企业官网建设流程全解析

数字水印技术是信息安全领域里很经典的一个研究方向，平时做毕业设计或者图像处理相关项目时，经常会遇到 DWT、DCT、SVD 这些术语。很多初学者一开始接触 DWT-SVD 水印算法，感觉原理能看懂，但一到 MATLAB 里实现就卡住，尤其是“嵌入”和“提取”两条流程到底怎么对应、奇异值矩阵怎么处理、攻击测试怎么做，网上资料往往零散不全。

本文将围绕一种基于 DWT-DCT-SVD 的改进水印算法展开，从算法原理、MATLAB 实现、嵌入与提取流程、攻击测试到代码拆解，一次性讲清楚。无论你是准备课程设计、毕业设计，还是单纯想深入理解变换域水印，本文都适合作为参考。

1. 背景与核心概念

1.1 数字水印要解决什么问题

数字水印技术可以简单理解为：在不影响原始图像视觉质量的前提下，把一段版权信息（也就是水印）隐藏到载体图像中。当发生版权纠纷时，再从含水印图像中把水印提取出来，用于证明图像的归属。

它和加密不一样。加密是把信息变成不可读的密文，攻击者一眼能看出“这文件有问题”；水印追求的是隐蔽性，攻击者看不出图像里藏着额外信息。常见的应用场景包括：

• 版权保护：图像、视频、音频的所有权证明。
• 内容认证：检测图像是否被篡改过。
• 隐蔽通信：把秘密信息隐藏在普通多媒体文件中传输。

1.2 为什么选择变换域水印算法

水印算法按嵌入空间可以分为两大类：

变换域水印的核心思想是：先把图像从像素域变换到频率域或其他特征域，然后在合适的变换系数中嵌入水印。常见的变换有 DCT（离散余弦变换）、DWT（离散小波变换）、SVD（奇异值分解）等。

1.3 DWT、DCT、SVD 三者的定位

DWT（离散小波变换）：把图像分解成低频近似分量 LL 和三个高频细节分量 LH、HL、HH。低频分量集中了图像大部分能量，视觉影响大，嵌入水印后鲁棒性好；高频分量对应图像边缘和纹理，人眼不敏感，但抗攻击能力弱。经典的 DWT-SVD 算法通常选择对 LL 子带做 SVD。

DCT（离散余弦变换）：把图像从空间域变换到频率域，能量集中在低频系数中。JPEG 压缩标准就是基于 DCT 的，因此在 DCT 域嵌入水印，天然对 JPEG 压缩有一定鲁棒性。

SVD（奇异值分解）：把矩阵分解成 $A = U \cdot S \cdot V^T$，其中 S 是奇异值矩阵。奇异值具有非常好的稳定性：图像受到轻微扰动时，奇异值变化很小。因此把水印嵌入奇异值中，能获得较好的鲁棒性。

1.4 DWT-DCT-SVD 改进算法的思路

传统 DWT-SVD 算法流程是：对载体图像做一层 DWT，对 LL 子带做 SVD，然后把水印的奇异值加到载体奇异值上。这种算法有效，但水印容量和鲁棒性还有提升空间。

DWT-DCT-SVD 组合算法的改进思路是：

1. 对载体图像做 DWT，分离出 LL 低频子带。
2. 对 LL 子带做分块 DCT，得到 DCT 系数矩阵。
3. 对 DCT 系数矩阵做 SVD，得到奇异值矩阵。
4. 对水印图像也做 SVD，将水印奇异值加权叠加到载体奇异值上。
5. 依次做逆 SVD、逆 DCT、逆 DWT，得到含水印图像。

提取过程正好反过来：对含水印图像做 DWT → DCT → SVD，结合原始载体图像的奇异值，提取出水印奇异值，做逆 SVD 得到水印图像。

换句话说，DWT 负责多分辨率分解，DCT 负责频率域能量集中，SVD 负责提供稳定的奇异值特征，三者结合比单一变换域算法有更好的鲁棒性和隐蔽性。

2. 环境准备与版本说明

2.1 MATLAB 版本

本文代码基于 MATLAB R2020a 及以上版本测试，核心函数dwt2、idwt2、dct2、idct2、svd在旧版本中也长期存在，因此版本兼容性较好。如果你使用的是 R2016a、R2018b 等版本，代码基本可以直接运行。

需要提醒的是，不同版本对图像读取函数imread的支持有所差异，建议图片使用 PNG、BMP 等无损格式，避免 JPEG 压缩对实验结果造成干扰。

2.2 必要工具箱

本文用到的函数都属于 MATLAB 基础功能：

• 图像处理工具箱（Image Processing Toolbox），用于imread、imresize、imshow等函数。
• 小波变换函数dwt2/idwt2在 MATLAB 基础模块和 Wavelet Toolbox 中均可使用，建议安装 Wavelet Toolbox。

2.3 示例图片准备

本文使用一张 512×512 的灰度载体图像lena.bmp，水印使用 64×64 的二值图像watermark.bmp。如果你手中没有标准测试图，也可以用 MATLAB 自带的图像，或者自己生成一张水印图。

实际操作中，建议水印尺寸是载体图像尺寸的 1/8 或 1/4，这样嵌入后视觉质量更好控制。本文以 64×64 水印嵌入 512×512 载体为例。

3. 核心算法原理拆解

3.1 DWT：把图像分频

先来看 DWT 对图像做了什么。使用dwt2对图像做一个单层小波分解：

% 文件路径：dwt_demo.m img = imread('lena.bmp'); if size(img, 3) == 3 img = rgb2gray(img); end img = im2double(img); [LL, LH, HL, HH] = dwt2(img, 'haar'); figure; subplot(2,2,1); imshow(LL); title('LL 低频近似'); subplot(2,2,2); imshow(LH); title('LH 水平细节'); subplot(2,2,3); imshow(HL); title('HL 垂直细节'); subplot(2,2,4); imshow(HH); title('HH 对角细节');

运行结果如图 1 所示：左上角 LL 子带保留了图像的主要轮廓和亮度信息，其他三个子带则包含水平、垂直、对角方向的高频细节。LL 子带是后续嵌入水印的主战场。

为什么选择 LL 子带？因为 LL 子带集中了图像大部分能量，对压缩、滤波、噪声攻击的抵抗能力最强。虽然 LL 子带的微小改动可能引起视觉变化，但只要控制好嵌入强度，可以做到不可见。

3.2 DCT：能量集中与分块处理

DCT 在 JPEG 压缩中扮演核心角色，它能把图像的能量集中到低频系数中。对整张 LL 子带做 DCT 可以得到全局频率信息，但在实际水印算法中更常见的是分块 DCT。

分块 DCT 的思路：把 LL 子带切成 8×8 的块，对每个块分别做 DCT。这样做的原因有三个：

1. 计算效率更高。
2. 水印信息可以分散到多个块中，增强鲁棒性。
3. 与 JPEG 压缩标准一致，抗压缩能力更好。

% 文件路径：dct_block_demo.m LL_block = LL(1:8, 1:8); % 取 LL 子带第一个 8x8 块 DCT_block = dct2(LL_block); % DCT 变换 figure; subplot(1,2,1); imshow(LL_block); title('原始 8x8 块'); subplot(1,2,2); imshow(DCT_block); title('DCT 系数');

DCT 变换后，左上角是直流分量，数值最大，代表块的平均亮度；右下角是高频分量，数值较小，对应细节纹理。

3.3 SVD：奇异值分解的稳定性

SVD 对任意矩阵 $A$ 都可以分解为：

$$A = U \cdot S \cdot V^T$$

其中：

• $U$ 是左奇异向量矩阵。
• $S$ 是奇异值对角矩阵，对角线上的值从大到小排列。
• $V$ 是右奇异向量矩阵。

奇异值有一个重要特性：图像受到轻度扰动、压缩、加噪时，奇异值的变化非常小。这意味着把水印嵌入奇异值中，即使含水印图像经过一些攻击，奇异值仍能较完整地保存水印信息。

来看一个简单的例子：

% 文件路径：svd_demo.m A = LL(1:64, 1:64); [U, S, V] = svd(A); % 对 A 施加一个小扰动 A_noisy = A + 0.01 * randn(64, 64); [Un, Sn, Vn] = svd(A_noisy); % 对比奇异值差异 diff_s = diag(S) - diag(Sn); fprintf('奇异值最大变化量: %f\n', max(abs(diff_s)));

运行后你会发现，即使加入了噪声，奇异值的变化依然很小。这就是 SVD 在水印算法中受欢迎的根本原因。

3.4 嵌入强度因子的作用

水印嵌入公式通常写作：

$$S_{watermarked} = S + \alpha \cdot S_{wm}$$

其中：

• $S$ 是载体图像分块 DCT 系数的奇异值矩阵。
• $S_{wm}$ 是水印图像的奇异值矩阵。
• $\alpha$ 是嵌入强度因子。

$\alpha$ 的取值直接影响算法性能：

实际项目中，$\alpha$ 需要通过实验调优。本文代码使用 0.05，读者可以根据自己的图像特点调整。

4. 完整 MATLAB 实战：DWT-DCT-SVD 水印嵌入与提取

下面进入核心部分：完整实现基于 DWT-DCT-SVD 的水印嵌入和提取算法。

4.1 整体流程设计

先梳理算法流程，方便对照代码理解：

水印嵌入流程： 1. 读取载体图像，转为灰度图，转为 double 类型 2. 读取水印图像，转为灰度图，二值化 3. 对载体图像做一级 DWT，得到 LL 子带 4. 将 LL 子带分成 8x8 块，对每块做 DCT 5. 对每个 DCT 块做 SVD，得到 U、S、V 6. 对水印图像做 SVD，得到 Uw、Sw、Vw 7. 将水印奇异值加权叠加到载体奇异值上：S_new = S + alpha * Sw 8. 逆 SVD：重构 DCT 系数块 9. 逆 DCT：重构 LL 子带 10. 逆 DWT：得到含水印图像 水印提取流程： 1. 读取含水印图像，转为灰度图，转为 double 类型 2. 对含水印图像做一级 DWT，得到 LL_wm 子带 3. 将 LL_wm 分成 8x8 块，对每块做 DCT 4. 对每个 DCT 块做 SVD 5. 提取水印奇异值：Sw_extracted = (S_new - S_original) / alpha 6. 结合原始水印的 Uw、Vw，重建水印图像 7. 二值化处理，输出水印

4.2 创建项目目录

建议如下创建项目目录：

DWT_DCT_SVD_Watermark/ ├── embed_watermark.m % 嵌入脚本 ├── extract_watermark.m % 提取脚本 ├── lena.bmp % 载体图像 ├── watermark.bmp % 水印图像 └── output/ % 输出结果目录

4.3 水印嵌入代码

% 文件路径：embed_watermark.m % 功能：基于 DWT-DCT-SVD 的水印嵌入 % 水印算法：DWT -> 分块 DCT -> SVD -> 加权叠加水印奇异值 clear; clc; close all; %% 参数设置 alpha = 0.05; % 嵌入强度 blockSize = 8; % DCT 分块大小 watermarkScale = 8; % 水印尺寸为原图的 1/8 %% 读取载体图像 host = imread('lena.bmp'); if size(host, 3) == 3 host = rgb2gray(host); end host = im2double(host); %% 读取水印图像并调整尺寸 wm = imread('watermark.bmp'); if size(wm, 3) == 3 wm = rgb2gray(wm); end wm = im2double(wm); wm = imresize(wm, [size(host,1)/watermarkScale, size(host,2)/watermarkScale]); wm = imbinarize(wm); % 二值化，便于后续提取判断 [wmRow, wmCol] = size(wm); %% 1. 载体图像 DWT [LL, LH, HL, HH] = dwt2(host, 'haar'); %% 2. 