matlab学习(二)(4.2-4.8)

2024-04-06 02:20
文章标签 matlab 学习 4.2 4.8

本文主要是介绍matlab学习(二)(4.2-4.8),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、DCT变换原理

        (1)DCT的基本原理是将实数信号转换为频域表示,离散余弦变换(DCT)是一种将实数函数转换为余弦函数的方法。它的基本原理是将实偶函数的离散傅立叶变换(DFT)简化,使得变换过程中只包含实数运算。在图像处理等领域,DCT可以有效地将图像中的高频和低频信息分离开来,从而达到压缩和增强的效果。

        (2)基于DCT的数字水印嵌入步骤:对原始图像进行DCT变换。这将把图像从空间域转换到频域。通常,我们将图像分成8x8的块,然后对每个块进行DCT变换。在DCT变换后,我们选择适当的位置来嵌入水印信息。通常,我们会选择高频系数,因为它们对图像的视觉质量影响较小。将水印信息嵌入到选定的DCT系数中。这可以通过微小地改变这些系数来实现。嵌入的水印信息可以是二值化的灰度图像。对嵌入水印后的图像进行逆DCT变换,以得到带有水印的图像。

        (3)基于离散余弦变换(DCT)的图像置乱步骤如下:
                1、分割:首先将图像分割成8x8或16x16的小块。
                2、DCT变换:对每个小块进行DCT变换。具体来说,对于N×N大小的256灰度级的宿主图像I进行N×N二维离散余弦变换(DCT)。以ZigZag方式对于DCT变换后的图像频率系数重新排列成一维向量 Y= {y1, y2,…yN×N}。
                3、置乱:对DCT变换后的系数进行置乱。置乱的方式可以根据具体的应用需求来确定,例如可以使用Arnold变换。
                4、逆DCT变换:对置乱后的DCT系数进行逆DCT变换,得到置乱后的图像。

        (4)基于离散余弦变换(DCT)的图像置乱后的还原步骤如下:
                1、读取置乱图像:首先,我们需要读取要进行还原的置乱图像。
                2、分割:将置乱图像分割成8x8或16x16的小块。
                3、DCT变换:对每个小块进行DCT变换。具体来说,对于N×N大小的256灰度级的宿主图像I进行N×N二维离散余弦变换(DCT)。以ZigZag方式对于DCT变换后的图像频率系数重新排列成一维向量 Y= {y1, y2,…yN×N}。
                4、反置乱:对DCT变换后的系数进行反置乱。反置乱的方式需要和置乱时使用的方式相同,例如如果置乱时使用的是Arnold变换,那么反置乱时也需要使用Arnold反变换。
                5、逆DCT变换:对反置乱后的DCT系数进行逆DCT变换,得到还原后的图像。

1、DCT变换方法实现图片的置乱及置乱后的图片恢复

% 读取图像
img = imread('test3.jpg');
% 确保图像是灰度图
if size(img, 3) == 3img = rgb2gray(img);
end% 获取图像的大小
[N, M] = size(img);% 对图像进行DCT变换
dct_img = dct2(img);% 创建一个随机置乱矩阵
rng(1); % 设置随机数生成器的种子以确保结果的可重复性
P = randperm(N);% 使用置乱矩阵对DCT变换后的图像进行置乱
dct_img_permuted = dct_img(P, P);% 对置乱后的图像进行逆DCT变换
img_permuted = uint8(idct2(dct_img_permuted));% 保存置乱后的图像
imwrite(img_permuted, 'permuted_image.jpg');% 对置乱后的图像进行DCT变换
dct_img_permuted = dct2(img_permuted);% 创建一个反置乱矩阵
P_inv(P) = 1:N; % 创建反置乱矩阵% 使用反置乱矩阵对DCT变换后的图像进行反置乱
dct_img_recovered = dct_img_permuted(P_inv, P_inv);% 对反置乱后的图像进行逆DCT变换
img_recovered = uint8(idct2(dct_img_recovered));% 保存恢复后的图像
imwrite(img_recovered, 'recovered_image.jpg');

二、DWT变换原理

        (1)离散小波变换是一种信号处理技术,它将连续的信号分解为不同频率的子带信号,以便更好地分析和处理信号。离散小波变换则是在离散的时间或空间域上对信号进行变换。离散化后的小波变换具有更好的实时性和稳定性。

        1、将原始信号进行低通滤波和高通滤波,得到两个子信号,即近似系数和细节系数;
        2、对近似系数进行递归分解,得到若干个尺度下的近似系数和细节系数;
        3、通过对细节系数进行递归分解,得到若干个尺度下的细节系数;
        4、重构原始信号时,将不同尺度的近似系数和细节系数进行合并,得到重构后的信号。

        (2)基于离散小波变换(DWT)的图像置乱步骤如下:
                1、读取原始图像:首先,我们需要读取要进行置乱的原始图像。
                2、DWT变换:对原始图像进行DWT变换,将图像分解为不同频率的子带。这一步通常会得到四个子图,分别代表低频近似(LL)、水平细节(LH)、垂直细节(HL)和对角线细节(HH)。
                3、置乱:对DWT变换后的系数进行置乱。置乱的方式可以根据具体的应用需求来确定,例如可以使用Arnold变换。
                4、逆DWT变换:对置乱后的DWT系数进行逆DWT变换,得到置乱后的图像。

