| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 强针对型隐写分析 | 第12-13页 |
| 1.2.2 通用型隐写分析 | 第13-14页 |
| 1.3 主要研究内容与组织结构 | 第14-17页 |
| 1.3.1 主要研究内容 | 第14-16页 |
| 1.3.2 论文组织结构 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 通用型隐写分析的典型特征和分类器 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 通用型隐写分析的特征 | 第18-22页 |
| 2.2.1 基于图像质量度量的特征 | 第18-19页 |
| 2.2.2 基于小波分析的特征 | 第19-20页 |
| 2.2.3 基于马尔科夫模型的特征 | 第20-22页 |
| 2.3 通用型隐写分析的分类器 | 第22-25页 |
| 2.3.1 Fisher线性分类器 | 第22-24页 |
| 2.3.2 支持向量机分类器 | 第24-25页 |
| 2.3.3 组合分类器 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 改进的基于深度学习的通用型隐写分析算法 | 第26-45页 |
| 3.1 引言 | 第26页 |
| 3.2 深度学习和卷积神经网络简介 | 第26-27页 |
| 3.3 传统模型和深度学习模型比较 | 第27-28页 |
| 3.4 深度学习模型的基本结构 | 第28-29页 |
| 3.5 基于深度学习的通用型隐写分析改进方法 | 第29-36页 |
| 3.5.1 预处理层及其改进方法 | 第29-31页 |
| 3.5.2 卷积层及激活函数的选择 | 第31-33页 |
| 3.5.3 卷积层跨层连接 | 第33-35页 |
| 3.5.4 卷积层特征融合 | 第35-36页 |
| 3.6 基于深度学习的隐写分析改进方法的实验及结果 | 第36-43页 |
| 3.6.1 实验开发环境 | 第36页 |
| 3.6.2 传统隐写分析方法实验结果 | 第36-37页 |
| 3.6.3 预处理层融合 | 第37-38页 |
| 3.6.4 增加跨层结构 | 第38-41页 |
| 3.6.5 卷积层特征融合 | 第41-42页 |
| 3.6.6 深度学习的最优结构 | 第42-43页 |
| 3.7 本章小结 | 第43-45页 |
| 第4章 基于多样性特征的隐写分析算法 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 基于富模型的隐写分析算法整体结构 | 第45-46页 |
| 4.3 富模型建模过程 | 第46-50页 |
| 4.3.1 图像预处理 | 第46-47页 |
| 4.3.2 残差矩阵的截断和量化 | 第47页 |
| 4.3.3 提取共生矩阵 | 第47-49页 |
| 4.3.4 组合分类器分类过程 | 第49-50页 |
| 4.4 隐写分析算法的预处理过程的特点及改进 | 第50-55页 |
| 4.4.1 预处理过程的多样性 | 第50-52页 |
| 4.4.2 预处理过程的优化 | 第52-53页 |
| 4.4.3 改进的预处理方法 | 第53-55页 |
| 4.5 基于多样性特征的隐写分析算法实验及结果 | 第55-56页 |
| 4.5.1 算法实现框架 | 第55页 |
| 4.5.2 实验效果 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |