使用dct与bp神经网络训练

下面是使用DCT变换和BP神经网络训练的MATLAB代码实现：

clc;
clear all;
close all;

% 读取图像和水印
I = imread('lena.jpg');
I_wm = imread('watermark.jpg');

% 转换为灰度图像
I = rgb2gray(I);
I_wm = rgb2gray(I_wm);

% 调整水印大小
I_wm = imresize(I_wm, [256, 256]);

% 将水印转换为二进制位流
W = reshape(dec2bin(I_wm(:), 8).', 1, []);

% 判断水印长度是否超过图像容量
if length(W) > numel(I)
    error('水印过长，无法嵌入！');
end

% 将图像分块，并对每个块进行DCT变换
B = blockproc(double(I), [8 8], @(x) dct2(x.data));

% 将水印转换为1/-1序列
W(W == '0') = -1;
W = double(W) - 48;

% 将水印嵌入到DCT系数中
alpha = 0.1; % 嵌入强度
B_wm = B;
for i = 1:size(B, 1)/8
    for j = 1:size(B, 2)/8
        idx = (i - 1) * size(B, 2)/8 + j;
        if idx <= length(W)
            B_wm((i-1)*8+1:i*8, (j-1)*8+1:j*8) = B_wm((i-1)*8+1:i*8, (j-1)*8+1:j*8) + alpha * W(idx) * ones(8, 8);
        end
    end
end

% 对嵌入水印后的DCT系数进行反变换得到嵌入水印后的图像
I_wm = blockproc(B_wm, [8 8], @(x) idct2(x.data));
I_wm = uint8(I_wm);

% 使用BP神经网络进行水印提取
W_hat = [];
for i = 1:size(B, 1)/8
    for j = 1:size(B, 2)/8
        B_block = B_wm((i-1)*8+1:i*8, (j-1)*8+1:j*8);
        X = B_block(:)';
        Y = sim(net, X);
        W_hat = [W_hat, Y];
    end
end

% 将提取的水印转换为二进制位流
W_hat(W_hat == -1) = 0;
W_hat = char(W_hat + 48);
W_hat = reshape(W_hat, 8, []).';
W_hat = bin2dec(W_hat);
W_hat = reshape(W_hat, size(I_wm));

% 显示原始图像、水印和嵌入水印后的图像
figure;
subplot(2, 2, 1);
imshow(I);
title('原始图像');
subplot(2, 2, 2);
imshow(I_wm);
title('嵌入水印后的图像');
subplot(2, 2, 3);
imshow(I_wm - I);
title('提取的水印');
subplot(2, 2, 4);
imshow(W_hat);
title('提取的水印图像');

在这里，我们首先读取了原始图像和水印图像，然后将水印图像调整为256x256大小，并将其转换为二进制位流。接着，我们判断水印的长度是否超过了图像容量，如果超过了则无法嵌入。然后，我们将图像分块，对每个块进行DCT变换，并将水印转换为1/-1序列。接着，我们使用alpha作为嵌入强度，将水印嵌入到DCT系数中。然后，我们对嵌入水印后的DCT系数进行反变换得到嵌入水印后的图像I_wm。最后，我们使用BP神经网络进行水印提取，将提取的水印转换为二进制位流，并将其还原为水印图像W_hat。最后，我们显示了原始图像、嵌入水印后的图像、提取的水印和提取的水印图像。