| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题研究意义及选题来源 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 论文主要研究工作 | 第16页 |
| 1.4 论文结构 | 第16-17页 |
| 第2章 隐写分析相关研究 | 第17-28页 |
| 2.1 数字图像隐写技术 | 第17-20页 |
| 2.1.1 数字图像隐写一般模型 | 第18-19页 |
| 2.1.2 LSB替换隐写技术 | 第19-20页 |
| 2.1.3 LSB匹配隐写技术 | 第20页 |
| 2.2 数字图像隐写分析技术 | 第20-27页 |
| 2.2.1 数字图像隐写分析一般模型 | 第20-21页 |
| 2.2.2 隐写分析性能指标 | 第21-23页 |
| 2.2.3 现有LSB匹配隐写分析介绍 | 第23-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于图像恢复技术的隐写分析算法框架 | 第28-34页 |
| 3.1 图像去噪算法简介 | 第28页 |
| 3.2 图像加噪及去噪模型分析 | 第28-30页 |
| 3.3 基于图像恢复的隐写分析特征提取 | 第30页 |
| 3.4 特征后续处理技术 | 第30-33页 |
| 3.4.1 特征离散化 | 第30-31页 |
| 3.4.2 特征选择 | 第31-32页 |
| 3.4.3 特征归一化及校准 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于图像恢复技术的隐写分析算法实现 | 第34-46页 |
| 4.1 LSB匹配模型及分析 | 第34-35页 |
| 4.2 隐写分析特征提取 | 第35-36页 |
| 4.2.1 基于隐马尔科夫模型去噪算法的隐写分析特征提取 | 第35-36页 |
| 4.3 隐写分析特征降维 | 第36-40页 |
| 4.3.1 K-W校验初步降维 | 第37-38页 |
| 4.3.2 PCA最优特征子空间提取 | 第38-40页 |
| 4.4 支持向量机 | 第40-43页 |
| 4.4.1 线性可分SVM | 第40-42页 |
| 4.4.2 线性不可分SVM | 第42页 |
| 4.4.3 非线性SVM | 第42-43页 |
| 4.4.4 LIBSVM | 第43页 |
| 4.5 图像库介绍 | 第43-44页 |
| 4.6 实验结果与对比 | 第44-45页 |
| 4.6.1 实验结果及对比分析 | 第44-45页 |
| 4.7 本章小节 | 第45-46页 |
| 结论 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52页 |