基于神经网络和SVD的数字水印技术研究
| 第一章 引言 | 第1-14页 |
| 1．1 课题的研究背景、意义 | 第7-8页 |
| 1．2 国内外研究动态 | 第8-12页 |
| 1．2．1 国外研究动态 | 第8-10页 |
| 1．2．2 国内研究动态 | 第10-12页 |
| 1．3 研究课题的来源 | 第12页 |
| 1．4 本文主要研究内容 | 第12-14页 |
| 第二章 数字水印技术简介 | 第14-28页 |
| 2．1 数字水印的起源 | 第14-15页 |
| 2．2 数字水印的概念 | 第15-16页 |
| 2．3 数字水印的特征 | 第16页 |
| 2．4 数字水印的分类 | 第16-20页 |
| 2．4．1 从水印发展来分类 | 第17页 |
| 2．4．2 从水印的来源上分类 | 第17页 |
| 2．4．3 从水印的嵌入策略上分类 | 第17-18页 |
| 2．4．4 从水印的可见性分类 | 第18-19页 |
| 2．4．5 从水印的检测方法上分类 | 第19页 |
| 2．4．6 从水印的载体上分类 | 第19-20页 |
| 2．5 数字水印系统的模型 | 第20-23页 |
| 2．5．1 数字水印的嵌入模型 | 第20-21页 |
| 2．5．2 数字水印的提取、检测模型 | 第21-23页 |
| 2．6 数字水印的典型算法 | 第23-25页 |
| 2．6．1 空间域算法 | 第23-24页 |
| 2．6．2 变换域算法 | 第24页 |
| 2．6．3 压缩域算法 | 第24页 |
| 2．6．4 NEC 算法 | 第24-25页 |
| 2．6．5 生理模型算法 | 第25页 |
| 2．6 数字水印技术的应用现状 | 第25-28页 |
| 第三章 神经网络概述 | 第28-38页 |
| 3．1 人工神经网络的发展 | 第28-31页 |
| 3．1．1 人工神经网络国外发展情况 | 第28-30页 |
| 3．1．2 人工神经网络国内研究概况 | 第30-31页 |
| 3．2 人工神经网络的研究内容 | 第31页 |
| 3．3 神经网络的特点 | 第31-32页 |
| 3．4 人工神经网络的应用 | 第32-33页 |
| 3．5 人工神经网络的基本结构与模型 | 第33-35页 |
| 3．5．1 人工神经元模型 | 第34-35页 |
| 3．5．2 神经元网络结构模型 | 第35页 |
| 3．6 BP 网络 | 第35-37页 |
| 3．6．1 神经元模型 | 第35-36页 |
| 3．6．2 BP 神经网络结构 | 第36-37页 |
| 3．7 神经网络的发展方向 | 第37-38页 |
| 第四章 奇异值分解 | 第38-41页 |
| 4．1 奇异值分解的概念 | 第38-39页 |
| 4．2 图像矩阵的奇异值分解的特性 | 第39页 |
| 4．3 奇异值分解的应用 | 第39-41页 |
| 第五章 基于图像分割和 SVD 的数字水印算法 | 第41-51页 |
| 5．1 矩阵的奇异值分解(SVD) | 第41-42页 |
| 5．2 图像的区域分割 | 第42页 |
| 5．3 水印的嵌入和提取算法 | 第42-45页 |
| 5．3．1 水印嵌入算法 | 第43-44页 |
| 5．3．2 水印的提取算法 | 第44-45页 |
| 5．4 水印的检测 | 第45页 |
| 5．5 实验结果 | 第45-50页 |
| 5．6 结论 | 第50-51页 |
| 第六章 基于神经网络和 SVD 的盲水印算法 | 第51-58页 |
| 6．1 矩阵的奇异值分解(SVD) | 第51-52页 |
| 6．2 水印的嵌入算法 | 第52-54页 |
| 6．3 水印的提取算法 | 第54-55页 |
| 6．4 实验结果 | 第55-57页 |
| 6．5 结束语 | 第57-58页 |
| 第七章 数字水印的攻击与展望 | 第58-62页 |
| 7．1 水印的攻击 | 第58-60页 |
| 7．2 数字水印的重点发展方向 | 第60-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 个人简历及在学期间论文发表情况 | 第68页 |
