小波分析实验报告

班级：电信0906小波分析实验目录小波分析实验一2.二维图像的傅里叶频谱分析3.一维采样信号的傅里叶频谱分析4.小波的分解与重构(a)随机离散信号的分解与重构(b)二维图像的分解与完全重构小波分析实验二(a)低频保留压缩(c)全局阈值压缩(d)基于Birge-Massart策略中经验系数的分层阈值压缩(e)基于小波包变换的图像压缩(f)基于JPEG2K标准的图像压缩1.2JPEG与JPEG2K的综合比较(a)小波基的选择(b)小波变换系数分析2.基于小波的盲数字水印2.2DCT与DWT盲水印综合比较小波分析实验一(1)实验图像Figure1.(1)原始信号及其Fourier频谱(连续表示)Figure1.(2)原始信号及其Fourier频谱(离散表示)(2)实验代码clears=rand(1,NUM)*MAXN;subplot(2,1,1),plot(s);xlabel('discreten');ylabel('magnituden');subplot(2,1,2),Sf=abs(fft(s));xlabel('discreten');ylabel('magnitude');figure,subplot(2,1,1),stem(s,'*');xlabel('discreten');ylabel('magnituden');subplot(2,1,2),stem(Sf,'*');MAXY=max(Sf)xlabel('discreten');ylabel('magnitude');title('Fourier频谱(离散表示));代码实现对长度为32的随机一维行矩阵进行傅里叶变换，并显2、对一幅离散二维图像(如512*512像素尺度的黑色背景叠加一个20*40像素尺寸的白色矩形，也可选择其他图像，如fingerprint等，可使用imread函数读取图像),实现傅里叶变换，并显示原图(1)实验图像Figure2.(1)原始图像及其Fourier频谱(一)Figure2.(2)原始图像及其Fourier频谱(2)实验代码号对一幅离散二维图像实现傅里叶变换，并显示原图及傅里叶频谱S=fftshift(log(1+abs(F));S=gscale(S);f=zeros(512,512);f(247:266,237:276)=1;S=abs(F):S=gscale(S);S=abs(Fc);S=gscale(S);subplot(2,2,3),imshow(S);title('居中的傅里叶频谱图像');S=fftshift(log(1+abs(F)));S=gscale(S);(3)实验分析实验图像中的第二个子图是对原始图像直接进行傅里叶变换的结果，图像四角上的亮点是图像周期性导致的结果。为了使变换的原点移到频率矩形的中心，我是用了函数fftshift,新产生的图像如第三个子图所示，可以看出居中的效果还是很明显的。不过，虽然该移动nagnitudephasenagnitudephase如期望的那样完成了，但频谱中值的动态范围与8比特显示(此时中心处的明亮值占支配地位)相比要大得多。于是我用对数变换对原始图像进行处理，效果如第四个子图所示，可见可视细节的增加还是很明显的。另外在图像的现实中，我还调用了自编的m函数gscale来实现按比例调整输入图像的亮度，以求达到最佳的可视化效果。函数gscale是被标度的图像，[0,255],后者将输出图像标度为全范围[0,65535]。3、对一个连续的函数(如8cos(18x)+2cos(x)等)进行采样，得到离散信号，然后实现傅里叶变换，显示原信号及傅里叶频谱。(1)实验图像原始信号3+8*原始信号3+8*cos(18*t+pi/6)+2*cos(t+pi/4)傅立叶频谱(连续表示)5000叶actualfrequency相位(弧度)频率曲线图5actualfrequency400800900600名原始信号3+8*cos(18*t+pi/6)+2*cos(t+pi/4)clear号确定采样区间0...Tx=zeros(1,N);y=zeros(1,N);x(k)=(k/N)*T;y(k)=3+8*cos(18*x(k)+pi/6)+2*cos(x(k)+pi/4)figure,subplot(4,1,1),plot(x,y);title('原始信号3+8*cos(18*t+pi/6)+2*cos(t+pi/4)');xlabel('discreten');ylabel('magnitude');subplot(4,1,2),xlabel('discreten');ylabel('magnitude');subplot(4,1,3),xlabel('actualfrequency');ylabel('magnitude');title('幅度—频率曲线图');8P(i)=P(i)*180/pi;g转换为角度(3)实验分析代码实现将原始信号3+8*作为实验的拓展部分，我还绘制了幅度—频率曲线图和相位(弧度)—频率曲线图。