④对小波系数CAL加回声,嵌入水印
将小波系数CAL视为一段音频信号CAL(n),采用经典的回声隐藏方法将其与核函数h(n)卷积得到包含回声的信号CA′L(n),即
CA′L(n)=CAL(n)*h(n) (7)
为了提高复倒谱的检测率,该算法中采用加双向回声[6],h(n)可表示为:
h(n)=δ(n)+αδ(n+d)-αδ(n+d+
Δd)+αδ(n-d)-αδ(n-d-Δd) (8)
其中α为回声系数,大小应根据鲁棒性与不可感知性折中调整。Δd为一个很小的整数,一般取1～3。d根据水印信号w′(n)选择不同的值,因此所加入的回声包含了水印信息,即当w′(n)=0时,d=d0;当w′(n)=1时,d=d1。d0和d1的值要根据CA′L的长度进行调整。
⑤重构音频信号
用CA′L代替CAL,用调整后的小波系数CA′L,CDL,CDL-1,…,CD1重构音频信号,即进行离散小波逆变换,得到包含水印信号的音频帧A′。整个水印嵌入算法框图如图1所示。
3 水印的检测
由于嵌入的水印信号包含在了小波系数的回声中,因此对小波系数进行复倒谱变换即可检测出水印,检测过程不需要原始音频信号。检测的步骤如下:
①将含水印音频信号分帧并作离散小波变换
将包含水印的音频信号记为Aw,先将Aw分帧并提取出可能包含水印的重要音频帧Aw(k),k=1,2,3…然后对每一帧进行离散小波变换,得到小波系数CA′L,CDL,CDL-1,…,CD1。这两步与嵌入过程完全相同。
②复倒谱分析
对包含水印的小波系数CA′L进行复倒谱变换得到cca′(n)。
根据(7)式可得
cca′(n)=cca(n)+ch(n) (9)
根据前面分析,当加入的回声延迟为dm时,m=0或1,复倒谱cca′(n)会在n=dm处和n=dm+1处分别出现一个正尖峰和负尖峰。选择合适的阀值T,将cca′(d0)-cca′(d0+1)和cca′(d1)-cca′(d1+1)的值分别与T比较,即可检测出水印信号w′(n)。即
undefined
③解密水印信号
根据密匙key生成序列k(n),对水印序列w′(n)进行解密得到原始的水印信号w(n)。
w(n)=w′(n)♁k(n) (11)
④水印检测指标
计算提取的水印与原始水印的相关度以验证该算法是否有效,相关度定义为:
undefined
其中,w(n),w′(n)分别为原始水印和提取出的水印。选取合适的阀值T,若相关度η>T,则该水印被认为是有效水印。实验中一般取T=0.5。整个水印检测算法框图见图2所示。
4 仿真结果
本算法分别采用了采样率为44.1kHz,量化精度为16bit,40s长的流行音乐(记得),摇滚(Somewhere I belong),古典(肖邦夜曲No.1)三种类型的音乐进行实验。实验中采用Daubechies4小波基对音频信号进行3级小波分解。水印嵌入过程中回声系数的取值应在0.2到0.3之间,实验中取α=0.23,该系数的取值应根据音频信号的透明性和鲁棒性的折中。回声延迟分别为d0=80,d1=90,其取值是由音频信号的帧长和小波变换的级数决定的。水印提取过程中取阀值T=0.25,如果回声系数α调整后则阀值T也应相应调整。实验中采用一幅尺寸为20×20的单色bmp图片,读取其位图矩阵后降维成一维向量作为嵌入的水印序列。每个音频信号截取40s,嵌入400bit。实验证明,嵌入水印的音频波形与原始音频波形只有细微的差别,从听觉感知上人耳基本不能分辨。通过图3-5的比较也可看出。
为了测试本算法的鲁棒性,实验分别对3种嵌入水印后的音频信号进行各种攻击,并对攻击后的信号进行水印提取,计算提取水印与原始水印的相关度,如图6所示。攻击过程具体实现如下:
①重采样。上采样是将信号的采样频率由44.1kHz 转换成22.05kHz,然后用插值技术转换回44.1kHz。上采样是将采样频率44.1kHz转换成88.2kHz,然后用抽取技术转换回44.1kHz。
②低通滤波。采用截至频率为2kHz的6阶butterworth滤波器对信号进行低通滤波。
③均衡化。采用音频编辑工具cool edit中的预置模式“Base boost”进行均衡化处理,均衡器参数设置如表1所示。
④重量化。将信号由16bit量化转换为8bit量化,然后转换回16bit量化。
⑤加白噪声。白噪声即正态分布函数,设期望值为0.01,方差为0.1。
⑥mp3压缩。将信号压缩至96kbps。
⑦抖动攻击。将信号每隔1000个采样点剪掉一个采样点,攻击后的文件长度相应缩短了。
