没有合适的资源?快使用搜索试试~ 我知道了~
Journalof King Saud University沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.com基于离散小波和概率神经网络的数字图像鲁棒水印算法Yahya AL-Nabhani,Hamid A.Jalab*,Ainuddin Wahid,Rafidah Md Noor计算机科学与信息技术学院,马来亚大学,50603吉隆坡,马来西亚接收日期:2014年10月26日;修订日期:2015年2月17日;接受日期:2015年2月25日2015年9月10日在线发布摘要数字水印技术作为一种有效的数字数据保护技术,近年来受到了广泛的研究兴趣。本研究旨在发展一种可产生高不可见性之浮水印影像的增强技术。在提取过程中,水印不需要原始图像就能成功提取。我们已经开发了离散小波变换与Haar滤波器嵌入二进制水印图像中选定的系数块。利用概率神经网络提取水印图像。效率评价算法和提取的水印图像的质量,我们使用了广泛已知的图像质量函数测量,如峰值信噪比(PSNR)和归一化互相关(NCC)。实验结果表明,该方法提取的水印图像具有良好的不可见性(PSNR=68.27dB)和优异的水印提取效果(NCC=0.9779)。实验结果表明,该水印算法对JPEG压缩、旋转、高斯噪声、剪切、中值滤波等常见攻击具有较好的不可见性和鲁棒性。©2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍*通讯作者。电 子 邮 件 地 址 : yahyanabhani@yahoo.com ( Y.AL-Nabhani ) , hamidjalab@um.edu.my ( H.A.Jalab ) ,ainuddin@um.edu.my(A. Wahid),fidah@um.edu.my(R.M.Noor)。沙特国王大学负责同行审查数字化正在全球范围内发生,这可以归因于信息技术的快速进步和进步。这种现象有利有弊。关于数字媒体所有权的问题经常引起研究人员的兴趣数字信息在存储或传输过程中可能被复制、攻击或篡改。因此,需要开发保护数字数据的有效水印方法此外,应分享信息,以获得最佳效益和利用。http://dx.doi.org/10.1016/j.jksuci.2015.02.0021319-1578© 2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier关键词数字水印;离散小波;概率神经网络394 Y. AL-Nabhani等人因此,应认真处理这类信息的安全和保密问题。数字介质可以指任何种类的数字数据,诸如文本、图像、视频或音频。数字水印保护数字媒体并验证其合法所有者。数字水印是从隐写术发展而来的。这两种技术都使用将信息嵌入到覆盖数据介质中的概念(Ghaleb Al-Jbara等人, 2012年)。一个水印方案至少应该具备以下品质:感知上不可见(或透明),难以去除而不严重影响图像质量,并抵抗图像处理攻击。水印可以分为两种主要类型:可见和不可见。可见水印(如公司徽标中使用的水印)是不可感知的,而不可见水印是不可感知的,并且嵌入在主机数据中的未知区域。另外,根据处理域,水印可以分为两类:空间域和变换或频率域。前者通过直接修改原始图像的像素值来嵌入水印实现的简单性和容易性是由空间域算法提供的优于其他类似水印算法的两个优点(Zheng等人,2007年)。空间域算法比其他类型的水印算法鲁棒性差,因为它们更容易受到压缩、滤波或噪声攻击(Zheng等人,2007;Lai和Tsai,2010)。诸如离散余弦变换、离散傅立叶变换和离散小波变换(DWT)的变换域方法通过在变换域中调制原始图像的系数来嵌入水印(Huang等人,2008; Seng等人,2011年,2009年)。变换域方法比空间域方法对压缩、滤波、旋转、剪切和噪声攻击更鲁棒(Lu,2005)。小波域是变换域的一种,被认为是一种有效的水印嵌入域.在频域中嵌入过多的数据会显著降低水印图像的质量,并导致不可感知性约束(Wang,2011)。此外,DWT域中的水印由于其理想的时频特征和人类视觉系统的准确匹配而引起了相当大的关注(Kashyap和Sinha,2012)。人工智能有助于水印技术的进一步发展。