Marca de agua de audio

Ir a: navegación, búsqueda de

Un marca de agua de audio es un identificador único electrónico incrustado en una señal de audio, normalmente utilizada para identificar la propiedad de derechos de autor. Es similar a una marca de agua en una fotografía.

Marcas de agua es el proceso de incorporar información en una señal (por ejemplo, audio, vídeo o fotos) en una forma que es difícil de eliminar. Si la señal se copia, la información también se desarrolla en la copia. Marcas de agua se ha vuelto cada vez más importante para habilitar la protección del copyright y la verificación de la propiedad.

Una de las técnicas más seguras de audio marcas de agua se extiende el espectro audio filigrana (SSW). En SSW, se transmite una señal de banda estrecha sobre un ancho de banda mucho más grande que la energía de la señal en cualquier frecuencia de la señal es indetectable. Así la marca de agua se extiende por varias bandas de frecuencia para que la energía en una banda es indetectable. Una característica interesante de esta técnica de filigrana es que destruirlo requiere ruido de gran amplitud que se añade a todas las bandas de frecuencia. SSW es una sólida técnica filigrana porque, para eliminarlo, el ataque debe afectar a todas las bandas de frecuencia posible con modificaciones de fuerza considerable. Esto crea defectos visibles en los datos. Espectro de difusión se realiza mediante una secuencia de pseudonoise (PN). En enfoques convencionales de SSW, el receptor debe conocer el PN secuencia que hemos utilizado en el transmisor, así como la ubicación de la filigrana en la señal con filigrana para detectar información oculta. Esta es una característica de alta seguridad, ya que cualquier usuario no autorizado que no tienen acceso a esta información no puede detectar cualquier información oculta. Detección de la secuencia PN es el factor clave para la detección de información oculta de SSW. Aunque la detección de secuencia PN es posible mediante el uso de métodos heurísticos como algoritmos evolutivos, el alto costo computacional de esta tarea puede hacer impracticable. Gran parte de la complejidad computacional involucrada en el uso de algoritmos evolutivos como una optimización herramienta es debido a la función de la aptitud la evaluación que puede ser muy difícil de definir o ser computacionalmente muy caros. Uno de los recientes enfoques - en la rápida recuperación de la secuencia PN - propuesto es el uso de granulación de aptitud como un prometedor aproximación de fitness esquema. Con el uso del gimnasio granulación enfoque llamado Granulación adaptativo Fitness borroso(AFFG), el paso de evaluación de aptitud cara es reemplazado por un modelo aproximado. Cuando se utilizan algoritmos evolutivos como un medio para extraer la información oculta, el proceso se denomina evolutiva de detección de información oculta, si aptitud enfoques de aproximación se utilizan como una herramienta para acelerar el proceso o no.

Referencias

  • M. Davarynejad, S. Sedghi, M. Bahrepour, C.W. Ahn, M. Akbarzadeh, C. A. Coello Coello, Detección de información oculta de filigrana señal mediante granulación basado en Fitness aproximaciónAplicaciones de Soft Computing: de la teoría a la Praxis, Springer, serie: avances en inteligente y Soft Computing, volumen 58/2009, ISBN 978-3-540-89618-0, págs. 463-472, 2009.
  • M. Davarynejad, C.W. Ahn, J. Vrancken, J. van den Berg, C.A. Coello Coello, "detección de información evolutiva oculta por la aproximación basada en granulación fitness", Applied Soft Computing, Vol. 10, págs. 719 – 729, 2010, Doi:10.1016/j.Asoc.2009.09.001.

Otras Páginas

Obtenido de"https://en.copro.org/w/index.php?title=Audio_watermark&oldid=603891268"