毕设论文__数字音频水印系统的设计与实现(编辑修改稿)

毕设论文__数字音频水印系统的设计与实现(编辑修改稿)内容摘要：

（）它的基exp（jwt）是一组正交基，傅氏变换体现的是一种全局变换，有着实际的物理意义。 傅氏变换实现了时域和频域的转换，可以使很多在时域难以分清和解决的问题在频域里一目了然的解决掉。 尽管傅氏变换实现了信号时域特性和频域特性的联系，但是却没能把二者有机的结合起来。 由于傅氏变换是整个时域内的积分，所以缺失了局部化分析信号的功能，由此导致了傅里叶分析只能分析信号在整个时域的频谱。 但是，信号的非平稳特性是在局部体现的，所以为了克服傅氏变换的这一缺点，只能进一步寻求更好的解决方法。 那么，短时傅里叶变换和小波变换就是在这样的一种情形下产生的。 短时傅里叶变换短时傅里叶变换（STFT）是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。 它的思想是：选择一个时频局部化的窗函数，假定分析窗函数g(t)在一个短时间间隔内是平稳（伪平稳）的，移动窗函数，使f(t)g(t)在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。 短时傅里叶变换使用一个固定的窗函数，窗函数一旦确定了以后，其形状就不再发生改变，短时傅里叶变换的分辨率也就确定了。 如果要改变分辨率，则需要重新选择窗函数。 其定义为： SFω,τ=∞+∞ftg(tτ)ejωtdt () ft=12π∞+∞∞+∞SFω,τg(τt)ejωtdωdt ()但是，通过实验表明短时傅里叶变换用来分析分段平稳信号或者近似平稳信号犹可，但是对于非平稳信号，当信号变化剧烈时，要求窗函数有较高的时间分辨率，而波形变化比较平缓的时刻，主要是低频信号，则要求窗函数有较高的频率分辨率。 所以，短时傅里叶变换不能兼顾频率与时间分辨率的需求。 这也就从另一个侧面说明了短时傅里叶变换窗函数的时间与频率分辨率不能同时达到最优。 因此，为了寻求更好的解决方法，小波变换就产生了。 小波变换小波变换的由来传统的信号理论，是建立在Fourier分析基础上的，而Fourier变换作为一种全局性的变化，其有一定的局限性。 在实际应用中人们开始对Fourier变换进行各种改进，小波分析由此产生了。 小波分析是一种新兴的数学分支，它是泛函数、Fourier分析、调和分析、数值分析的最完美的结晶。 小波变换与Fourier变换相比，是一个时间和频域的局域变换因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了Fourier变换不能解决的许多困难问题。 小波变换的数学基础是19世纪的傅里叶变换。 1985年。 1988年，使得离散小波分析成为可能。 ，统一了在此之前的各种构造小波的方法，特别是提出了二进小波变换的快速算法，使得小波变换完全走向实用性。 DWT变换理论小波分析的基本思想是用一族函数去表示或逼近一个信号或函数，这一族函数称为小波函数系，它是通过一个基本小波函数在不同尺度上的平移和伸缩构成的。 小波函数系表示的特点是它的时宽、带宽乘积很小，而且在时间和频率轴上都很集中。 但一般信号经过连续小波变换后，常常冗余量很大，不利于利用计算机处理，因此导致计算机计算速度慢，效率低。 因此在实际应用中，常使用的是小波变换的离散形式，即离散小波变换（DWT）。 信号的连续小波变换， Wf(a,b)=f,ψa,b(x)=1√aRftψtbadt ()式中, a、b和都是连续不变量。 所以为了实现在计算机上进行小波变换，相应的算式中a、b也应取离散值。 另一方面从减少信息冗余量的的角度分析,a、b也没有必要选取连续值。 现阶段常采用的方法是对尺度a按幂级数进行离散化，即让尺度a=a0j, j=1,2,3,..,N。 尺度扩大a0j倍时，意味着频率降低a0j倍。 另外也将时间位移进行a0j倍离散，即沿时间轴以a0j为间隔作均匀采样，然后根据那奎斯特采样定理，这样仍然可以不丢失信息。 现假定离散是二进制离散，即令，，令，为时间采样间隔。 此时，小波函数序列可以表示为： Ψj,kt=2j2Ψ2jk j,kϵZ ()对信号的离散小波变换（DWT）可表示为： Wfj,k=f,Ψj,k=Rf(t)*Ψ*j,k(t)dt ()如果，则可称系数的集合为函数的离散小波变换。 