在幅度—频率曲线图中将离散频率点用公式angle函数计算相位，得到频率成分对应的相位，并用弧度表示(如果函数),显示原信号、分解后的小波子带、重构(1)实验图像Figure4.(1)Haar小波一维重构与分解Figure4.(2)Haar小波一维重构与分解各层系数ReconstructedsignalFigure4.(6)Db2小波一维重构与分解各层系数(2)实验代码x=rand(1,16)*MAXN;[lpr,hpr]=wfilters('haar','r');[lpd,hpd]=wfilters('haar','d');wavdanr1d(x,lpd,hpd,lpr,hpr,dim);[lpr,hpr]=wfilters('db2','r');[lpd,hpd]=wfilters('db2','d');wavdanr1d(x,Ipd,hpd,Ipr,hpr,dim)[lpr,hpr]=wfilters('db3','r');[lpd,hpd]=wfilters('db3','d');wavdanr1d(x,Ipd,hpd,lpr,hpr,dim)实验结果显示：原始信号与重构信号的均方根误差为：原始信号与重构信号的均方根误差为：原始信号与重构信号的均方根误差为：(3)实验分析函数分别实现小波的一级分解和一级重构，其中waveletdec为失真完全重构，这也是小波变换最大的特点之一。自带的小波分解重构函数DWT2,wavedec2函数),显示原图、分解后的小波子带、重构后的(1)实验图像Figure4.(8)Haar小波分解与重构图像db3重构图像clearimg=imread('house.png');img=im2double(img);figure(1),[lpdhpd]=wfilters('haar','d');[lprhpr]=wfilters('haar','r');imgr=wavrec2(Il,hl,Ih,hh,Ir,Ic,Ipr,hpr);figure(2),subplot(1,2,1);subplot(1,2,2);rmse1=compare(img,imgr);disp('Haar小波重构图像均方根误差为：');lpdhpd]=wfilters('db2'.'d');[lprhpr]=wfilters('db2','r');imgr=wavrec2(ll,hl,Ih,hh,Ir,Ic,Ipr,hpr);figure(3),subplot(1,2,1);subplot(1,2,2);rmse2=compare(img,imgr);disp('Db2小波重构图像均方根误差为：');[lprhpr]=wfilters('db3','r');rmse3实验结果显示：rmse1=1.6726e-016rmse2=5.4105e-014rmse3=8.2068e-013(3)实验分析数。其中upspl,downspl,waveletdec和waveletrec函数功能与小波对一幅图像实现分解(在本实验中，仅进行1级分解),而wavdec2函数则在waveletrec基础上用指定小波对一幅变换后的图像实现重全重构，这也是小波变换最大的特点之一。作为该实验的更高级拓展，我运用Gonzales提供的关于小波快个子函数和一个主函数。主函数为experiment4b2函数。子函数是wavefilter,wavefast,wavework,wavecut,wavecopy,wavepaste,waveback,Figure4.(12)Haar小波图像分解(细节系数放大8倍Figure4.(13)Haar小波图像分解(细节系数绝对值放大8倍)Figure4.(14)Haar小波重构图像Figure4.(16)Db2小波图像分解(细节系数放大8倍)db2分解(细节系数绝对值放大8倍)Figure4.(17)Db2小波图像分解(细节系数绝对值放大8倍Figure4.(18)Db2小波重构图像Figure4.(20)Db3小波图像分解(细节系数放大8倍)Figure4.(21)Db3小波图像分解(细节系数绝对值放大8倍)Figure4.