基于深度学习的图像拼接篡改取证研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-19页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.2 数字图像取证技术 | 第11-16页 |
| 1.2.1 主动取证技术 | 第11-14页 |
| 1.2.2 被动取证技术 | 第14-16页 |
| 1.3 深度学习的发展历程 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-19页 |
| 第二章 图像拼接篡改取证概述 | 第19-24页 |
| 2.1 图像拼接篡改分析 | 第19页 |
| 2.2 图像拼接被动取证系统的基本框架 | 第19-20页 |
| 2.3 图像拼接被动取证的典型方法 | 第20-23页 |
| 2.3.1 Hilbert-Huang变换 | 第20页 |
| 2.3.2 高频小波子带马尔科夫特征 | 第20-21页 |
| 2.3.3 韦伯局部特征 | 第21-22页 |
| 2.3.4 图像质量评价量和矩特征量 | 第22页 |
| 2.3.5 DCT域马尔科夫模型 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 深度学习 | 第24-32页 |
| 3.1 分布式表示 | 第24-25页 |
| 3.2 深度学习的基本思想和训练过程 | 第25-26页 |
| 3.2.1 深度学习的基本思想 | 第25页 |
| 3.2.2 深度学习的训练过程 | 第25-26页 |
| 3.3 常见的深度学习模型 | 第26-32页 |
| 3.3.1 栈式自动编码器 | 第26-28页 |
| 3.3.2 受限玻尔兹曼机 | 第28-30页 |
| 3.3.3 深度置信网络 | 第30-32页 |
| 第四章 基于深度学习的图像拼接检测算法 | 第32-38页 |
| 4.1 深度置信网络的输入 | 第32-34页 |
| 4.2 深度置信网络的训练 | 第34-37页 |
| 4.3 深度置信网络的预测 | 第37页 |
| 4.4 算法整体流程 | 第37-38页 |
| 第五章 实验结果及分析 | 第38-46页 |
| 5.1 实验条件 | 第38-39页 |
| 5.1.1 软硬件环境 | 第38页 |
| 5.1.2 拼接图像样本库 | 第38-39页 |
| 5.1.3 取证评价指标 | 第39页 |
| 5.2 实验方案与结果分析 | 第39-46页 |
| 5.2.1 网络层数的影响 | 第40-41页 |
| 5.2.2 隐含层节点数的影响 | 第41-42页 |
| 5.2.3 学习率的影响 | 第42页 |
| 5.2.4 预训练迭代次数的影响 | 第42-43页 |
| 5.2.5 训练样本个数的影响 | 第43-44页 |
| 5.2.6 与已有算法的比较 | 第44-46页 |
| 第六章 总结及展望 | 第46-48页 |
| 6.1 总结 | 第46-47页 |
| 6.2 展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 攻读硕士学位期间发表学术论文及参与项目情况 | 第53-54页 |
| 致谢 | 第54页 |