人工神经网络通过记忆水印和相应的水印图像之间的关系,增强了传统水印方法的性能几 项 研 究 ( Huang 等 人 , 2008; Chen 和 Chen ,2010;Ramamurthy和Varadarajan,2012; Mei等人,2002)提出了一种基于反向传播神经网络的图像盲水印算法。Zhang(2009)提出了一种基于小波域径向基神经网络的盲水印算法。该算法不需要原始图像和“水印图像”,就能从水印图像中准确地恢复出水印.最近的努力已经指向使用概率神经网络(PNN)在小波域。Wen等人(2009)提出了一种基于PNN的小波域盲水印方案。利用双树小波变换的统计特性,将水印嵌入到图像的边缘和纹理中,实现水印嵌入安全性和不可感知性。然而,水印嵌入算法仅依赖于双树复小波变换的每个系数块的标准差。因此,嵌入水印后的图像质量下降。据我们所知,这项研究是迄今为止唯一发表的工作,是基于PNN在小波域在这项工作中,我们提出了一个不可感知的和鲁棒的盲水印算法的基础上PNN在小波域。该算法通过在基于块的小波系数中选择最佳嵌入位置,在保证水印图像不可见性和质量的前提下,有效地嵌入了水印然后应用PNN来记忆水印和相应的水印图像之间的关系因此,水印可以从水印图像中恢复,而无需原始图像和水印图像。实验结果表明,该方法具有较高的峰值信噪比(PSNR)和归一化互相关(NCC)性能,对JPEG压缩、旋转、高斯噪声、剪切、中值滤波等常见攻击具有较强的鲁棒性。最后将这些实验结果与前人的研究结果进行了比较。本文的其余部分组织如下:第2节介绍了所提出的算法。 第3节给出了实验结果。第四部分是论文的结论。2. 提出的水印算法该算法包括三个步骤:分解,嵌入和提取的封面图像。二值水印图像将被用作用于嵌入的水印。在水印恢复过程中,利用训练好的概率神经网络提取水印.2.1. 水印嵌入算法水印嵌入方法如图1所示。该算法主要包括以下几个步骤:小波分解、分块、水印嵌入、小波重构和水印检测。在算法过程中,利用Haar滤波小波对原始图像进行三级小波 Haar小波因其简单性和计算速度而众所周知(Zheng等人,2007;Zhang,2009)。在离散小波变换中,信号通过两个互补滤波器,并作为两个信号出现:近似和细节。这个过程称为分解或分析。这些分量可以重新组合成原始信号,而不会丢失信息。这一过 程 被 称 为 再 现 或 合 成 ( Zhang , 2009;MathWorks)。对于图像水印,使用小波的基本思想是根据尺度和时间进行分析根据Lin等人(2009)的说法,DWT方法是图像水印的最简单和最有效的技术。然而,DWT嵌入的最重要的方面是要用于嵌入的DWT系数的选择和在其中将水印嵌入在所选择的系数内的在这项研究中,三个层次的2D-Haar小波分解用于原始封面图像。Haar小波使用两个×××××××××数字图像鲁棒水印算法4个4.该方法为每个系数产生16 × 16个块。在这项研究中,小波变换的理想功能,以获得最大的利益。图像的大部分能量集中在低频系数块LLi中(Nageswararao等人,2011年)。同时,将水印嵌入到 代 表小 波 变 换系 数 精 细尺 度 的 高频 系 数 块HHi(cH3,cD3,cV3)中,使得水印对人眼不可感知。步骤5:将像素尺寸为64 × 64的水印二进制图像然后将这些块嵌入到所选择的小波系数块中。然而,水印是逐块嵌入的,而不是被转换成便于嵌入的矢量。该过程包括减少循环迭代和处理时间。这一步也使易于控制,并遵循嵌入的数据流步骤6:通过以下嵌入公式将水印块嵌入到cH3、cD3和cV3块中(Wen等人,(2009年):I0i;jIi;jaw-11其中,I(i,j)是所选块的原始系数,I0(i,j)是与I(i,j)相对应的水印系数,w是水印比特,a是控制水印强度的嵌入强度系数。的图1水印嵌入方法。滤波器类型:低通和高通滤波器。低通滤波器的输出是通过对输入求平均来获得的,而高通滤波器的输出是输入的差(Zhang,2009)。所提出的嵌入水印的方法描述如下:步骤1:像素尺寸为512第512章被选中了第二步:使用像素尺寸为64 × 64的灰度水印图像作为水印。然后将水印图像转换为二进制格式。步骤3:使用Haar滤波器对原始封面图像进行三级小波分解。DWT通过将图像分割成四个不重叠的多分辨率子带:LL、LH、HL和HH来处理图像。