(22)Db3小波重构图像实验代码%对一幅灰度图像，实现用Haar小波、Db2、Db3小波的分解与f=imread('lena.png');f=imread('lena.png');f=imread('lena.png');(c)对一幅灰度图像(可使用house,lena图像等)用Haar小波或Db小波进行分解，对小波系数做修改(如阈值等),最后再重构。将原(1)实验图像重构图像2clearimg=imread('house.png');img=im2double(img);figure(1),[lpdhpd]=wfilters('db4','d');[lprhpr]=wfilters('db4','r');alpha=0.25;maxcoef=max(imgd(:));mincoef=min(imgd(:));vth=alpha*(maxcoef-mincoef);hl(find(Il<vth))=0;Ih(find(Il<vth))=0;hh(find(Il<vth))=0;imgr=wavrec2(II,hl,Ih,hh,Ir,Ic,Ipr,hpr);figure(2),subplot(1,2,1);imshow(imgd);title('分解图像1);subplot(1,2,2);rmse1=compare(img,imgr);disp('Db4小波重构图像均方根误差为(阈值一):');maxcoef=max(imgd(:));mincoef=min(imgd(:));vth=alpha*(maxcoef-mincoef);rmse1=0.0256rmse2=0.0356(3)实验分析在该题中，我在experiment4_b基础上，对分解的高频系数进行对高频部分，重构的图像与原始图像在视觉感知上可我们也可以利用这一点进行图像的压缩(关于基于小波的图像压缩，Figure4.(28)第一级细节系数置零重构实验代码%对一幅灰度图像(可使用house,lena系数做修改(如阈值等),最后再重构图像等)用Haar小波或Db小波进行分解，对小波clearf=imread('house.png');figure,[c1,s1]=wavefast(f,4,'figure,在这个实验中，我利用函数wavefast得到小波分解向量c和记录矩阵s,紧接着依次将第一层、第二层、第三层、第四层小波分解的高频系数置零，得到的图像分别如因为它是将原图中第一层细节系数置零而得到的。figure4.(29)的模糊程度更明显了，因为它将第二层细节系数置零，而第二层细节系数中剧的模糊程度。小波分析实验实验四基于小波的图像压缩请参考“小波分析及其应用”课件用简单方案实现基于小波变换的图像压缩。算法一：只保留低频部分，舍去高频图像的重要信息和绝大部分能量都集中在低频。而大部分高频系数都接近于0,而且频率越高这种现象越明显。于是去掉高频部分LH,HL,HH,就成为了一种最简单有效地方案，还可以对LL进行多次分解，去掉更多的高频成分。(1)实验图像Figure4.(1)原始图像Figure4.(2)Bior3.7小波分解图像Figure4.(3)第一次压缩图像Figure4.(4)第二次压缩图像(2)实验代码title('原始图像);disp('压缩前图像X的大小为：);c1=[a1,h1;v1,d1];8下面进行图像压缩处理%保留图像分解第一层低频信息，进行图像压缩ca1=appcoef2(c,s,'bior3.7',1);ca1=wcodemat(ca1,440,'mat',0);ca1=0.5*ca1;figure(3),image(ca1);colormap(map);title('第一次压缩');disp('第一次压缩图像的大小为：');whos('ca1')g保留图像分解第二层低频信息，进行图像压缩号第二层的低频信息即为ca2,显示第二层低频信息g首先对第二层进行量化编码ca2=appcoef2(c,s,'bior3.7',2);ca2=wcodemat(ca2,440,'mat',0);ca2=0.25*ca2;figure(4),image(ca2);colormap(map);title(‘第二次压缩');disp('第二次压缩图像大小为：');whos('ca2')压缩前图像X的大小为：NameSizeBytesAttributes第一次压缩图像的大小为NameBytesAttributes第二次压缩图像的大小为：NameBytes45000Attributes缩图像可以看出随着分解级数的增加，压缩的图像逐渐变得模糊，出现较大损失。