摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第1章 绪论 | 第16-34页 |
1.1 课题研究背景及其意义 | 第16-19页 |
1.2 国内外研究现状 | 第19-30页 |
1.2.1 数字图像主动取证技术 | 第20-21页 |
1.2.2 数字图像盲取证技术 | 第21-30页 |
1.3 本文研究内容以及结构安排 | 第30-34页 |
1.3.1 论文的主要研究工作 | 第30-32页 |
1.3.2 论文结构安排 | 第32-34页 |
第2章 机器学习模型 | 第34-50页 |
2.1 引言 | 第34-35页 |
2.2 机器学习发展历程 | 第35-36页 |
2.3 浅层机器学习模型 | 第36-42页 |
2.3.1 经典算法简介 | 第36-38页 |
2.3.2 贝叶斯方法 | 第38-42页 |
2.4 深度学习模型 | 第42-50页 |
2.4.1 深度学习概述 | 第42-43页 |
2.4.2 常用模型简介 | 第43-45页 |
2.4.3 卷积神经网络 | 第45-50页 |
第3章 基于朴素贝叶斯分类的双JPEG压缩篡改检测 | 第50-84页 |
3.1 引言 | 第50-51页 |
3.2 双JPEG压缩概述 | 第51-55页 |
3.2.1 JPEG压缩原理 | 第51-54页 |
3.2.2 双JPEG压缩分析 | 第54-55页 |
3.3 朴素贝叶斯分类原理 | 第55-57页 |
3.4 实验数据库 | 第57-61页 |
3.4.1 建立公共数据库的必要性 | 第57-58页 |
3.4.2 中科大伪图数据库 | 第58-61页 |
3.5 基于DCT系数量化映射关系的检测算法 | 第61-71页 |
3.5.1 双JPEG压缩中DCT系数量化映射关系的分析 | 第61-64页 |
3.5.2 基于朴素贝叶斯分类的检测算法 | 第64-66页 |
3.5.3 实验结果及分析 | 第66-71页 |
3.6 基于DCT系数首位统计特性的检测算法 | 第71-81页 |
3.6.1 Benford定律介绍 | 第71-73页 |
3.6.2 基于朴素贝叶斯分类的检测算法 | 第73-75页 |
3.6.3 实验结果及分析 | 第75-79页 |
3.6.4 本章两种算法性能对比 | 第79-81页 |
3.7 本章小结 | 第81-84页 |
第4章 基于深度卷积神经网络的双JPEG压缩篡改检测 | 第84-108页 |
4.1 引言 | 第84页 |
4.2 深度学习的必要性 | 第84-86页 |
4.3 卷积神经网络 | 第86-90页 |
4.3.1 基本思想 | 第86-87页 |
4.3.2 网络结构 | 第87-89页 |
4.3.3 网络的训练 | 第89-90页 |
4.4 基于深度卷积神经网络的双JPEG压缩篡改检测 | 第90-95页 |
4.4.1 特征设计 | 第90-93页 |
4.4.2 网络设计 | 第93-95页 |
4.4.3 篡改区域的定位 | 第95页 |
4.5 实验结果及分析 | 第95-106页 |
4.5.1 实验数据库 | 第96页 |
4.5.2 双JPEG压缩检测 | 第96-99页 |
4.5.3 JPEG图像篡改检测 | 第99-106页 |
4.6 本章小结 | 第106-108页 |
第5章 基于深度卷积神经网络的块效应不一致性检测 | 第108-126页 |
5.1 引言 | 第108页 |
5.2 块效应 | 第108-111页 |
5.3 基于深度卷积神经网络的块效应不一致性检测 | 第111-117页 |
5.3.1 篡改过程中的块效应分析 | 第111-113页 |
5.3.2 特征设计 | 第113-116页 |
5.3.3 网络设计 | 第116-117页 |
5.3.4 篡改区域的定位 | 第117页 |
5.4 实验结果及分析 | 第117-123页 |
5.4.1 实验数据库 | 第117-118页 |
5.4.2 JPEG图像篡改检测 | 第118-123页 |
5.5 本文四种算法比较 | 第123-125页 |
5.6 本章小结 | 第125-126页 |
第6章 总结与展望 | 第126-130页 |
6.1 研究工作总结 | 第126-127页 |
6.2 未来工作展望 | 第127-130页 |
参考文献 | 第130-142页 |
致谢 | 第142-144页 |
在读期间发表的学术论文与取得的其他研究成果 | 第144-146页 |
参加的科研项目与获奖情况 | 第146页 |