子带LH、HL和HH(细节)表示DWT系数的精细尺度,而子带LL(近似)表示DWT系数的粗略尺度。对于小波分解的每个连续级别,前一级别的LL子带最后,我们得到了三个级别的四个子带,即LL 3(cA 3)、LH 3(cH 3)、HH 3(cD 3)和HL 3(cV 3),每个子带为64 × 64像素。此外,原始图像可以从这些DWT系数重建。这个重建过程被称为逆离散小波变换(IDWT)。步骤4:将像素尺寸为64 × 64的三个小波子带系数(cH3、cD3和cV3)分成像素尺寸为a的值直接影响嵌入效果,是通过实验选择的,为了保证高的水印质量,水印块(4096像素)依次嵌入到三个小波系数(cH3、cD3和cV3)中,具体如下:1. 水印像素值的前25%(1024个像素)被嵌入到cH3中。2. 水印像素值的第二个25%(1024个像素)被嵌入到cD3中。3. 水印像素值的剩余50%(2048个像素)被嵌入到cV3中。第七步:对每个系数进行小波逆分解变换,得到含水印图像.2.2. 神经网络训练PNN是一种监督学习网络,其在其学习模型中实现用于模式分类的贝叶斯方法(Yu和Chen,2007; Mishra等人, 2008年)。PNN选择一个学习类别,并通过使用径向基函数来估计样本的似然性。PNN可以并行操作,并且不需要来自单个神经元的输入反馈;因此,PNN训练是即时的,并且比其他神经网络(如反向传播网络)更容易学习(Zhang,2009)。PNN由四层节点组成,即输入层、模式层、求和层和输出层,如图2所示。当呈现输入时,第一层计算从输入向量到图3水印提取方法。测试生成的水印图像的质量×××加载经过训练的PNN396 Y. AL-Nabhani等人将Haar提出的小波变换(3级)应用于水印图像将带水印图像的子带(H3、V3和D3)划分为4 × 4像素从(cH3,cV3,cD3)中获取嵌入的水印值应用概率神经网络提取水印对提取的水印图像进行重构图2PNN的结构。训练输入向量,然后产生具有指示输入与训练输入有多接近的元素的向量。求和层对每类输入的这些贡献求和,以产生概率向量作为其净输出。最后,求和层输出上的竞争传递函数选择这些概率中的最大值,并为该类产生1,为其他类产生0,以获得水印二进制图像(MathWorks)。PNN的训练通过生成模式节点,将其连接到目标类的求和节点,并将输入向量分配为权重向量来进行。三个小波系数(cH3、cD3和cV3)的值被组合以形成训练向量的特征,其大小为六十四六十四。该特征被用作64个PNN的输入,用于训练和提取。2.3. 水印提取算法从水印图像中提取水印的过程与图1所示的水印嵌入过程相反。3.第三章。由于PNN网络能够记忆水印图像的小波系数与水印图像中相应像素之间的关系,因此将训练好的PNN用于水印提取过程首先利用小波变换将水印图像分解为三个层次。然后,将这些系数(cH3、cD3和cV3)划分成像素尺寸为44像素。然后提取这些系数的内容,并将其用作训练PNN的输入以获得水印数据。然而,每个PNN的输出对应于水印二进制图像中的图4参数a相对于提取的水印的PSNR的选择。3. 实验结果在实验中,我们使用512 512像素(莉娜,芭芭拉和船)的图像作为封面图像。两个不同的水印图像(UM Logo和Cameraman),大小为64×64像素数字图像397XX23.1. 包埋试验用峰值信噪比来衡量水印图像和提取水印图像的不可感知性。 PSNR是在客观图像质量度量下分类的函数的示例。该函数因其简单明了而被广泛使用。PSNR由封面(I)和水印图像(Iw)的相应像素值之间的均方误差定义(Jalab和Ibrahim,2012):最大值I;Iw2被用作水印。使用MATLAB 2013a在64位上对所提出的算法进行了性能测试PSNR¼ 10 log1MNMSE¼MSE2000IWindows 7操作系统。MNi <$1j <$1封面图片水印水印图像图5使用UM Logo和Cameraman二进制水印的不同封面图像。表1嵌入过程中相对于PSNR的整体性能。水印PSNR莉娜UM标志70.20摄影师72.66芭芭拉UM标志70.20摄影师72.66船UM标志70.20摄影师72.66398Y. AL-Nabhani等人4Þ2表3水印图像提取后的整体性能:(a)JPEG压缩,(b)旋转,(c)高斯噪声,(d)裁剪,和(e)中值滤波攻击。水印图像图像处理攻击强度提取水印提取水印××PiPjWi;j·W0i;j我J3.2. 浸提试验通过测量不可感知性和鲁棒性来评估提取方法的性能。NCC用于测量提取后水印的图像质量,如Temi等人所给出的。(2005年)。NCC¼P PWi;j其中max是图像的最大可能像素值。在灰度图像中,该值等于255。在实验结果的基础上确定了水印的最佳嵌入位置.在嵌入过程中,a的大小直接影响嵌入效果。因此,应确定系数a的最佳值。当将所提出的算法应用于作为封 面 图 像 的 “Len a“ 和 作 为 水 印 图 像 的 ”UMLogo“时,实验性地选择a的值对于提取的水印,使用a= 1获得了最佳结果,如图所示。 四、通过测量峰值信噪比(PSNR)来评估嵌入方法的性能,该信噪比用于评估水印图像的不可感知性。表1列出了覆盖图像、水印和PSNR之间的关系。我们发现,水印图像的PSNR随着“UM Logo“而降低,这证明了水印图像的不可感知性与水印图像的纹理敏感度成正比,除了PSNR大于70 dB的任何情况。这一发现表明,水印图像具有良好的峰值信噪比。然而,图5示出了原始图像和对应的水印图像之间没有差异,这表明该技术增强了水印的不可感知性。其中W(i,j)和W0(i,j)分别是原始水印和提取的水印图像的i,j位置处的像素值。为了验证该算法的有效性,我们考虑了PNN对水印图像的输入响应表2总结了在无攻击情况下使用PNN的不同输入向量大小获得的结果。在这个测试中,一个512 512像素的灰色Lena图像被用作封面图像,而一个64 64像素的UM标志的二进制图像被用作水印。根据表2,水印图像的提取质量随着PNN输入的数量增加而劣化。观察到这种效果是因为PNN输入的数量增加表明可用于提取水印的神经网络较少,使得PNN的准确性和执行时间将降低。然而,当PNN输入的数目减少时,更多的神经网络可以用于水印的提取,使得PNN的准确性和提取时间将增加。水印嵌入和提取的计算复杂度是水印的一个重要属性。包埋可以快速和容易地进行,而提取可能是耗时的。选择适当的提取图像质量是提取算法的关键考虑因素。水印算法的各个方面都要求提取具有高NCC和PSNR值的优秀水印,这些水印算法优先考虑图像质量而不是速度。图像质量可能会以速度为代价,反之亦然。在这项研究中,我们使用64个输入到每个PNN进行训练和提取。表2显示NCCPSNRNCCPSNR(a)JPEGQ=700.845159.100.957260.45Q=500.752057.200.945158.64Q=100.439554.430.891056.20(b)旋转5°0.925162.550.984164.6045°0.896560.250.976262.14(c)高斯噪声R=200.975367.040.992468.13R=500.986367.480.992868.15(d)裁剪左上方(25%)0.666056.460.909658.77右下侧(25%)0.902360.480.986863.31(e)中值滤波0.932962.380.983763.91表2基于神经网络输入比特数的水印提取质量。PNN的输入时间(秒)NCCPSNR2561.280.895360.631282.030.927063.80643.260.977968.27325.930.979072.211611.360.988977.26821.930.994883.65粗体值表示在所提出的算法中使用的值数字图像399攻击强度攻击后的水印从受攻击的水印图像攻击后的水印从受攻击的水印图像中提取(a)JPEGQ=70Q=50Q=10(b)第(1)款旋转5时45O(c)高斯噪声=2050(d)裁剪(e)中值滤波图6经过(a)JPEG压缩、(b)旋转、(c)高斯噪声、(d)裁剪和(e)中值滤波攻击后提取的徽标400Y. AL-Nabhani等人表4用该算法提取的水印图像与用其他方法。Wen etal. 05 The Famous Women(2009)Ramamurthy和Varadarajan(2012)量化和反向传播512× 512神经网络直接加权系数512× 512BP神经网络256× 25664× 6464× 6464× 6464× 6436.7 0.979048.2396 0.9781Gunjal等人(2011年)Huang等人(二零零八年)48.5343.55接近1接近1×作者提取算法封面图片尺寸水印大小PSNRNCC提出概率神经网络512× 51264× 6468.270.9779最佳图像质量,相对于其他情况具有合理的计算3.3. 