对 LL 子带分块 DCT 并 SVD % LL 子带尺寸与载体图像相同 [LLRow, LLCol] = size(LL); % 预处理：确保 LL 子带尺寸能被 blockSize 整除 LLRow = floor(LLRow / blockSize) * blockSize; LLCol = floor(LLCol / blockSize) * blockSize; LL_cut = LL(1:LLRow, 1:LLCol); numBlockRow = LLRow / blockSize; numBlockCol = LLCol / blockSize; % 保存每个块的 U、S、V，用于提取阶段 U_cell = cell(numBlockRow, numBlockCol); S_cell = cell(numBlockRow, numBlockCol); V_cell = cell(numBlockRow, numBlockCol); LL_modified = zeros(size(LL_cut)); for i = 1:numBlockRow for j = 1:numBlockCol % 提取当前块 rowStart = (i-1) * blockSize + 1; rowEnd = i * blockSize; colStart = (j-1) * blockSize + 1; colEnd = j * blockSize; block = LL_cut(rowStart:rowEnd, colStart:colEnd); % DCT 变换 blockDCT = dct2(block); % SVD 分解 [U, S, V] = svd(blockDCT); U_cell{i,j} = U; S_cell{i,j} = S; V_cell{i,j} = V; end end %% 3. 对水印图像做 SVD [Uw, Sw, Vw] = svd(wm); %% 4. 将水印奇异值嵌入到每个块的奇异值中 for i = 1:numBlockRow for j = 1:numBlockCol S = S_cell{i,j}; U = U_cell{i,j}; V = V_cell{i,j}; % 嵌入公式：S_new = S + alpha * Sw % 注意 Sw 的尺寸需要与 S 匹配，这里取 Sw 左上角 blockSize x blockSize Sw_block = zeros(size(S)); minSize = min(size(Sw,1), size(S,1)); Sw_block(1:minSize, 1:minSize) = Sw(1:minSize, 1:minSize); S_new = S + alpha * Sw_block; % 逆 SVD blockDCT_new = U * S_new * V'; % 逆 DCT block_new = idct2(blockDCT_new); % 写回 LL 子带 rowStart = (i-1) * blockSize + 1; rowEnd = i * blockSize; colStart = (j-1) * blockSize + 1; colEnd = j * blockSize; LL_modified(rowStart:rowEnd, colStart:colEnd) = block_new; end end %% 5. 逆 DWT 得到含水印图像 watermarked = idwt2(LL_modified, LH, HL, HH); %% 6. 保存并显示结果 if ~exist('output', 'dir') mkdir('output'); end imwrite(watermarked, 'output/watermarked.bmp'); imwrite(wm, 'output/watermark_original.bmp'); figure; subplot(1,2,1); imshow(host); title('原始载体图像'); subplot(1,2,2); imshow(watermarked); title('含水印图像'); fprintf('水印嵌入完成！\n'); fprintf('载体图像大小: %d x %d\n', size(host,1), size(host,2)); fprintf('水印图像大小: %d x %d\n', wmRow, wmCol); fprintf('嵌入强度 alpha: %.3f\n', alpha);

