| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-13页 |
| §1-1 课题研究背景及意义 | 第10页 |
| §1-2 数字水印的发展与研究现状 | 第10-11页 |
| §1-3 本文的研究内容 | 第11-13页 |
| 第二章 数字水印技术 | 第13-23页 |
| §2-1 数字水印系统的基本框架 | 第13-14页 |
| §2-2 数字水印技术的特性、分类 | 第14-16页 |
| 2-2-1 数字水印技术的特性 | 第14-15页 |
| 2-2-2 数字水印的分类 | 第15-16页 |
| §2-3 数字水印技术的应用和研究现状 | 第16-20页 |
| 2-3-1 数字水印技术的应用 | 第16-17页 |
| 2-3-2 数字水印技术的研究现状 | 第17-20页 |
| §2-4 数字图像水印的性能评估和基准 | 第20-21页 |
| 2-4-1 影响水印稳健性的因素 | 第20页 |
| 2-4-2 基于象素的视觉质量的定量描述 | 第20-21页 |
| §2-5 水印系统评测中的攻击方法 | 第21-23页 |
| 第三章 人工神经网络基础 | 第23-30页 |
| §3-1 人工神经网络基本概念 | 第23-26页 |
| 3-1-1神经网络的结构模型 | 第24-25页 |
| 3-1-2 神经网络的学习方法 | 第25-26页 |
| §3-2 常用人工神经网络模型 | 第26-30页 |
| 3-2-1 BP神经网络 | 第26-27页 |
| 3-2-2 RBF 神经网络 | 第27-28页 |
| 3-2-3 离散 Hopfield 网络 | 第28-30页 |
| 第四章 基于神经网络的空域图像水印算法 | 第30-42页 |
| §4-1 空域人眼视觉特性 | 第30-32页 |
| §4-2 基于 RBF 神经网络的空域图像水印算法 | 第32-37页 |
| 4-2-1 水印嵌入过程 | 第32-34页 |
| 4-2-2 水印提取过程 | 第34-35页 |
| 4-2-3 神经网络模型的确定 | 第35页 |
| 4-2-4 仿真结果及分析 | 第35-37页 |
| 4-2-5 结论 | 第37页 |
| §4-3 基于神经网络的空域图像水印改进算法 | 第37-41页 |
| 4-3-1 水印嵌入过程 | 第37-39页 |
| 4-3-2 水印提取过程 | 第39页 |
| 4-3-3 仿真结果及分析 | 第39-41页 |
| §4-4 本章小结 | 第41-42页 |
| 第五章 基于神经网络的奇异值分解图像水印算法 | 第42-57页 |
| §5-1 奇异值分解 | 第42-48页 |
| 5-1-1 奇异值分解的定义 | 第42页 |
| 5-1-2 奇异值分解的性质 | 第42-44页 |
| 5-1-3 奇异值分解对几何失真不变性的分析 | 第44-47页 |
| 5-1-4 图像矩阵的奇异值分解的特性 | 第47页 |
| 5-1-5 奇异值分解的应用 | 第47-48页 |
| §5-2 基于BP 神经网络的奇异值分解图像水印算法 | 第48-56页 |
| 5-2-1 建立基于奇异值分解的BP 模型 | 第48-49页 |
| 5-2-2 宿主图像预处理 | 第49-50页 |
| 5-2-3 水印嵌入过程 | 第50-51页 |
| 5-2-4 水印提取过程 | 第51页 |
| 5-2-5 仿真结果及分析 | 第51-56页 |
| §5-3 本章小结 | 第56-57页 |
| 第六章 总结和展望 | 第57-59页 |
| §6-1 本文总结 | 第57页 |
| §6-2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间所取得的相关科研成果 | 第63页 |