稳健性测试为了证明该算法的鲁棒性,我们研究了以下攻击对水印图像的影响:(a) JPEG压缩(质量因子=70、50和10)。(b) 图像旋转(旋转角度= 5°和45°)。(c) 高斯噪声(标准差r=20和50)。(d) 图像裁剪(最多25%)。(e) 中值滤波器。表3示出了在不同类型的图像处理攻击之后水印图像提取的结果。在测试提取过程中,每个攻击已经与每个先前描述的水印图像进行了测试。图6a-e经过JPEG、旋转和剪切攻击后,提取的图像部分退化。但是,提取的水印图像仍然是可识别的,因为这些攻击改变了索引参考值,这些参考值可能包含嵌入值的水印位置值。因此,在数据检索期间,检索到的提取值可能不是已被改变的索引位置值的水印值。 这一结果也可能是观察到图 6 a-c. 此外,该算法对高斯噪声,旋转和中值滤波攻击具有明显的鲁棒性,因为提取的水印没有受到明显的影响,如图6d和e所示。3.4. 与类似技术的为了证实其有效性,所提出的方法与其他方法在近似相同的条件下进行了比较 Wenet al. (2009)提出了一种基于PNN的盲数字水印算法。主要区别如下:1. 该算法通过对载体图像进行双树小波分解来嵌入水印,然后将水印比特加入到载体图像中,选择系数块。相比之下,在我们的工作中,三个层次的小波分解进行原始的覆盖图像与哈尔滤波器的使用。2. Wen et al.利用每个小波系数的标准差来验证该块是否可用于嵌入水印。因此,嵌入水印后的图像质量同时,我们的方法通过使用嵌入公式(1)将水印块嵌入到cH3、cD3和cV3块中,解决了嵌入后水印图像质量的下降此外,水印块到cH3、cD3和cV3中的嵌入按如下顺序执行:水印像素值的前25%嵌入到cH3中,水印像素值的后25%嵌入到cD3中,并且水印像素值的剩余50%嵌入到cV3中。3. Wen et al.该算法以嵌入水印系数的3~ 3个邻域然而,我们的算法使用64位水印像素值,嵌入到cH3,cD3和cV3,作为PNN的输入,从而使提取过程更快。如表4所示,所提出的算法比上述方法(Huang等人 , 2008 年 ; Wen 等 人 , 2009; Gunjal 等 人 , 2011年;Ramamurthy和Varadarajan,2012年)。提取的水印结果验证了该性能,表明该算法能够保持嵌入后水印图像图像质量测量的函数值也证实了这一结果。因此,该算法产生的水印图像具有更好的不可感知性比使用类似的技术得到的,因为PSNR值表明,水印图像和原始图像是相同的。4. 结论提出了一种基于概率神经网络的小波域盲数字水印算法。该算法保持了水印图像的不可见性和质量。该算法是一种盲水印技术,满足了不可见性和鲁棒性的要求.水印是通过在三个DWT层次的中频系数块中嵌入水印来执行的。在水印提取过程中使用PNN。实验结果证实了所提取的水印数字图像401图像(PSNR= 68.27 dB),以及令人满意的水印提取(NCC= 0.9958)。所提出的算法在不可见性方面优于文献中报道的其他现有技术不同的测试进行了验证的鲁棒性的水印图像。测试涉及使用各种常见的攻击,如JPEG压缩,旋转,高斯噪声,裁剪,中值滤波器对水印。 在所有测试中,水印都被成功提取,但提取的水印的质量取决于它们所受到的攻击类型利益冲突作者声明,发表本文没有利益冲突致谢作者要感谢评审员为改进论文的最终版本而提出的宝贵意见本研究得到以下项目的支持:RG 312 - 14 AFR来自马来亚大学。引用陈怡,陈杰,2010年。一种新的基于神经网络的图像盲水印方案IEEE International Conference on Information Theory andInformation Security(ICITIS),2010,Xiamen,China,pp.548-552Ghaleb Al-Jbara,H.A.,Mat Kiah,L.B.,Jalab,H.A.,2012.利用人工神经网络提高图像隐写术的容量。