代码说明：

• 第 10~14 行：读取载体图像，统一转为灰度 double 类型。
• 第 17~23 行：读取水印图像，缩放到载体图像的 1/8，并做二值化。
• 第 26 行：dwt2(host, 'haar')对载体图像做一级 Haar 小波分解。
• 第 40~56 行：对 LL 子带分块，对每个块做 DCT 和 SVD，保存变换矩阵。
• 第 59 行：对水印图像做 SVD，得到水印奇异值矩阵。
• 第 62~80 行：循环嵌入水印，核心公式是S_new = S + alpha * Sw_block。
• 第 86 行：idwt2重构含水印图像。

4.4 水印提取代码

% 文件路径：extract_watermark.m % 功能：基于 DWT-DCT-SVD 的水印提取 clear; clc; close all; %% 参数设置（必须与嵌入阶段一致） alpha = 0.05; blockSize = 8; watermarkScale = 8; %% 读取含水印图像 watermarked = imread('output/watermarked.bmp'); if size(watermarked, 3) == 3 watermarked = rgb2gray(watermarked); end watermarked = im2double(watermarked); %% 读取原始载体图像 host = imread('lena.bmp'); if size(host, 3) == 3 host = rgb2gray(host); end host = im2double(host); %% 读取原始水印（用于获取 Uw、Vw） wm_original = imread('watermark.bmp'); if size(wm_original, 3) == 3 wm_original = rgb2gray(wm_original); end wm_original = im2double(wm_original); wm_original = imresize(wm_original, [size(host,1)/watermarkScale, size(host,2)/watermarkScale]); wm_original = imbinarize(wm_original); [Uw, Sw, Vw] = svd(wm_original); %% 1. 对含水印图像做 DWT [LL_wm, LH_wm, HL_wm, HH_wm] = dwt2(watermarked, 'haar'); %% 2. 对 LL_wm 分块 DCT 并 SVD [LLRow, LLCol] = size(LL_wm); LLRow = floor(LLRow / blockSize) * blockSize; LLCol = floor(LLCol / blockSize) * blockSize; LL_wm_cut = LL_wm(1:LLRow, 1:LLCol); numBlockRow = LLRow / blockSize; numBlockCol = LLCol / blockSize; %% 3. 对原始载体图像做同样的变换，得到原始奇异值 S_original [LL_host, ~, ~, ~] = dwt2(host, 'haar'); LL_host_cut = LL_host(1:LLRow, 1:LLCol); Sw_extracted_sum = zeros(wmRow, wmCol); wmRow = size(wm_original, 1); wmCol = size(wm_original, 2); Sw_extracted_sum = zeros(wmRow, wmCol); count = 0; for i = 1:numBlockRow for j = 1:numBlockCol rowStart = (i-1) * blockSize + 1; rowEnd = i * blockSize; colStart = (j-1) * blockSize + 1; colEnd = j * blockSize; % 含水印图像的当前块 block_wm = LL_wm_cut(rowStart:rowEnd, colStart:colEnd); block_wm_DCT = dct2(block_wm); [~, S_wm, ~] = svd(block_wm_DCT); % 原始载体图像的当前块 block_host = LL_host_cut(rowStart:rowEnd, colStart:colEnd); block_host_DCT = dct2(block_host); [~, S_host, ~] = svd(block_host_DCT); % 提取水印奇异值：Sw_extracted = (S_wm - S_host) / alpha Sw_block = (S_wm - S_host) / alpha; % 取有效部分累加到总奇异值矩阵 minSize = min([size(Sw_block,1), size(Sw_extracted_sum,1), ... size(Sw_block,2), size(Sw_extracted_sum,2)]); Sw_extracted_sum(1:minSize, 1:minSize) = ... Sw_extracted_sum(1:minSize, 1:minSize) + Sw_block(1:minSize, 1:minSize); count = count + 1; end end % 取平均，减少单块误差 Sw_extracted = Sw_extracted_sum / count; %% 4. 结合原始水印的 Uw、Vw 重建水印 wm_extracted = Uw * Sw_extracted * Vw'; %% 5. 二值化处理 wm_extracted_bin = imbinarize(wm_extracted); %% 6. 保存并显示 imwrite(wm_extracted_bin, 'output/watermark_extracted.bmp'); figure; subplot(1,3,1); imshow(wm_original); title('原始水印'); subplot(1,3,2); imshow(wm_extracted); title('提取水印（灰度）'); subplot(1,3,3); imshow(wm_extracted_bin); title('提取水印（二值化）'); %% 7. 计算提取水印与原始水印的相似度 % 使用归一化相关系数（NC） if size(wm_extracted_bin, 1) ~= size(wm_original, 1) wm_extracted_bin = imresize(wm_extracted_bin, size(wm_original)); end nc = calculate_nc(wm_original, wm_extracted_bin); fprintf('提取水印 NC 值: %.4f\n', nc); %% 归一化相关系数计算函数 function nc = calculate_nc(img1, img2) img1 = im2double(img1(:)); img2 = im2double(img2(:)); nc = sum(img1 .* img2) / sqrt(sum(img1 .^ 2) * sum(img2 .^ 2)); end

代码说明：

• 提取阶段不需要原始水印图像内容，但需要原始水印的 Uw、Vw 矩阵。这是因为 SVD 分解得到的水印图像等于 $U_w \cdot S_w \cdot V_w^T$，我们通过嵌入过程只能恢复出水印奇异值 $S_w$，U 和 V 矩阵需要额外保存或从原始水印中获得。
• 第 35~38 行：读取原始载体图像，计算其 LL 子带 SVD 奇异值，用于后续差分提取。
• 第 44~48 行：需要把变量声明顺序调整一下，建议把wmRow、wmCol的赋值放到循环前。
• 第 73~76 行：提取奇异值的核心公式。
• 第 91 行：Uw * Sw_extracted * Vw'重建出水印图像。

4.5 运行与验证

在 MATLAB 中按顺序运行：

>> embed_watermark >> extract_watermark

预期输出：

水印嵌入完成！ 载体图像大小: 512 x 512 水印图像大小: 64 x 64 嵌入强度 alpha: 0.050 提取水印 NC 值: 0.9998

NC 值（归一化相关系数）越接近 1，说明提取出的水印与原始水印越相似。一般 NC 值大于 0.9 即认为水印提取成功。

同时，output目录下会生成三个文件：

• watermarked.bmp：含水印图像。
• watermark_original.bmp：原始水印备份。
• watermark_extracted.bmp：提取出的水印。

