鲁棒的高容量音频信息隐藏算法下载

weixin_39821526 2019-07-21 12:30:27
提出一种音频信息隐藏算法,该算法利用CDMA扩谱方法对秘密信息进行预处理,使用离散小波变换获得掩护声音的近似系数,
将秘密信息嵌入到近似系数的离散余弦变换中频部分。实验结果表明该算法具有较高的信息隐藏容量和较强的鲁棒性,能抵抗幅值规范化、
滤波、失真、消噪及其部分组合攻击。
相关下载链接://download.csdn.net/download/a116509572/3550518?utm_source=bbsseo
...全文
8 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
计算机运算速度和存储容量的不断提高,网络技术、数字化技术的迅猛发展,使得图像、视频、音频、三维图形等多媒体信息日益丰富,其传播日益容易。目前,几乎所有人类知识都可以数字化并在网络上传播。然而,大量的媒体信息鱼目混杂,基于互联网的信息盗版十分猖撅,如何规范互联网信息的传播秩序?如何约束信息源的非法传播?本文研究海量环境中的多媒体信息安全、多媒体盲水印的嵌入和提取、基于视觉特征的视频水印技术以及音频水印技术研究。主要完成如下工作: 1.提出了一个面向搜索引擎的海量多媒体信息安全系统结构,并给出了原型系统实现。目前无处不在的搜索引擎是多媒体盗版和非法传播的主要途径,本方案通过基于数字水印技术的互联网信息发布、面向搜索引擎的海量多媒体监控、和海量信息安全认证三个部分创建一个中央权威机构。将传统水印技术和搜索引擎技术相结合,通过创建中央权威认证库、海量多媒体信息特征库、海量多媒体源数据库以及引擎跟踪数据库,对基于搜索引擎的海量信息传播行为进行监督。通过提供明确的非法信息来源来约束搜索引擎对非法信息的传播,并为正版多媒体信息通过搜索引擎的有偿传播提供了一条新的路径,为搜索引擎的信息传播行为开辟了一个新的方向。 2.实现了一个面向搜索引擎的海量多媒体信息监控系统,统采用Tracker和Crawlers分工合作的方式,使海量多媒体的监控的系统复杂度大大降低。系统通过人工规则设,区域划分,搜集本地化实现面向引擎的海量信息跟踪与监控。 3.提出了一个多媒体盲水印技术以实现上述普遍适用的音、视频水印算法。针对传统盲水印算法的不足,结合海量应用对水印技术的基本要求,提出了能量跨度函数来实现盲水印嵌入。以此为基础,根据零水印技术的基本原理并利用媒体信息的丰富特征,给出了一个适合于多媒体水印技术海量应用的盲水印嵌入和提取模型。实验结果表明,该模型具有很高的可行性,针对海量的多媒体信息处理,这一模型具备较高的使用价值。 4.提出了一个基于特征建模的自适应视频水印算法。该算法根据人类视觉系统(HvS)特性,对DCT子块进行特征分类。将分类得到的视频帧纹理、亮度、边缘信息以及运动特征来计算水印嵌入的伪装系数,实现了水印嵌入自适应于视频的视觉特征;针对视频数据的海量应用,考虑算法鲁棒性需求,提出了一个独立于视觉特征的统计模型。该统计模型进一步细化视觉伪装模型所描述的子块之间的特征差异。实验结果表明该算法具有很好的视觉透明性和稳健性。 5.针对目前互联网上广泛流行的MP3音频数据格式,提出了一种鲁棒音频水印算法,该算法利用音频中节奏和节拍这两个特征,根据音频节拍切分原理对音频进行切分,把水印嵌入在音频高变调区域;利用SNR反向推导理论,根据音频特征动态嵌入水印。具有普遍意义的反向推导理论使得算法具备普遍性,实验结果表明算法具有较高的鲁棒性和抗时间攻击性。 6.系统实现。对上述的面向搜索引擎的海量多媒体保护方案,本文给出了详细的系统创建流程,并给出了简单的系统原型实现。
我们很容易掌握AI深度学习。让机器能够模仿人脑的思考方式,从而摆脱原来的固有数据库比较的限制。深度学习的发展课件:链接:https://pan.baidu.com/s/1Ck4GN9N0OCzQgH0MxZOqeQ 提取码:b74k随着机器学习, 深度学习的发展,很多人眼很难去直接量化的特征, 深度学习可以搞定, 这就是深度学习带给我们的优点和前所未有的吸引力。很多特征我们通过传统算法无法量化,或者说很难去做到的, 深度学习可以搞定。特别是在图像分类, 目标检测这些问题上取得了显著的提升。下图是近几年来深度学习在图像分类问题上取得的成绩。●   机器视觉缺陷检测的痛点●   仍存在下面主要的问题和难点 1) 受环境、光照、生产工艺和噪声等多重因素影响,检测系统的信噪比一般较低,微弱信号难以检出或不能与噪声有效区分。如何构建稳定、可靠、鲁棒的检测系统,以适应光照变化、噪声以及其他外界不良环境的干扰,是要解决的问题之一。 2) 由于检测对象多样、表面缺陷种类繁多、形态多样、复杂背景,对于众多缺陷类型产生的机理以及其外在表现形式之间的关系尚不明确,致使对缺陷的描述不充分,缺陷的特征提取有效性不高,缺陷目标分割困难;同时,很难找到“标准”图像作为参照,这给缺陷的检测和分类带来困难,造成识别率尚有待提高。 3) 机器视觉表面缺陷检测,特别是在线检测,其特点是数据量庞大、冗余信息多、特征空间维度高,同时考虑到真正的机器视觉面对的对象和问题的多样性,从海量数据中提取有限缺陷信息的算法能力不足,实时性不高。 4) 与机器视觉表面检测密切相关的人工智能理论虽然得到了很大的发展,但如何模拟人类大脑的信息处理功能去构建智能机器视觉系统还需要理论上的进一步研究,如何更好的基于生物视觉认识、指导机器视觉得检测也是研究人员的难点之一。 5) 从机器视觉表面检测的准确性方面来看,尽管一系列优秀的算法不断出现,但在实际应用中准确率仍然与满足实际应用的需求尚有一定差距,如何解决准确识别与模糊特征之间、实时性与准确性之间的矛盾仍然是目前的难点。 传统算法在某些特定的应用中已经取得了较好的效果,但仍然存在许多不足。例如:图像预处理步骤繁多且具有强烈的针对性,鲁棒性差;多种算法计算量惊人且无法精确的检测缺陷的大小和形状。而深度学习可以直接通过学习数据更新参数,避免了人工设计复杂的算法流程,并且有着极高的鲁棒性和精度。

12,694

社区成员

发帖
与我相关
我的任务
社区描述
CSDN 下载资源悬赏专区
其他 技术论坛(原bbs)
社区管理员
  • 下载资源悬赏专区社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