首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--一般性问题论文--安全保密论文

网络环境下的数字图像隐写检测技术研究

摘要第4-6页
Abstract第6-7页
第一章 绪论第13-20页
    1.1 研究背景和意义第13-14页
    1.2 数字图像隐写技术第14-16页
        1.2.1 数字隐写的系统模型第14页
        1.2.2 数字隐写的性能指标第14-15页
        1.2.3 数字隐写的技术发展第15-16页
    1.3 数字图像隐写检测技术第16-18页
        1.3.1 隐写检测的系统模型第16页
        1.3.2 隐写检测的性能指标第16-17页
        1.3.3 隐写检测技术发展第17-18页
    1.4 论文的内容内容及章节安排第18-20页
第二章 数字图像隐写分析检测框架第20-28页
    2.1 引言第20页
    2.2 基于二分类器的有监督隐写检测框架第20-22页
    2.3 基于单分类器的半监督隐写检测框架第22-24页
    2.4 基于隐写者识别的无监督隐写检测框架第24-26页
    2.5 拟解决的关键问题第26-27页
    2.6 本章小结第27-28页
第三章 结合图像来源与异常检测的JPEG图像盲检测算法第28-39页
    3.1 引言第28页
    3.2 JPEG图像来源检测算法第28-31页
        3.2.1 相机来源取证算法第29页
        3.2.2 图像来源检索特征第29-31页
    3.3 算法流程第31-32页
    3.4 实验结果及性能分析第32-38页
        3.4.1 图像库构建第32-33页
        3.4.2 嵌密算法和隐写检测特征第33页
        3.4.3 特征预处理第33页
        3.4.4 相机源检测算法性能第33-34页
        3.4.5 所提算法性能第34-38页
    3.5 本章小结第38-39页
第四章 结合图像滤波与异常检测的空域图像盲检测算法第39-50页
    4.1 引言第39页
    4.2 图像滤波检测特征第39-43页
        4.2.1 图像滤波算法第40页
        4.2.2 图像滤波检测算法第40-42页
        4.2.3 图像滤波处理对隐写检测的影响第42-43页
    4.3 高维空间异常检测算法第43-44页
        4.3.1 基于角度的异常检测算法FastABOD第43-44页
        4.3.2 基于Antihub的异常检测算法第44页
    4.4 算法流程第44-45页
    4.5 实验结果及分析第45-48页
        4.5.1 图像库构建第45页
        4.5.2 隐写算法和隐写检测特征第45页
        4.5.3 图像滤波检测性能分析第45-46页
        4.5.4 结合图像滤波检测的隐写检测算法分析第46-48页
    4.6 本章小结第48-50页
第五章 结合富模型特征和卷积神经网络的图像隐写分析第50-61页
    5.1 引言第50-51页
    5.2 卷积神经网络的基本结构第51-52页
        5.2.1 卷积层(Convolutional Layer)第51-52页
        5.2.2 池化层 (Pooling Layer)第52页
        5.2.3 全连接层(Fully-Connected Layer)第52页
    5.3 富模型特征DCTR第52-53页
    5.4 本算法所提神经网络结构第53-55页
        5.4.1 卷积神经网络结构第53-54页
        5.4.2 卷积神经网络训练参数设计第54-55页
        5.4.3 深度学习开发框架第55页
    5.5 实验结果及性能分析第55-59页
        5.5.1 图像数据集和软件平台第56页
        5.5.2 卷积层滤波器选择第56页
        5.5.3 神经网络迭代次数选择第56-58页
        5.5.4 训练样本数目选择第58页
        5.5.5 与集成分类器性能比较第58-59页
    5.6 本章小结第59-61页
第六章 结束语第61-63页
    6.1 论文工作总结第61-62页
    6.2 研究方向展望第62-63页
致谢第63-64页
参考文献第64-70页
作者简历第70页

论文共70页,点击 下载论文
上一篇:基于神经网络的程序行为恶意性判定原型系统的设计与实现
下一篇:Grassmann流形在视频分析中的应用