全息水印图像加密技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题的研究背景及意义 | 第8页 |
| 1.2 计算全息图的特点 | 第8-9页 |
| 1.3 数字水印的基本特性 | 第9页 |
| 1.4 全息水印的国内外研究现状 | 第9-10页 |
| 1.5 全息图压缩的国内外研究现状 | 第10页 |
| 1.6 图像质量的评估 | 第10-11页 |
| 1.7 本论文主要工作 | 第11-13页 |
| 第二章 计算全息和数字水印基本理论 | 第13-21页 |
| 2.1 计算全息概述 | 第13页 |
| 2.2 计算全息图分类 | 第13-14页 |
| 2.3 计算全息基本理论 | 第14-18页 |
| 2.3.1 菲涅耳衍射理论 | 第14-15页 |
| 2.3.2 菲涅耳计算全息图的获得与重现 | 第15-16页 |
| 2.3.3 全息图的再现方法讨论 | 第16-17页 |
| 2.3.4 改善全息图重现像像质 | 第17-18页 |
| 2.4 数字水印基本理论 | 第18-20页 |
| 2.4.1 数字水印基本框架 | 第18-19页 |
| 2.4.2 数字水印分类 | 第19-20页 |
| 2.4.3 数字水印的常见算法 | 第20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 粒子群优化BP神经网络全息图压缩 | 第21-35页 |
| 3.1 人工神经网络基本理论 | 第21-23页 |
| 3.1.1 人工神经网络基本简介 | 第21-22页 |
| 3.1.2 人工神经网络特点 | 第22页 |
| 3.1.3 人工神经网络的学习方式 | 第22-23页 |
| 3.2 BP神经网络基本理论 | 第23-25页 |
| 3.2.1 BP神经网络简介 | 第23页 |
| 3.2.2 BP神经网络标准算法 | 第23-24页 |
| 3.2.3 BP神经网络权值调整 | 第24页 |
| 3.2.4 BP神经网络压缩全息图的可行性分析 | 第24-25页 |
| 3.3 粒子群优化算法简介 | 第25-27页 |
| 3.3.1 粒子群优化算法基本原理 | 第25-26页 |
| 3.3.2 对粒子群算法的改进 | 第26-27页 |
| 3.4 建立全息图压缩模型 | 第27页 |
| 3.5 算法步骤及实验结果分析 | 第27-34页 |
| 3.5.1 算法步骤 | 第28-29页 |
| 3.5.2 实验结果及分析 | 第29-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 基于图像压缩技术的数字水印算法研究 | 第35-53页 |
| 4.1 离散小波变换和奇异值分解简介 | 第35-37页 |
| 4.1.1 离散小波变换 | 第35-36页 |
| 4.1.2 奇异值分解 | 第36-37页 |
| 4.2 算法的设计与实现 | 第37-38页 |
| 4.2.1 水印的嵌入算法 | 第37页 |
| 4.2.2 水印的提取算法 | 第37-38页 |
| 4.3 实验结果与分析 | 第38-52页 |
| 4.3.1 水印不可见性测试 | 第38-41页 |
| 4.3.2 本文水印算法的鲁棒性测试 | 第41-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 结论 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 作者简介 | 第60页 |
| 攻读硕士学位期间研究成果 | 第60页 |
