基于混合特征提取与改进型支持向量机图像来源鉴别算法的研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 课题来源 | 第13页 |
| 1.2 课题研究的目的和意义 | 第13-14页 |
| 1.3 国内外研究概况 | 第14-16页 |
| 1.3.1 国外研究概况 | 第14-15页 |
| 1.3.2 国内研究概况 | 第15-16页 |
| 1.4 本文研究内容 | 第16-18页 |
| 第二章 图像来源鉴别所涉及的相关理论 | 第18-41页 |
| 2.1 图像来源鉴别框架 | 第18-19页 |
| 2.2 图像的基本特征 | 第19-35页 |
| 2.2.1 颜色特征 | 第19-26页 |
| 2.2.2 纹理特征 | 第26-32页 |
| 2.2.3 统计特征 | 第32-33页 |
| 2.2.4 不同来源图像的特征分析 | 第33-35页 |
| 2.3 支持向量机 | 第35-40页 |
| 2.3.1 线性可分支持向量机 | 第36-38页 |
| 2.3.2 线性不可分支持向量机 | 第38-40页 |
| 2.3.3 SVM学习算法步骤 | 第40页 |
| 2.4 小结 | 第40-41页 |
| 第三章 基于混合特征提取的图像来源鉴别算法 | 第41-54页 |
| 3.1 混合特征提取的基本构成 | 第41-47页 |
| 3.1.1 基于HSV颜色空间的颜色特征的提取 | 第41-43页 |
| 3.1.2 基于灰度共生矩阵的纹理特征的提取 | 第43-46页 |
| 3.1.3 基于相对频率的统计特征的提取 | 第46-47页 |
| 3.2 特征归一化 | 第47-49页 |
| 3.3 算法描述 | 第49-50页 |
| 3.4 实验结果与分析 | 第50-53页 |
| 3.4.1 实验系统环境 | 第50页 |
| 3.4.2 实验数据 | 第50-51页 |
| 3.4.3 实验具体结果与分析 | 第51-53页 |
| 3.5 小结 | 第53-54页 |
| 第四章 图像来源鉴别中支持向量机的改进 | 第54-65页 |
| 4.1 核函数的选择 | 第54-55页 |
| 4.1.1 常用核函数 | 第54-55页 |
| 4.1.2 核函数的确定 | 第55页 |
| 4.2 核参数的选择 | 第55-58页 |
| 4.2.1 交叉验证法 | 第56页 |
| 4.2.2 网格搜索法 | 第56-57页 |
| 4.2.3 群智能法 | 第57-58页 |
| 4.3 改进型支持向量机的核参数选择优化方法 | 第58-60页 |
| 4.4 核参数选择实验与结果分析 | 第60-64页 |
| 4.4.1 实验描述 | 第60页 |
| 4.4.2 实验系统环境 | 第60页 |
| 4.4.3 实验数据 | 第60-61页 |
| 4.4.4 实验结果与分析 | 第61-64页 |
| 4.5 小结 | 第64-65页 |
| 第五章 图像来源鉴别系统设计与实现 | 第65-76页 |
| 5.1 图像来源鉴别系统设计 | 第65-67页 |
| 5.1.1 系统架构 | 第65-67页 |
| 5.1.2 系统功能概述 | 第67页 |
| 5.2 图像来源鉴别系统实现 | 第67-70页 |
| 5.2.1 用户界面实现 | 第67-68页 |
| 5.2.2 训练样本与测试样本区分模块实现 | 第68页 |
| 5.2.3 混合特征提取模块实现 | 第68-69页 |
| 5.2.4 训练与测试分类模块实现 | 第69-70页 |
| 5.3 综合对比实验 | 第70-74页 |
| 5.3.1 图像来源鉴别系统鉴别实验 | 第70-73页 |
| 5.3.2 各个算法的综合对比 | 第73-74页 |
| 5.4 小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76-77页 |
| 6.2 展望 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 作者在攻读硕士学位期间取得的学术成果 | 第83-84页 |
| 作者在攻读硕士学位期间所参与的项目 | 第84-85页 |
| 致谢 | 第85页 |
