| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 数字图像来源取证的研究背景及意义 | 第11-12页 |
| 1.2 数字图像来源取证的研究现状 | 第12-19页 |
| 1.2.1 基于图像特征的图像来源取证方法 | 第14-17页 |
| 1.2.2 基于深度学习的图像来源取证方法 | 第17-19页 |
| 1.3 本文主要内容及结构 | 第19-21页 |
| 1.3.1 主要内容 | 第19-20页 |
| 1.3.2 基本结构 | 第20-21页 |
| 第2章 自然图像和计算机图像来源取证相关知识 | 第21-31页 |
| 2.1 纹理特征LBP简介及提取 | 第21-24页 |
| 2.1.1 LBP算子简介 | 第21-22页 |
| 2.1.2 扩展LBP算子简介 | 第22-24页 |
| 2.2 卷积神经网络简介 | 第24-26页 |
| 2.2.1 卷积层 | 第25页 |
| 2.2.2 线性整流层 | 第25页 |
| 2.2.3 池化层 | 第25-26页 |
| 2.2.4 全连接层 | 第26页 |
| 2.3 分类器简介 | 第26-30页 |
| 2.3.1 支持向量机 | 第26-27页 |
| 2.3.2 Softmax分类器 | 第27页 |
| 2.3.3 LIBSVM用法介绍 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于多颜色空间LBP的图像来源取证 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 特征提取 | 第31-36页 |
| 3.2.1 颜色空间转换 | 第32页 |
| 3.2.2 MRELBP特征提取 | 第32-34页 |
| 3.2.3 CCoALBP特征提取 | 第34-36页 |
| 3.2.4 特征联合与分类 | 第36页 |
| 3.3 实验结果与分析 | 第36-40页 |
| 3.3.1 单个图像特征实验结果 | 第36-38页 |
| 3.3.2 本章算法性能分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于卷积神经网络的图像来源取证 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 基于Inception-v3模型和迁移学习的图像来源取证 | 第41-45页 |
| 4.2.1 迁移学习过程 | 第42页 |
| 4.2.2 Inception-v3模型 | 第42-44页 |
| 4.2.3 顶层分类器 | 第44-45页 |
| 4.3 实验结果与分析 | 第45-48页 |
| 4.3.1 不同分类器实验结果 | 第45-46页 |
| 4.3.2 本章算法性能分析 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 图像来源取证系统设计及实现 | 第49-61页 |
| 5.1 引言 | 第49页 |
| 5.2 系统模块的设计 | 第49-50页 |
| 5.3 系统模块的实现 | 第50-52页 |
| 5.3.1 模型训练模块 | 第50-51页 |
| 5.3.2 图像来源检测模块 | 第51-52页 |
| 5.4 功能测试 | 第52-60页 |
| 5.4.1 系统主界面 | 第52-53页 |
| 5.4.2 模型训练模块测试 | 第53-57页 |
| 5.4.3 单幅图像来源检测测试 | 第57-59页 |
| 5.4.4 多幅图像来源检测测试 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 附录 A 攻读学位期间所发表的学术论文目录 | 第69-70页 |
| 附录 B 攻读学位期间参与的项目 | 第70-71页 |
| 致谢 | 第71页 |