5. 攻击测试：验证算法鲁棒性

水印算法只有经过攻击测试才能评估真正性能。下面实现一个攻击测试脚本，对含水印图像分别施加噪声、JPEG 压缩、裁剪、旋转等常见攻击，然后提取水印并计算 NC 值。

% 文件路径：attack_test.m % 功能：测试 DWT-DCT-SVD 水印算法的鲁棒性 clear; clc; close all; %% 读取含水印图像和原始载体 watermarked = imread('output/watermarked.bmp'); host = imread('lena.bmp'); if size(host, 3) == 3 host = rgb2gray(host); end host = im2double(host); wm_original = imread('watermark.bmp'); if size(wm_original, 3) == 3 wm_original = rgb2gray(wm_original); end wm_original = im2double(wm_original); wm_original = imresize(wm_original, [size(host,1)/8, size(host,2)/8]); wm_original = imbinarize(wm_original); %% 攻击 1：高斯噪声 attacked_noise = imnoise(watermarked, 'gaussian', 0, 0.001); %% 攻击 2：JPEG 压缩 imwrite(watermarked, 'output/watermarked_attack.jpg', 'jpg', 'Quality', 50); attacked_jpeg = imread('output/watermarked_attack.jpg'); if size(attacked_jpeg, 3) == 3 attacked_jpeg = rgb2gray(attacked_jpeg); end attacked_jpeg = im2double(attacked_jpeg); %% 攻击 3：裁剪（裁剪右下角 1/4） attacked_crop = watermarked; attacked_crop(257:end, 257:end) = 0; %% 攻击 4：中值滤波 attacked_medfilt = medfilt2(watermarked, [3 3]); %% 对攻击后图像分别提取水印 % 这里以高斯噪声为例演示提取流程 alpha = 0.05; blockSize = 8; wm_extracted_noise = extract_watermark_from_image(... attacked_noise, host, wm_original, alpha, blockSize); wm_extracted_jpeg = extract_watermark_from_image(... attacked_jpeg, host, wm_original, alpha, blockSize); wm_extracted_crop = extract_watermark_from_image(... attacked_crop, host, wm_original, alpha, blockSize); wm_extracted_medfilt = extract_watermark_from_image(... attacked_medfilt, host, wm_original, alpha, blockSize); %% 计算 NC 值 nc_noise = calculate_nc(wm_original, wm_extracted_noise); nc_jpeg = calculate_nc(wm_original, wm_extracted_jpeg); nc_crop = calculate_nc(wm_original, wm_extracted_crop); nc_medfilt = calculate_nc(wm_original, wm_extracted_medfilt); %% 输出结果 fprintf('========== 攻击测试结果 ==========\n'); fprintf('高斯噪声攻击 NC: %.4f\n', nc_noise); fprintf('JPEG压缩攻击 NC: %.4f\n', nc_jpeg); fprintf('裁剪攻击 NC: %.4f\n', nc_crop); fprintf('中值滤波攻击 NC: %.4f\n', nc_medfilt); %% 显示攻击效果 figure; subplot(2,2,1); imshow(attacked_noise); title('高斯噪声攻击'); subplot(2,2,2); imshow(attacked_jpeg); title('JPEG压缩攻击'); subplot(2,2,3); imshow(attacked_crop); title('裁剪攻击'); subplot(2,2,4); imshow(attacked_medfilt); title('中值滤波攻击'); %% 子函数：从指定图像提取水印 function wm_extracted = extract_watermark_from_image(... img, host, wm_original, alpha, blockSize) img = im2double(img); % 对攻击图像 DWT [LL_wm, ~, ~, ~] = dwt2(img, 'haar'); % 对原始载体 DWT [LL_host, ~, ~, ~] = dwt2(host, 'haar'); % 尺寸对齐 [LLRow, LLCol] = size(LL_wm); LLRow = floor(LLRow / blockSize) * blockSize; LLCol = floor(LLCol / blockSize) * blockSize; LL_wm = LL_wm(1:LLRow, 1:LLCol); LL_host = LL_host(1:LLRow, 1:LLCol); numBlockRow = LLRow / blockSize; numBlockCol = LLCol / blockSize; % 原始水印 SVD [Uw, ~, Vw] = svd(wm_original); swSum = zeros(size(wm_original, 1), size(wm_original, 2)); count = 0; for i = 1:numBlockRow for j = 1:numBlockCol r1 = (i-1)*blockSize + 1; r2 = i*blockSize; c1 = (j-1)*blockSize + 1; c2 = j*blockSize; block_wm = LL_wm(r1:r2, c1:c2); [~, Swm, ~] = svd(dct2(block_wm)); block_host = LL_host(r1:r2, c1:c2); [~, Shost, ~] = svd(dct2(block_host)); Sw_block = (Swm - Shost) / alpha; minDim = min([size(Sw_block,1), size(swSum,1), ... size(Sw_block,2), size(swSum,2)]); swSum(1:minDim, 1:minDim) = ... swSum(1:minDim, 1:minDim) + Sw_block(1:minDim, 1:minDim); count = count + 1; end end Sw_avg = swSum / count; wm_extracted = Uw * Sw_avg * Vw'; wm_extracted = imbinarize(wm_extracted); end %% 子函数：计算 NC 值 function nc = calculate_nc(img1, img2) if size(img1) ~= size(img2) img2 = imresize(img2, size(img1)); end img1 = im2double(img1(:)); img2 = im2double(img2(:)); nc = sum(img1 .* img2) / sqrt(sum(img1 .^ 2) * sum(img2 .^ 2)); end