所以在算法一中，根据预期的压缩效果和适当的视觉效果而确定可靠的分解级数是最理应事先考虑的。由于小波分析固有的时频特性，我们可以在时频两个方向对小波系数进行处理，这样就可以对我们感兴趣的部分提供不同的压缩精于是我们可以把图像中部的细节系数置零，而图像其余部分的细节系数以及所有的低频系数均保持不变，已达到预先期待的压缩部分细节而保留部分细节的目的。(1)实验图像Figure4.(5)原始图像Figure4.(6)压缩图像Figure4.(7)一层分解后个系数图像Figure4.(6)处理后各层系数图像(2)实验代码使用sym4小波对信号进行一层小波分解合复制原图像小波系数rca1=ca1;rch1=ch1;%将3个细节系数的中间部分置零rch1(33:97,33:97)=zeros(65,65);rcv1(33:97,33:97)=zeros(65,65);codrca1=wcodemat(rca1,192);codrch1=wcodemat(rch1,192);codrcv1=wcodemat(rcv1,192);S将处理后的系数图像组合为一个图像codrx=[codrca1,codrch1;codrcv1,codrcd1]。充值处理后的数据figure(1);image(wcodemat(X,192));colormap(map);8求压缩信号的能量成分disp('压缩信号的能量成分比为：');disp('压缩信号与原信号的标准差为：');压缩信号的能量成分为：per=1.0000(3)实验分析算法二用于实现对感兴趣区域和不感兴趣区域实现不同精度的可以看出只有中间部分变得模糊(如在原图中很清晰的围巾的条纹不能分辨),而其他部分的细节信息仍然很清楚。(1)实验图像Figure4.(9)原始图像(2)实验代码Figure4.(10)压缩图像%显示图像实验结果显示：perf12=99.9784(3)实验分析由实验图像可知，全局压缩在一定的压缩程度内，可以得到可视化效果较好的压缩图像。算法四：基于Birge-Massart策略中经验系数的分层阈值压缩(1)实验图像能量成分999858%零系数成分49.8893%Figure4.(12)全局阈值压缩图像Figure4.(13)分层阈值压缩压缩图像(2)实验代码求得颜色映射表的长度，以便后面的转换用默认的方式求出图像的全局阈值8显示全局阈值系数号对图像做全局阈值用bior.3.5小波对图像进行3层分解指定Birge-Massart策略中的经验系数alpha=1.5;m=2.7*prod(s(1,:));。根据各层小波系数确定分层阈值8对原图像做分层阈值[xd1,cxd1,sxd1,perf01,perfl21]=wdencmp('Ivd',c,s,'bior3.5',3,thr1,'s')thr1figure(1);figure(2);image(wcodemat(xd,nbc));colormap(map);disp('全局压缩中置零的系数个数百分比';figure(3);image(wcodemat(xd1,nbc));colormap(map);disp('分层阈值压缩中置零的系数个数百分比');perfl21实验结果显示：全局阈值系数为：thr=4.0000thr1=47.343347.343347.343366.188166.188166.1881全局压缩中置0的系数个数百分比：perf0=49.8693全局压缩后图像剩余能量百分比：分层阈值压缩中置0的系数个数百分比：(3)实验分析该实验中，我同时使用了求默认阈值的ddencmp命令和基于经验基于小波包变换的图像压缩(1)实验图像Figure4.(14)原始图像Figure4.(15)小波包分解全局阈值化压缩图像(2P2123P1242R#RTER风86RkPapsFigure4.(16)最有小波树(2)实验代码。求颜色索引表长度nbc=size(map,1);。得到阈值系数，保留层数和小波树优化标准。通过以上得到的参数对图像进行压缩。更改索引表为pink索引表压缩后图像剩余能量百分比：(3)实验分析R,R,R,+1R,+1算法六：用jpeg2000标准实现图像压缩用jpeg2000对图像进行压缩处理的算法：首先将原图像的灰度值减去2m-1来进行图像的灰度级移动。然后可计算图像的每一行和每一列的小波变换，对图像的每一层的子带进行量化操作，子带b的系数ab(u,v)可利用公式得到量化值：量化步长△b对于无损压缩为1,对于有损压缩没有规定具体的计算规则，但是可以按照下面的方法进行：同，若RI是图像的位深则可以按照下图方式计算y,为能量权(energyweight),表示量化时变换系数产生的误差以及由此而引起的图像误差之间的关系，也就是变换系数的单位误差的平方差的和。