| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-9页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-12页 |
| 1.1.1 课题研究背景 | 第9-12页 |
| 1.1.2 课题研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 数字图像篡改手段 | 第12-13页 |
| 1.2.2 数字图像取证的研究现状 | 第13-15页 |
| 1.2.3 卷积神经网络发展概述 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 2 卷积神经网络及图像拼接篡改取证概述 | 第18-30页 |
| 2.1 卷积神经网络 | 第18-23页 |
| 2.1.1 基本特性和结构 | 第18-20页 |
| 2.1.2 常见的网络模型 | 第20-23页 |
| 2.2 数字图像取证分类 | 第23-25页 |
| 2.2.1 主动取证技术 | 第24-25页 |
| 2.2.2 被动取证技术 | 第25页 |
| 2.3 图像拼接篡改模型 | 第25-26页 |
| 2.4 图像拼接篡改盲取证算法 | 第26-29页 |
| 2.4.1 基于高阶统计量双相干的图像拼接检测方法 | 第26-27页 |
| 2.4.2 基于相机响应函数的图像拼接检测方法 | 第27-28页 |
| 2.4.3 基于像素相关的图像拼接检测方法 | 第28页 |
| 2.4.4 基于DCT、DWT的图像拼接检测方法 | 第28页 |
| 2.4.5 基于不变矩的图像拼接检测方法 | 第28-29页 |
| 2.4.6 基于深度学习的图像拼接检测方法 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于卷积神经网络的图像拼接检测模型 | 第30-40页 |
| 3.1 全局平均池化 | 第30-31页 |
| 3.2 预处理层 | 第31-33页 |
| 3.3 特征重用 | 第33-35页 |
| 3.4 网络结构 | 第35-39页 |
| 3.4.1 PlainNet | 第35-38页 |
| 3.4.2 FRNet | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 实验分析 | 第40-56页 |
| 4.1 实验环境 | 第40页 |
| 4.2 实验数据集 | 第40-42页 |
| 4.3 网络训练参数 | 第42页 |
| 4.4 实验结果与对比分析 | 第42-51页 |
| 4.4.1消融实验 | 第42-44页 |
| 4.4.2 不同池化方法对比 | 第44-45页 |
| 4.4.3 预处理层对比 | 第45-48页 |
| 4.4.4 特征重用对比 | 第48-50页 |
| 4.4.5 与现有方法对比 | 第50-51页 |
| 4.5 网络信息可视化 | 第51-55页 |
| 4.6 本章小结 | 第55-56页 |
| 5 图像拼接篡改盲检测系统的设计与实现 | 第56-61页 |
| 5.1 图像拼接篡改盲检测需求分析 | 第56页 |
| 5.2 图像拼接篡改盲检测系统设计 | 第56-58页 |
| 5.3 图像拼接检测结果展示 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 研究工作总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录 | 第68-70页 |
| A.作者在攻读硕士学位期间发表的论文目录 | 第68页 |
| B.作者在攻读硕士学位期间参加的科研项目 | 第68-69页 |
| C.学位论文数据集 | 第69-70页 |
| 致谢 | 第70页 |