        (3)基于离散小波变换(DWT)的图像置乱后的还原步骤如下:
                1、读取置乱图像:首先,我们需要读取要进行还原的置乱图像。
                2、分割:将置乱图像分割成8x8或16x16的小块。
                3、DWT变换:对每个小块进行DWT变换。具体来说,对于N×N大小的256灰度级的宿主图像I进行N×N二维离散小波变换(DWT)。以ZigZag方式对于DWT变换后的图像频率系数重新排列成一维向量 Y= {y1, y2,…yN×N}。
                4、反置乱:对DWT变换后的系数进行反置乱。反置乱的方式需要和置乱时使用的方式相同,例如如果置乱时使用的是Arnold变换,那么反置乱时也需要使用Arnold反变换。
                5、逆DWT变换:对反置乱后的DWT系数进行逆DWT变换,得到还原后的图像。

2、DWT变换方法实现图片的置乱及置乱后的图片恢复

% 读取图像
img = imread('test4.jpg');% 获取图像的大小
[N, M, C] = size(img);% 对图像的每个通道进行DWT变换
dwt_img = zeros(N, M, C);
for c = 1:C[cA,cH,cV,cD] = dwt2(img(:,:,c),'haar');dwt_img(:,:,c) = [cA, cH; cV, cD];
end% 创建一个随机置乱矩阵
rng(1); % 设置随机数生成器的种子以确保结果的可重复性
P = randperm(N);% 使用置乱矩阵对DWT变换后的图像进行置乱
dwt_img_permuted = dwt_img(P, P, :);% 对置乱后的图像进行逆DWT变换
img_permuted = zeros(N, M, C);
for c = 1:Cimg_permuted(:,:,c) = idwt2(dwt_img_permuted(1:N/2,1:M/2,c), dwt_img_permuted(1:N/2,M/2+1:M,c), dwt_img_permuted(N/2+1:N,1:M/2,c), dwt_img_permuted(N/2+1:N,M/2+1:M,c), 'haar');
end
img_permuted = uint8(img_permuted);% 保存置乱后的图像
imwrite(img_permuted, 'permuted_image.jpg');% 创建一个反置乱矩阵
P_inv(P) = 1:N; % 创建反置乱矩阵% 使用反置乱矩阵对DWT变换后的图像进行反置乱
dwt_img_recovered = dwt_img_permuted(P_inv, P_inv, :);% 对反置乱后的图像进行逆DWT变换
img_recovered = zeros(N, M, C);
for c = 1:Cimg_recovered(:,:,c) = idwt2(dwt_img_recovered(1:N/2,1:M/2,c), dwt_img_recovered(1:N/2,M/2+1:M,c), dwt_img_recovered(N/2+1:N,1:M/2,c), dwt_img_recovered(N/2+1:N,M/2+1:M,c), 'haar');
end
img_recovered = uint8(img_recovered);% 保存恢复后的图像
imwrite(img_recovered, 'recovered_image.jpg');

三、matlab中的直方图

        在matlab中,直方图是一种显示图像中强度分布的图,用于表示一幅图像中各个像素强度值的频率。它将数据分组为一系列的数据区间,并以条形的方式展示每个数据区间中的数据数量。

3、在matlab中生成彩色图像直方图

% 读取图像
img = imread('test5.jpg'); % 请将 'your_image.jpg' 替换为您的图像文件名% 将图像转换为灰度图像
img_gray = rgb2gray(img);% 计算直方图
[counts, bins] = imhist(img_gray);% 绘制直方图
figure;
bar(bins, counts);
title('Histogram of Image(图像的直方图)');
xlabel('Pixel Intensity(像素强度)');
ylabel('Frequency(频率)');% 保存直方图
saveas(gcf, 'histogram.png'); % 将 'histogram.png' 替换为您想要的输出文件名

这篇关于matlab学习(二)(4.2-4.8)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/878759

相关文章

Go学习记录之runtime包深入解析

《Go学习记录之runtime包深入解析》Go语言runtime包管理运行时环境,涵盖goroutine调度、内存分配、垃圾回收、类型信息等核心功能,:本文主要介绍Go学习记录之runtime包的... 目录前言:一、runtime包内容学习1、作用:① Goroutine和并发控制:② 垃圾回收:③ 栈和

Android学习总结之Java和kotlin区别超详细分析

《Android学习总结之Java和kotlin区别超详细分析》Java和Kotlin都是用于Android开发的编程语言,它们各自具有独特的特点和优势,:本文主要介绍Android学习总结之Ja... 目录一、空安全机制真题 1:Kotlin 如何解决 Java 的 NullPointerExceptio

重新对Java的类加载器的学习方式

《重新对Java的类加载器的学习方式》:本文主要介绍重新对Java的类加载器的学习方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、介绍1.1、简介1.2、符号引用和直接引用1、符号引用2、直接引用3、符号转直接的过程2、加载流程3、类加载的分类3.1、显示

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;