小波变换的特点小波分析作为一种时间尺度分析方法，已经在信号处理、模式识别、地球物理等工程领域取得了很好的应用效果。 在数字水印和信息隐藏中，已经出现不少优秀的基于小波变换的算法，并且多数要优于相同条件下基于DFT、DCT等传统频域变换的算法。 它的优势和特点体现在：（1）同时具有时域、频域的局部化信息。 小波分析既具有傅里叶分析的频域处理能力，同时又弥补了传统傅里叶分析无时域局部化信息的致命弱点，能够完美的胜任语音的非平稳信号处理。 一般在小波变换域嵌入水印，可以充分利用小波变换的时频局部化特性，在音频信号中嵌入尽可能高强度的水印信号。 （2）小波变换具有多分辨率，也叫多尺度的特点，可以对人耳听觉系统进行更好的模拟。 它可以把信号分成独立的子带进行独立的处理，相对离散余弦变换这种方法更接近模拟人耳听觉系统。 （3）具有灵活多样的基函数。 使用不同的基函数可以得到不同的特征提取，所以对于复杂性的语音信号，它提供了灵活多样的处理方式。 （4）具有快速算法，方便利用软件实现。 通过上述的几个小波变换的特点，再结合人耳的听觉掩蔽特性。 可以先对原始的音频信号进行小波分解，然后在原始音频信号的小波分解系数上加入相应的水印小波分解系数，最后经过小波重构生成含有水印信息的音频信号。 应用这种算法可以最大限度地隐藏信息而不容易被感觉到，并且计算量相对较少。 DWT小波变换克服了短时傅里叶变换的时间分辨率和频率分辨率在整个时频平面上固定不变的缺点，将时间轴和频率轴做非均匀划分。 时频分辨率随频率而变化，在低频段用高的频率分辨率和低的时间分辨率（宽的分析窗口），而在高频段则用低的频率分辨率和高的时间分辨率（窄的分析窗口），这种时频特性非常适合用于对音频信号的分析和处理。 本章小结小波分析是一门新兴理论，它克服了传统傅里叶分析的不足，在时域和频域都有良好的局部化特性，因此在数字水印技术研究中被广泛采用。 本章主要介绍了小波分析的基础知识，描述了小波分析的定义，讨论了小波分析的特点，比较了小波分析与传统的傅里叶变换分析的异同，由此引出了一种基于DWT的音频水印技术。 第4章 基于离散小波变换的数字音频水印算法与传统的傅里叶变换相比，小波变换是一个时间和频率的局部变换，具有很好的局部化特性。 它的出现，对工程技术产生了深远的影响。 小波变换能对函数或信号进行多尺度细化分析，解决了傅里叶变换不能解决的许多困难问题，目前小波变换已经广泛应用于数字信号处理领域，是数字信号处理很实用且有效的手段。 离散小波变换数字音频水印技术因为小波域嵌入水印具有良好的稳健性，所以对于音频信号这样的时变信号，小波变换非常适合。 一般常用的基于小波变换的数字音频水印嵌入与提取的算法步骤如下：（1）水印嵌入算法：第一，对原始音频信号进行L级小波分解，得到不同级别分辨率下的细节分量和逼近分量，对逼近分量予以保留，而对细节分量进行后面的处理；第二，对待嵌入的水印信息进行一级分解，得到N个细节分量和逼近分量；第三，对原始信号小波变换后的部分细节分量进行水印嵌入处理： （）其中用来控制水印嵌入强度，其值大，嵌入水印信号强度大，受攻击时鲁棒性好，但对原始信号影响大；其值小，嵌入水印信号弱，不易被察觉，但抵抗干扰能力差。 第四，对嵌入水印后的音频段和逼近分量进行小波重构，得到含水印信号的音频信号。 （2）水印提取算法为：第一，对待检测的音频信号进行等同于嵌入步骤的小波变换；第二，对第级的细节分量，利用原始语音信号找到隐藏了个随机数的位置，求出；第三，求与的相关数据，从这个相关数据中就可以判断是不是有正确的水印信号存在。 第四，通过相关数据，提取水印信息。 通过上述的步骤可以看出，所选用的算法简单易行，很好的利用了小波变换快速、简单的特点，并且因为水印信号隐藏在信号第级的细节分量中，所以它的抗干扰能力比较强。 由于信号处理大多影响的是音频信号的低频部分，所以即使水印信号受到影响，还是可以检测出它的存在的。 数字音频水印嵌入算法为了寻求满足安全可靠性，不易察觉性，鲁棒性等诸多条件约束下的最优化设计，通常需要考虑嵌入信息的预处理，嵌入点的选择，嵌入方式的设计等诸多技术环节。 首先要选取合适的小波基来确定水印嵌入的稳健性，然后再根据人耳听觉系统特性来提高水印稳健性。 