⑧随机剪切。随机选择音频信号的10个位置,各剪切掉100个采样点。
实验得到了经过各种攻击后的水印图像如图6所示,并计算了提取水印与原始水印的相关度,见表2。
由结果可见,对于一般的水印攻击,该算法能恢复出清晰的水印图像,对于抖动和随机剪切等同步攻击,提取的水印图像也是可分辨的,因此该算法具有良好的鲁棒性。但是由于该算法属于盲检测,所以相比其他的小波域算法具有明显的优势。
5 结束语
实验证明,本文提出的基于小波域和复倒谱的音频水印算法具有良好的透明性与鲁棒性。在小波域中嵌入水印信号使得算法具有良好的鲁棒性,能抵抗一般攻击和同步攻击;另一方面,将改进的回声隐藏方法引入小波域,检测中采用复倒谱技术,实现了盲检测,因此相比其他非盲检测的小波域算法具有更好的实际应用价值。笔者认为,以本算法的思路为基础进一步研究性能更好的改进算法将具有良好的应用前景。
摘要：提出了一种新的基于离散小波变换和复倒谱的音频水印算法。将音频信号进行3级小波分解,在第3级上对小波系数加回声,根据不同的水印值选择不同的回声延迟,然后重构音频信号。检测时采用复倒谱变换,实现了水印的盲检测。实验表明,该算法具有很好的透明性和鲁棒性,能抵抗重采样,低通滤波等常见攻击和抖动,随机剪切等同步攻击。
关键词：音频水印,离散小波变换,复倒谱,盲检测
参考文献
[1] Cui Lili, Wang Shu-Xun,Sun Tanfeng. The application of wavelet analysis and audio compression technology in digital audio watermar-king[C].Neural Networks and Signal Processing, 2003. Proceedings of the 2003 International Conference,14-17 Dec,2003,2:1533-1537.
[2]Li Wei,Xue Xiangyang.Audio Watermarking Based on Statistical Fea-ture in Wavelet Domain[C]//poster track of the Twelfth InternationalWorld Wide Web Conference(WWW 2003),Budapest,Hungary.ACM,May,2003.
[3]Gunsel B,Kirbiz S.Perceptual Audio Watermarking by Learning inWavelet Domain Pattern Recognition[C].ICPR 2006.18th Interna-tional Conference,2006,3:383-386.
[4] Tang Xianghong, Niu Yamei, Li Qiliang. A Digital Audio Watermark Embedding Algorithm with WT and CCT[C].Microwave, Antenna, Propagation and EMC Technologies for Wireless Communications, 2005. MAPE 2005. IEEE International Symposium,8-12 Aug, 2005,2:970-973.
[5]Hyen O Oh,Jong Won Seok,Jin Woo Hong,et al.New echo embeddingtechnique for robust and imperceptible audio watermarking Acoustics,Speech,and Signal Processing[C].Proceedings(ICASSP’01),2001IEEE International Conference,7-11 May,2001,3:1341-1344.
[6] Hyoung Joong Kim, Yong Hee Choi. A novel echo-hiding scheme with backward and forward kernels[J]. Circuits and Systems for Video Technology, IEEE Transactions. Aug. 2003,13(8):885-889.