| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 数字图像隐写的国内外研究现状 | 第12-15页 |
| 1.3 本文的主要工作和组织结构 | 第15-19页 |
| 第二章 空域数字图像隐写与隐写分析 | 第19-33页 |
| 2.1 传统隐写方法 | 第19-22页 |
| 2.1.1 WOW隐写算法 | 第19-21页 |
| 2.1.2 HILL隐写算法 | 第21-22页 |
| 2.2 传统隐写分析 | 第22-25页 |
| 2.3 基于深度学习的隐写算法 | 第25-28页 |
| 2.3.1 小输入尺寸隐写分析网络辅助的隐写算法 | 第25-27页 |
| 2.3.2 隐写生成对抗网络 | 第27-28页 |
| 2.4 基于深度学习的隐写分析 | 第28-32页 |
| 2.5 隐写与隐写分析评价指标 | 第32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于神经网络的载体图像隐写能力估计算法研究 | 第33-49页 |
| 3.1 图像隐写过程与隐写容量 | 第33-37页 |
| 3.1.1 图像隐写过程 | 第33-34页 |
| 3.1.2 隐写容量 | 第34-37页 |
| 3.2 载体图像参数λ与隐写能力评价 | 第37-41页 |
| 3.3 基于神经过网络的参数λ估计算法 | 第41-46页 |
| 3.3.1 图像修改代价计算 | 第41-42页 |
| 3.3.2 全局修改代价特征提取 | 第42-43页 |
| 3.3.3 载体图像参数λ估计 | 第43-45页 |
| 3.3.4 实验结果 | 第45-46页 |
| 3.4 本章小结 | 第46-49页 |
| 第四章 基于深度学习的载体图像生成算法 | 第49-63页 |
| 4.1 深度学习在图像生成领域的现状 | 第49-53页 |
| 4.2 基于深度学习的载体图像生成算法 | 第53-57页 |
| 4.3 实验结果 | 第57-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 结合载体图像评估的隐写算法 | 第63-69页 |
| 5.1 结合载体图像评估的隐写算法 | 第63-64页 |
| 5.2 实验结果 | 第64-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 工作总结 | 第69-70页 |
| 6.2 工作展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读学位期间发表的学术论文目录 | 第77页 |