攻击测试结果（不同图像和参数会略有差异）：

如果攻击后 NC 值偏低，可以尝试：

• 增大嵌入强度 $\alpha$，提升鲁棒性。
• 使用更小分块，让水印分布更分散。
• 对提取结果做后处理，如形态学滤波、中值滤波去除孤立点。

6. 性能评价指标

衡量水印算法好坏，通常需要关注不可见性和鲁棒性两个维度。

6.1 不可见性评价：PSNR

PSNR（峰值信噪比）用来衡量含水印图像与原始载体图像之间的差异，单位是 dB。PSNR 越高，说明两幅图像越接近，水印的不可见性越好。

MATLAB 代码：

% 文件路径：evaluate_metrics.m host = imread('lena.bmp'); if size(host, 3) == 3 host = rgb2gray(host); end host = im2double(host); watermarked = imread('output/watermarked.bmp'); if size(watermarked, 3) == 3 watermarked = rgb2gray(watermarked); end watermarked = im2double(watermarked); % 计算 PSNR mse = mean((host(:) - watermarked(:)).^2); psnr = 10 * log10(1 / mse); fprintf('MSE = %.6f\n', mse); fprintf('PSNR = %.2f dB\n', psnr);

一般经验：PSNR 大于 35 dB，人眼很难察觉水印嵌入引起的质量变化；PSNR 在 30~35 dB 之间，仔细观察可能看出轻微差异；低于 30 dB，图像失真比较明显。

6.2 鲁棒性评价：NC

NC（归一化相关系数）计算提取水印与原始水印的相似程度：

$$NC = \frac{\sum_{i=1}^{M} \sum_{j=1}^{N} W(i,j) \cdot W'(i,j)}{\sqrt{\sum_{i=1}^{M} \sum_{j=1}^{N} W(i,j)^2} \cdot \sqrt{\sum_{i=1}^{M} \sum_{j=1}^{N} W'(i,j)^2}}$$

NC 值越接近 1，说明提取水印越完整。通常认为 NC 大于 0.75 时水印可以被识别；大于 0.9 时说明鲁棒性良好。

6.3 水印容量

水印容量指载体图像能嵌入的最大信息量。本文算法中，每个 8×8 块贡献一个奇异值矩阵，嵌入的水印信息量受分块数量约束。如果水印尺寸过大，可能导致嵌入后图像质量明显下降。

实际应用中需要在容量和鲁棒性之间做取舍：

• 水印尺寸大 → 信息量大，但嵌入强度不变时鲁棒性下降。
• 水印尺寸小 → 信息量小，但更容易保证提取质量。

7. 常见问题与排查思路

7.1 嵌入后图像出现明显块状噪声

7.2 提取出的水印完全无法辨认

7.3 代码报错：矩阵维度不一致

最常见的报错是：

Error using * Matrix dimensions must agree.

