| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.2 JPEG图像取证技术发展历史与现状 | 第13-17页 |
| 1.2.1 JPEG压缩检测 | 第13-14页 |
| 1.2.2 双重JPEG压缩检测 | 第14-17页 |
| 1.3 JPEG图像反取证技术发展历史与现状 | 第17-18页 |
| 1.4 本文结构 | 第18-19页 |
| 第2章 图像取证检测与卷积神经网络技术基础 | 第19-28页 |
| 2.1 JPEG图像取证检测技术基础 | 第19-22页 |
| 2.1.1 JPEG压缩标准 | 第19-21页 |
| 2.1.2 基于首字母特征的双重JPEG图像压缩检测 | 第21-22页 |
| 2.1.3 基于统计直方图的双重JPEG图像压缩检测 | 第22页 |
| 2.2 卷积神经网络技术基础 | 第22-24页 |
| 2.2.1 卷积操作 | 第22页 |
| 2.2.2 批归一化处理 | 第22-23页 |
| 2.2.3 池化方法 | 第23页 |
| 2.2.4 激活函数 | 第23页 |
| 2.2.5 全连接层 | 第23-24页 |
| 2.3 基于卷积神经网络的双重JPEG压缩 | 第24-27页 |
| 2.3.1 基于频域的卷积神经网络 | 第24-25页 |
| 2.3.2 基于结合域的卷积神经网络 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于DCT域的卷积神经网络 | 第28-40页 |
| 3.1 DCT系数的结构特性及网络输入 | 第28-29页 |
| 3.2 网络结构概述 | 第29-31页 |
| 3.3 网络各功能层详述 | 第31-33页 |
| 3.3.1 切割层 | 第31页 |
| 3.3.2 取绝对值层 | 第31页 |
| 3.3.3 卷积块 | 第31-32页 |
| 3.3.4 合并层 | 第32页 |
| 3.3.5 全连接层 | 第32页 |
| 3.3.6 损失函数 | 第32-33页 |
| 3.4 实验 | 第33-39页 |
| 3.4.1 图像库 | 第33-34页 |
| 3.4.2 网络参数与训练方法 | 第34页 |
| 3.4.3 实验结果和分析 | 第34-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于空域的卷积神经网络 | 第40-51页 |
| 4.1 JPEG图像解压缩空域像素的结构特性及网络输入 | 第40-41页 |
| 4.2 网络结构概述 | 第41-43页 |
| 4.3 网络各功能层详述 | 第43-46页 |
| 4.3.1 分割层 | 第43-44页 |
| 4.3.2 图像归一化 | 第44页 |
| 4.3.3 差分滤波器 | 第44页 |
| 4.3.4 卷积块 | 第44-45页 |
| 4.3.5 最大值池化层 | 第45页 |
| 4.3.6 合并层 | 第45页 |
| 4.3.7 全连接层 | 第45-46页 |
| 4.4 反取证技术应用场景分类 | 第46-47页 |
| 4.5 实验 | 第47-50页 |
| 4.5.1 双重JPEG压缩检测 | 第47-48页 |
| 4.5.2 嵌入反取证技术的双重JPEG压缩检测 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 基于双域的卷积神经网络 | 第51-61页 |
| 5.1 改进结构的基于DCT域的卷积神经网络 | 第51-53页 |
| 5.1.1 设计理念 | 第51页 |
| 5.1.2 结构的改进 | 第51-53页 |
| 5.1.3 性能比较 | 第53页 |
| 5.2 基于双域的卷积神经网络 | 第53-54页 |
| 5.3 实验 | 第54-60页 |
| 5.3.1 实验设置 | 第54-55页 |
| 5.3.2 DD-CNN与DC-CNN、SB-CNN的性能对比 | 第55-56页 |
| 5.3.3 DD-CNN与其他检测器的性能对比 | 第56-57页 |
| 5.3.4 DD-CNN与多分类 | 第57-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第6章 总结和展望 | 第61-63页 |
| 6.1 本文总结 | 第61-62页 |
| 6.2 未来展望 | 第62-63页 |
| 参考文献 | 第63-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间的研究成果 | 第71页 |