编码处理的最后步骤是在比特平面的基础上对量化后的系数进行算术编码。(1)实验图像Figure4.(5)原始图像Figure4.(6)JPEG2000Figure4.(7)差异图像Figure4.(8)均方根误差直方图(2)实验代码8用JPEG2000实现图像压缩compressed_value=imratio(f,c1);计算图像压缩比figure,figure,实验结果显示：compressed_value图像均方根误差为：rms=3.9792(3)实验分析在这里涉及到两个核心函数分别是：im2jpeg2k和jpeg2k2im。前者实现的功能是将图像进行压缩编码得到一个结构体变量c1这里面含有图像编码的一些信息。而jpeg2k2im函数实现的功能是解码将显示重现图像。JPEG与JPEG2K的综合比较：(1)压缩图像比较Figure4.(9)原始图像Figure4.(12)JPEG差异图像Figure4.(13)JPEFigure4.(14)JPEG均方根误差直方图Figure4.(15)JPEG2000均方根误差直方图(2)压缩结果比较compressed_value=15.8664compressed_value=37.3318=2.6251rms=3.9792(3)综合比较分析为成熟的工业化标准，压缩效果和压缩后图像的可视化效果较算法是真正基于需求而进行的利用多种其他技术(特别是数据的编码和解码算法)的图像压缩算法。由此可见，利用小波分析进行的图像压缩基于小波图像压缩技术的算法研究(一)小波基的选择(1)小波基的正则性和消失矩(2)小波基的线性相位(3)所处理图像与小波基的相似性(4)小波函数的能量集中性(5)综合考虑压缩效率和计算复杂度程度。正则性对图像压缩有一定的影响，如果图像大部分是光滑的，(1)实验图像Figure4.(16)原始图像尺度为1时的低领图像Figure4.(17)Haar第一层压缩图像尺度为2时的低频图像2002Figure4.(18)sym8第一层压缩图像尺度为2时的低新图像50100150200250Figure4.(19)Haar第二层压缩图像Figure4.(20)sym8第二层压缩图像Figure4.(21)Haar第三层压缩图像Figure4.(22)sym8第三层压缩图像(2)实验代码gray=imread('cameraman.tif');subplot(2,2,1),image(wcodemat(A1,nbcol));colormap(map);title('尺度为1时的低频图像');subplot(2,2,2),image(wcodemat(H1,nbcol));colormap(map);subplot(2,2,3),image(wcodemat(V1*90,nbcol));colormap(map);subplot(2,2,4),image(wcodemat(D1*89,nbcol));colormap(map);figure(2)subplot(2,2,1),image(wcodemat(A2,nbcol));colormap(map);title('尺度为1时的低频图像');subplot(2,2,2),image(wcodemat(H2,nbcol));colormap(map);subplot(2,2,3),image(wcodemat(V2,nbcol));colormap(map);subplot(2,2,4),image(wcodemat(D2,nbcol));colormap(map);figure(3)subplot(2,2,1),image(wcodemat(A3,nbcol));colormap(map);title('尺度为1时的低频图像');subplot(2,2,2),image(wcodemat(H3,nbcol));colormap(map);subplot(2,2,3),image(wcodemat(V3,nbcol));colormap(map);subplot(2,2,4),image(wcodemat(D3,nbcol));colormap(map);gray=imread('cameraman.tif');[X,map]=gray2ind(gray);figure(4);figure(1)subplot(2,2,1),image(wcodemat(A1,nbcol));colormap(map);title('尺度