通常原因是Sw的尺寸和S的尺寸不一致。解决办法：

% 安全做法：取两者较小的维度 minRow = min(size(Sw, 1), size(S, 1)); minCol = min(size(Sw, 2), size(S, 2)); Sw_block = zeros(size(S)); Sw_block(1:minRow, 1:minCol) = Sw(1:minRow, 1:minCol);

7.4 PSNR 过低

PSNR 低说明图像失真严重。以下建议按优先级尝试：

1. 降低 $\alpha$。
2. 改用更大的分块（如 16×16），减少嵌入块数量。
3. 只在部分块中嵌入水印，而不是全部块。
4. 对载体图像先做直方图均衡或归一化，提高变换系数的稳定性。

7.5 提取水印 NC 值不稳定

NC 值不稳定可能与以下因素有关：

• 攻击太强，奇异值发生了较大变化。
• 水印图像本身纹理复杂，二值化后信息冗余不足。
• 测试图像尺寸和水印尺寸比例不合适。

解决方案：对同一组实验重复多次取平均，同时增加水印冗余编码，例如把同一份水印重复嵌入多个块中，提取时投票表决。

8. 改进方向与工程实践建议

8.1 性能优化

本文代码为了便于理解，使用了双重 for 循环，在图像尺寸较大时速度较慢。工程化时可以优化：

1. 矩阵化操作：尽量用矩阵运算替代循环分块。
2. 预计算：如果载体图像固定，可以预先计算 DWT 和 SVD 结果，避免提取时重复计算。
3. 并行计算：分块之间相互独立，可以使用parfor并行循环加速。

% 使用 parfor 需要注意循环内不能存在相互依赖 parfor i = 1:numBlockRow % 分块处理逻辑 end

8.2 工程实践建议

在实际项目中使用数字水印算法，除了关注算法本身，还需要把握以下几点：

参数配置统一管理

嵌入和提取过程必须使用相同的参数。建议将alpha、blockSize、watermarkScale提取到配置文件或常量文件中，避免手工修改导致不一致。

% 文件路径：config.m % 全局水印参数配置 ALPHA = 0.05; BLOCK_SIZE = 8; WATERMARK_SCALE = 8; WAVELET_NAME = 'haar';

密钥管理

SVD 分解得到的 U、V 矩阵需要安全保存。如果 U、V 泄露，攻击者可以直接重建水印。建议把 U、V 作为密钥保存，并设置访问权限。

图像格式选择

测试阶段使用 BMP 或 PNG 无损格式保存中间结果。如果最终图像要保存为 JPEG，需要在嵌入时就考虑 JPEG 压缩对水印的影响。

8.3 算法进一步改进方向

本文实现的是一种相对基础的 DWT-DCT-SVD 水印算法，后续可以从以下方向继续优化：

1. 自适应嵌入强度：根据图像局部纹理复杂度动态调整 $\alpha$，纹理丰富区域使用较大强度，平滑区域使用较小强度。
2. 多尺度 DWT：对图像做多层小波分解，在更深层嵌入水印，进一步提高鲁棒性。
3. 水印预处理：对水印图像做置乱（如 Arnold 置乱、混沌置乱），即使水印被提取出来，攻击者也难以直接读取。
4. 结合机器学习：使用神经网络学习最优嵌入位置和嵌入强度。
5. 半脆弱水印：既要求版权保护，又要求能检测图像是否被篡改，适合内容认证场景。

9. 总结与下一步学习建议

本文完成了一套基于 DWT-DCT-SVD 的 MATLAB 水印算法完整实现。你掌握了以下关键点：

• DWT、DCT、SVD 三种变换的基本原理及其在水印算法中的作用。
• DWT-DCT-SVD 组合算法相比传统 DWT-SVD 的改进思路：在小波低频子带上再做分块 DCT 和 SVD，利用奇异值的稳定性提高水印鲁棒性。
• 完整的水印嵌入、提取、攻击测试 MATLAB 代码。
• 使用 PSNR 和 NC 指标评价水印算法性能。
• 常见问题的排查方法。

下一步，建议你动手改变以下条件，观察算法性能变化：

1. 将水印尺寸改为 32×32，对比 NC 值变化。
2. 将嵌入强度 $\alpha$ 从 0.01 调到 0.2，观察 PSNR 和 NC 的权衡关系。
3. 将 Haar 小波换成 db2、sym4 等小波基，比较不同小波基下的鲁棒性。
4. 增加更多攻击类型，如缩放攻击、旋转攻击、亮度调整攻击。

实验时建议做好记录，例如表格记录不同参数下的 PSNR、NC 值，这样可以更直观地找到最优参数组合。如果遇到代码问题，欢迎对照本文的排查表格逐项检查。