一般在满足不可感知的前提下，尽可能提高局部嵌入水印的强度。 因为水印嵌入可看作是在一个强信号下叠加一个弱信号，根据人耳听觉系统的掩蔽特性，背景信号越强，嵌入信号的可听性检测门限阈值就越高。 因此只要叠加信号的幅值低于人类听觉系统的听觉门限阈值，人耳听觉系统就无法感觉到水印信息的存在。 ： 人耳听觉掩蔽曲线由上图可见，音频信号因掩蔽曲线之下的其他频带信号都被掩蔽起来，即使其能量已超越人耳绝对阈值曲线仍然无法被人耳察觉。 下面是基于离散小波变换的数字音频水印嵌入算法的原理框图。 原始音频信号预处理分段DWT变换二值水印降维嵌入水印DWT小波逆变换水印音频信号 水印嵌入原理框图 数字音频信号预处理在音频信息的通信传输过程中，不可避免的要受到外界环境的噪声干扰，所以说在音频信号处理中，必须要降低背景噪声以提高音频质量。 所以，从含有噪声的音频信号中滤除噪声提高音频信号的信噪比显得非常重要。 在频域，传统的傅里叶变换可以通过时不变滤波方法将信号和噪声区分开，但是当音频信号和噪声信息发生重叠时，这种方法就无能为力了。 于是，用小波变化来处理信号降噪就凸现出来。 我们一般将一个含有噪声的一维信号表示为如下形式： sk=fk+ε∙ek, k=0,1,2,3,…,n1 （）其中，s(k)为含噪信号,f(k)为原始有用信号，e(k)为噪声信号。 通常表现为高频噪声信号，而原始音频信号f(k)通常为低频信号或者是一些比较平稳的信号。 所以，可以先对含噪信号进行小波分解，将包含在较高频率的细节中的噪声信号通过利用门限阈值等形式对所分解的小波系数进行修改和处理，然后再对信号进行小波重构即可实现对含噪音频信号降噪的目的。 水印图像的预处理我们知道目前常用作数字水印的数字信息大体有两类，一种是向专门的版权保护部门登记并申请得到一个版权ID号，该ID号是一串足够长的数字码，足以保证申请的ID号是全世界唯一的。 另外一种就是本文使用的数字图像，用图像来表明数字产品的版权信息。 将二者相比较，会发现数字图像水印的鲁棒性要远远的好于第一种。 因为，不难发现第一种数字水印只要有一个比特发生错误，整个水印系统的效果就会大打折扣。 第二种是根据人眼的分辨率有限的特点，即使有一些Bit发生错误或移位，也不会彻底影响图像的质量。 因此，本文选取数字图像作为水印嵌入音频水印系统。 选取像素点为64*64的位图，可表示为： W={w(i,j),0≤i≤M1,0≤j≤M2}, （）其中，M1=M2=64，w(i, j)∈{0,1}通过上面的介绍我们知道，音频信号是一维的，所以要想把图像水印嵌入其中，必须先把二维的二值图像进行降维处理，把它转化为一维的序列：表达式为： V={v(k)=w(i, j),k=iM2+j , 0≤i≤M1,0≤j≤M2} （） 小波基的选取和水印嵌入点的选择我们知道，选择小波函数时需要考虑小波的正交性、紧支集和消失矩。 消失矩越大，它的支撑长度就越大，对应的滤波器就越平坦，同时也决定小波逼近光滑信号的能力越强。 小波的支集长度对应滤波器的拍数，直接决定着小波变换的计算量。 集越长则尺度函数越光滑，频带间的相干性越小，频率分辨率越高。 通过小波分析及应用的学习，我们知道，Haar小波是紧支集的但是不连续，样条小波是连续的，但是它的正交尺度函数在趋于无穷时衰减很快。 于是，根据上述各方面因素，本文最后选取Daubechies小波，它具有高阶消失矩、紧支集和正交性。 在Matlab语言中记为DbN，N为小波的序号，N的取值为2，3，…，10。 综合考虑时频分辨率和运算量，本文选取支集长度为20具有10阶消失矩的Daubechies4小波基对音频信号进行分解。 下面是数字音频信号三级小波分解的原理框图。 WCA1CD1CA2CD2CA3CD3 数字音频信号三级小波分解从上面的小波分解原理框图可以看出，DWT小波变换是将输入信号进行双通道滤波，即将原始音频信号W进行低通滤波，输出原始信号和逼近信号。 然后经过第一次离散小波变换，原始音频信号W被分解为低频部分CA1和高频部分CD1，接着进行第二次离散小波变换，低频部分CA1又被分解为低频部分CA2和高频部分CD2，同样道理，再将低频部分CA2分解为低频部分CA3和高频部分CA3。 所以，将。