基于集成学习的数字图像隐写定量分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 数字图像隐写简介 | 第12-14页 |
| 1.2.1 空域隐写 | 第12-13页 |
| 1.2.2 频域隐写 | 第13-14页 |
| 1.3 数字图像隐写的定量分析研究现状 | 第14-18页 |
| 1.3.1 针对特定隐写算法的定量分析方法 | 第15-16页 |
| 1.3.2 基于机器学习的定量分析方法 | 第16页 |
| 1.3.3 集成学习在隐写检测及定量分析中的应用 | 第16-17页 |
| 1.3.4 待解决的关键问题 | 第17-18页 |
| 1.4 本文的工作及组织结构 | 第18-19页 |
| 第二章 基于集成学习的隐写定量分析框架 | 第19-25页 |
| 2.1 集成学习方法 | 第19-20页 |
| 2.2 基于集成学习的定量分析框架 | 第20-24页 |
| 2.2.1 多个基估计器的构建 | 第21-22页 |
| 2.2.2 集成裁剪 | 第22-24页 |
| 2.2.3 嵌入比率估计 | 第24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于支持向量回归的嵌入比率估计器集成 | 第25-39页 |
| 3.1 支持向量回归 | 第25-28页 |
| 3.1.1 支持向量回归基本原理 | 第25-27页 |
| 3.1.2 支持向量回归参数选择 | 第27-28页 |
| 3.2 基于支持向量回归的估计器集成的构建 | 第28-32页 |
| 3.2.1 随机子空间维数 | 第28-29页 |
| 3.2.2 基估计器个数 | 第29-30页 |
| 3.2.3 集成裁剪的参数设置 | 第30-31页 |
| 3.2.4 基于支持向量回归的估计器集成构建算法 | 第31-32页 |
| 3.3 实验及结果分析 | 第32-37页 |
| 3.3.1 实验素材与参数 | 第32-34页 |
| 3.3.2 实验 1：支持向量回归稳定性 | 第34页 |
| 3.3.3 实验 2：集成裁剪有效性验证 | 第34-35页 |
| 3.3.4 实验 3：与已知典型方法对比 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于块选择的图像自适应隐写定量分析 | 第39-48页 |
| 4.1 基于块选择的图像自适应隐写定量分析算法 | 第39-40页 |
| 4.2 基于块选择的图像高概率更改区域估计 | 第40-41页 |
| 4.3 基于块选择的特征提取及敏感性分析 | 第41-44页 |
| 4.4 实验及结果分析 | 第44-47页 |
| 4.4.1 实验素材与参数 | 第44页 |
| 4.4.2 实验结果与分析 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 总结与展望 | 第48-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第59页 |