为1时的低频图像');subplot(2,2,2),image(wcodemat(H1,nbcol));colormap(map);subplot(2,2,3),image(wcodemat(V1*90,nbcol));colormap(map);subplot(2,2,4),image(wcodemat(D1*89,nbcol));colormap(map);figure(2)subplot(2,2,1),image(wcodemat(A2,nbcol));colormap(map);title('尺度为1时的低频图像');subplot(2,2,2),image(wcodemat(H2,nbcol));colormap(map);subplot(2,2,3),image(wcodemat(V2,nbcol));colormap(map);subplot(2,2,4),image(wcodemat(D2,nbcol));colormap(map);figure(3)subplot(2,2,1),image(wcodemat(A3,nbcol));colormap(map);title('尺度为1时的低频图像');image(wcodemat(D3,nbcol));colormap(map);(3)实验分析(二)小波变换系数分析密度函数(PDF),小波变换后各子代概率密度函数可以通过统计方法逼近。资料表明，在高频子代，小波系数更符合广义高斯分布。下面的实验对小波系数分布理论进行了验证。(1)实验图像Figure4.(23)尺度为1时的系数分布Figure4.(24)尺度为2时的系数分布Figure4.(25)尺度为3时的系数分布(2)实验代码8%小波分解window=[77];Opname='mean2';IsIH1=IH1./(sigmlH1+.1^10);IsIV1=IV1./(sigmIV1+.1^10);IsID1=ID1./(sigmlD1+.1^10);IsIH2=IH2./(sigmlH2+.1^10);IsIV2=IV2./(sigmIV2+.1^10);IsID2=ID2./(sigmID2+.1^10);IsIH3=IH3./(sigmIH3+.1^10);IsIV3=IV3./(sigmIV3+.1^10);IsID3=ID3./(sigmID3+.1^10);Iss1=reshape(Isl11,S1(1)*S1(2),1);Iss2=reshape(IsIH1,S1(1)*S1(2),1);Iss3=reshape(IsIV1,S1(1)*S1(2),1);Iss4=reshape(IsID1,S1(1)*S1(2),1);S2=size(lsl21);Iss21=reshape(Isl21,S2(1)*S2(2),1);Iss22=reshape(IsIH2,S2(1)*S2(2),1);Iss23=reshape(IsIV2,S2(1)*S2(2),1);Iss24=reshape(IsID2,S2(1)*S2(2),1);S3=size(Isl31);title((b)尺度为1时的水平高频系数分布);subplot(2,2,3),histfit(Iss3);title((c)尺度为1时的垂直高频系数分布);尺度为2时的水平高频系数分布);histfit(lss31);尺度为3时的低频系数分布);尺度为3时的水平高频系数分布);histfit(lss33);(3)实验分析波对原图进行3次分解后得到的低频和高频图像。Figure4.(23)、figure4.(24)、figure4.(25)是对figure4.(18)、figure4.(20)、figure4.(22)所对应的小波系数的分差应该服从正态分布，小波系数的均值为零。Figure4.(23)、可以看出，在尺度为1的情况下，低通小波系数不服从正态分布而高实验五基于小波的盲数字水印(1)实验图像watermarkwatermarkFigure5.(1)原始图像Figure5.(2)水印图像Figure5.(3)嵌入水印图像Figure5.(4)提取水印图像高斯低通滤波高斯低通滤波旋转90度部分剪切旋转90度部分剪切Figure5.(5)水印图像进行攻击直接提取水印加入高斯白噪声提取水印高斯低通滤波提取水印5|JPEG压缩提取水印部分剪切提取水印旋转90度提取水印Figure5.(6)攻击后的图像提取水印(2)实验代码%攻击实验测试鲁棒性image1=image1+noise;M2=image2;image3=imread('watermarkedM3=image3;image4=imwtwm;image4(1:128,1:128)=256;M4=image4;image5=imwtwm;image5=imrotate(image5,90,'crop');image5=mat2gray(image5);M5=image5;M6=imwtwmsubplot(2,3,1),subplot(2,3,2),subplot(2,3,3),subplot(2,3,4),subplot(2,3,5),subplot(2,3,6),figure(6),wmext1=wmextract(imwtwm,0.2,2);wmext2=wmextract(image1,0.2,2);wmext3=wmextract(image2,0.2,2);wmext4=wmextract(image3,0.2,2);wmext5=wmextract(image4,0.2,2);wmext6=wmextract(image5,0.2,2);subplot(2,3,1),imshow(wmext1),title('直接提取水印);subplot(2,3,2),imshow(wmext2),title('加入高斯白噪声提取水印')subplot(2,3,3),(3)实验分析1.用Daubechies双正交9/7小波对图像进行3级分解。得到低频分量的小波系数f(LL3,x,y)、水平分量小波系数f(HLn,x,y)和对角分量小波系数f(HHn,x,y),n=1,2,32.文字水印信息用置乱算法进行置乱(对水印图像进行加密)3.将置乱后的文字水印w(x,y)一级小波分解：低频分量小波系数w(LL,x,y)水平分量小波系数w(LH,x,y)垂直分量小波系数w(HL,x,y)对角分量小波系数w(HH,x,y)4.对小波变化后的原始图像的第二级的高频子带和第三级高频F’(x,y)=F(x,y)+aw(x,y)原始图像(x,y)的位置上嵌入的水印小波系数值1.对嵌入水印图像f’(x,y)进行三级小波分解，得到低频分量小波系数f’(HLn,x,y)对角分量小波系数f’(HHn,x,y),n=1,2,3同理对原始图像f(x,y)进行3级小波分解2.对小波变化后的含水印图像和原始图像进行提取算法处理：w(x,y)=(F’(x,y)-F(x,y))/a波系数4.将上一步得到的水印信息进行逆置乱变换(即解密),得到提取作为实验的拓展部分，我用5种方法对嵌入水印后的图像进行了NontensorProductWaveletFilterBanks[J].IEEETransactionsonimageprocessing,VOL.19,NO.12,2010.3271-3284MISIFigure5.(7)原始图像Figure5.(8)水印图像旋转90度旋转90度Figure5.(10)水印图像进行攻击加入高斯白噪声提取水印高斯低通滤波提取水印加入高斯白噪声提取水印高斯低通滤波提取水印L部分剪切提取水印部分剪切提取水印clearl=imread('watermarkjpg);T=graythresh(I);l=im2bw(I,T);figure(1),diml=size(I);rm=diml(1);cm=diml(2);alpha=50;k1=randn(1,8)k2=randn(1,8);aO=imread('lena.jpg');aO=rgb2gray(a0);pnsr_cover=double(a0);figure(2),[r,c]=size(a0);cdaO=blkproc(a0,[8,8],'dct2');cda1=cda0;fori=1:rmforj=1:cmx=(i-1)*8;y=(j-1)*8;elsek=k2:endcda1(x+1,y+8)=cda0(x+1,y+8)+alpha*k(1)cda1(x+2,y+7)=cda0(x+2,y+7)+alpha*k(2);cda1(x+3,y+6)=cda0(x+3,y+6)+alpha*k(3);cda1(x+4,y+5)=cda0(x+4,y+5)+alpha*k(4);cda1(x+5,y+4)=cda0(x+5,y+4)+alpha*k(5);cda1(x+6,y+3)=cda0(x+6,y+3)+alpha*k(6);cda1(x+7,y+2)=cda0(x+7,y+2)+alpha*k(7);cda1(x+8,y+1)=cda0(x+8,y+1)+alpha*k(8);%5旋转90度%start_time=cuptime;image1=ima