| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题的研究背景和意义 | 第9页 |
| 1.2 数字水印的研究现状 | 第9-10页 |
| 1.3 数字水印典型算法 | 第10-12页 |
| 1.4 数字水印的应用 | 第12-13页 |
| 1.5 主要研究内容 | 第13-14页 |
| 1.6 本章小结 | 第14-15页 |
| 第2章 数字水印技术 | 第15-24页 |
| 2.1 数字水印技术的基本概念 | 第15-17页 |
| 2.1.1 数字水印系统的基本框架 | 第15-17页 |
| 2.2 数字水印的特性及分类 | 第17-20页 |
| 2.2.1 数字水印的特性 | 第17-18页 |
| 2.2.2 数字水印的分类 | 第18-20页 |
| 2.3 数字水印的性能评估和基准 | 第20-21页 |
| 2.3.1 影响数字水印稳定性的因素 | 第20-21页 |
| 2.3.2 数字水印的评价指标 | 第21页 |
| 2.4 数字水印的常见攻击方法 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 人眼视觉系统（HVS） | 第24-30页 |
| 3.1 常规人眼视觉系统模型 | 第24页 |
| 3.2 人眼视觉系统的特性 | 第24-27页 |
| 3.3 人眼视觉特性与水印容量的关系 | 第27-28页 |
| 3.4 HVS在水印中的应用 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 BP神经网络分类的数字水印算法及实验分析 | 第30-53页 |
| 4.1 人工神经网络技术 | 第30-33页 |
| 4.1.1 人工神经网络基本要素 | 第30页 |
| 4.1.2 人工神经网常用模型 | 第30-33页 |
| 4.2 BP神经网络水印算法 | 第33-37页 |
| 4.2.1 熵掩盖特性模型 | 第33-35页 |
| 4.2.2 水印的嵌入环节 | 第35-37页 |
| 4.2.3 水印的提取过程 | 第37页 |
| 4.3 实验结果及分析 | 第37-42页 |
| 4.3.1 透明性实验 | 第37-38页 |
| 4.3.2 JPEG压缩攻击实验 | 第38-40页 |
| 4.3.3 噪声攻击实验 | 第40-41页 |
| 4.3.4 剪切攻击实验 | 第41-42页 |
| 4.4 基于BP神经网络的对比度函数模型数字水印算法 | 第42-47页 |
| 4.4.1 对比度函数模型 | 第42-44页 |
| 4.4.2 水印的嵌入过程 | 第44-46页 |
| 4.4.3 水印的提取过程 | 第46-47页 |
| 4.5 实验结果及分析 | 第47-52页 |
| 4.5.0 透明性实验 | 第47-48页 |
| 4.5.1 JPEG压缩攻击实验 | 第48-49页 |
| 4.5.2 噪声攻击实验 | 第49-50页 |
| 4.5.3 剪切攻击实验 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 支持向量机的数字水印算法及实验分析 | 第53-74页 |
| 5.1 支持向量机（SVM）理论 | 第53-60页 |
| 5.1.1 SVM回归模型的改进 | 第57-58页 |
| 5.1.2 SVM参数的优化过程 | 第58-60页 |
| 5.2 SVM对比度模型数字水印 | 第60-65页 |
| 5.2.1 水印的嵌入过程 | 第60-64页 |
| 5.2.2 水印的提取 | 第64-65页 |
| 5.3 实验仿真结果及分析 | 第65-73页 |
| 5.3.1 透明性实验 | 第65页 |
| 5.3.2 JPEG压缩攻击实验 | 第65-67页 |
| 5.3.3 噪声攻击实验 | 第67-69页 |
| 5.3.4 剪切攻击实验 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 工作总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读学位期间的研究成果 | 第81页 |