2012年基础科学和应用科学国际会议:(ICFAS 2012),吉隆坡会议中心,吉隆坡,马来西亚,pp. 20比25Gunjal,B.L.,Shelkar,A. D.,Avssvs,S.,2011年。一种新的精确相关小波图像水印方案的实现及其与传统方案的比较.Huang,S.,(1996年),中国科学院,张伟,Feng,W.,杨,H.,2008年基于神经网络的盲水印方案在:第七届世界智能控制与自动化大会,WCICA 2008,重庆,中国,pp.5985-5989Huang,S.,(1996年),中国科学院,张伟,Feng,W.,杨,H.,2008年基于神经网络的盲智能控制与自动化,2008年。WCICA 2008年。第七届世界大会,pp。5985-5989.Jalab,H.A.,Ibrahim,R.W.,2012.基于双参数广义分数次积分算子的去噪算法。离散动态Nat. Soc. 2012年。Kashyap,N.,Sinha,G.,2012.一种基于两级小波变换的图像水印算法。高级计算Res. 4,0975-3273.赖昌星蔡正正,2010年。 基于离散小波变换和奇异值分解的数字图像水印。IEEE Trans. 仪器Meas. 59,3060-3063。Lin,W.H.,王耀荣,洪,S.J.,Kao,T.W.,潘,Y.,2009年一一种基于最大小波系数量化的盲水印方法。专家系统应用36,11509-11516。Lu,2005.多媒体安全:保护知识产权的隐写术和数字水印技术。IdeaGroup Publishing,Hershey,PA.MathWorks。网址:http://www.mathworks.com/help/nnet/ug/probabilistic-neural-networks.html>。Mei,S.- C.的方法,利河,巴西-地H、天啊,H.- M.,王玉-K.,2002.基于人工神经网络的图像水印强度判定。在:2002 年 第 9 届 神 经 信 息 处 理 国 际 会 议 论 文 集 。ICONIP2430-2434米什拉,S.,Bhende角,Panigrahi,B.,2008年基于S变换和概率神经网络的电能质量扰动检测与分类IEEE Trans.Power Delivery 23,280-287。Nageswararao河,P.,Madhavi,M.,维沙卡帕特南岛翁戈莱岛2011.一种基于小波变换的非限制性水印算法。国际科学杂志Adv. Technol. 1,255- 261.Ramamurthy,N.,Varadarajan,S.,2012.基于反向传播神经网络的小波域鲁棒数字图像水印方案。Procedia Eng.38,3769-3778.Ramamurthy,N.,Varadarajan,S.,2012.基于量化和反向传播神经网络的鲁棒数字图像水印。对流工程科学5,137-147.Seng,W.C.,杜,J.,Pham,B.,2009.具有自认证和自恢复功能的半脆弱水印。马来人J.计算机Sci. 22,64- 84.Seng,W.C.,Fong,L.L.,Shing,N.L.,Noudeh,S.A.H.,2011.用于增强认证的基于手势的鲁棒水印。马来人J.计算机Sci.二十四,九十八。Temi,C.,Choomchuay,S.,Lasakul,A. 2005.一种基于小波多分辨率分析的《通信与信息技术》,2005年。ISCIT2005年。IEEE International Symposium,pp. 623-626王玉,2011.基于混沌置乱的小波域鲁棒水印。Sens.Rev.31,349-357.温,X.B.,张洪,Xu,X.Q.,全,J.J.,2009.一种新的基于概率神经网络的小波域数字水印方法。软计算13,355-360.Yu,S.N.,Chen,Y.H.,2007. 基于小波变换和概率神经网络的心电信号搏动分类。模式n。Lett. 28,1142-1150。张玉,2009.基于HVS和RBF神经网络的小波域盲水印算法。WSAS传输计算8,174- 183.Zheng,D.,中国科学院学报,Liu,Y.,赵,J,Saddik,A.E.,2007.不变性图像水印算法综述。ACM计算 监视器39,1-91。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功