小波变换及信息隐藏.ppt

信息隐藏问题 Fourier定理告诉我们： 一个周期函数总可被正弦函数和余弦函数表示出。 四个不同频率的基本波复合成一个波； 高频，低频； 小波(wavelet)是什么？ 在有限时间范围内变化且其平均值为零的数学函数 具有有限的持续时间和突变的频率和振幅 在有限的时间范围内，它的平均值等于零 1909: Alfred Haar Alfred Haar对在函数空间中寻找一个与傅立叶类似的基非常感兴趣。1909年他发现并使用了小波，后来被命名为哈尔小波(Haar wavelets) 1980：Morlet 20世纪70年代，在法国石油公司工作的年轻地球物理学家Jean Morlet提出小波变换 (wavelet transform)的概念。 20世纪80年代, 开发了连续小波变换 1986：Y.Meyer 法国科学家Y.Meyer与其同事创造性地构造出具有一定衰减性的光滑函数，用于分析函数。用缩放与平移均为2 j(j≥0的整数)的倍数构造了L2(R)空间的规范正交基，使小波分析得到发展。 1988：Mallat算法 法国科学家Stephane Mallat提出多分辨率概念，从空间上形象说明小波的多分辨率的特性，并提出了正交小波的构造方法和快速算法，称为Mallat算法。 小波变换目的是获得时间和频率域之间的相互关系 小波变换——对一个函数在空间和时间上进行局部化的一种数学变换 1.通过平移母小波(mother wavelet)获得信号的时间信息。通过缩放母小波的宽度(或称尺度)获得信号的频率特性 2.对母小波的平移和缩放操作是为计算小波的系数，这些系数代表局部信号和小波之间的相互关系 傅立叶变换：提供了频率域的信息，但丢失了时间域的局部化信息 小波分析中常用的三个基本概念：连续小波变换、离散小波变换、小波重构 连续小波变换(continuous wavelet transform，CWT) 傅立叶分析 用一系列不同频率的正弦波表示一个信号 一系列不同频率的正弦波是傅立叶变换的基函数 小波分析 用母小波通过移位和缩放后得到的一系列小波表示一个信号 一系列小波可用作表示一些函数的基函数 凡能用傅立叶分析的函数都可用小波分析 小波变换可理解为用经过缩放和平移的一系列函数代替傅立叶变换用的正弦波 用不规则的小波分析变化激烈的信号比用平滑的正弦波更有效，或者说对信号的基本特性描述得更好 CWT的变换过程示例，可分5步： 小波ψ (t)和原始信号f(t)的开始部分进行比较 计算系数C——该部分信号与小波的近似程度；C值越高表示信号与小波相似程度越高 小波右移k得到的小波函数为ψ (t-k) ，然后重复步骤1和2，……直到信号结束 扩展小波，如扩展一倍，得到的小波函数为ψ (t/2) 重复步骤1~4 1 原始图像 2 水印图像 3 加入水印后的图像 p = [0:0.05:4];%共10个 t = sin(pi*p);%也是10个 figure(1);plot(p, t, b-),xlabel(时间);ylabel(输入信号); net = newff(minmax(p),[10,1],{tansig,purelin},trainlm); net.trainParam.lr=0.05; net.trainParam.epochs=300; net.trainParam.goal=1e-5; [net,tr]=train(net,p,t); p1=4; y2 = sim(net,p1); %plot(p, t, b-, p, y2, r--) y2%-0.0063 BP神经网络用于模式识别 p=[1 2 3 4; 5 6 7 8]; %输入 一共四组，每组两个 t=[ 3 7 11 15]; %教师输出只输出1个值，对应输入的2个 net=newff(p,t,{10,10},{tansig,tansig}，trainlm); %创建名为net的bp网络 %newff(输入，输出，{隐层节点，隐层节点。。。有几层设几个}，{‘传输 函数’，‘传输函数’。。。有几层设几个}，训练函数) net.trainParam.goal = 0.00001; %设置精确度 net.trainParam.epochs = 5000; %设置步长 [net,tr] = train(net,p,t); %训练开始 %训练完以后，可以进行模拟，比如 p=[1 5]‘; a=sim(net,p) BP神经网络用于模式识别 %将每个数字进行数字化处理 number0 = [0 1 1 1 0,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,0 1 1 1 0]; number15 =