| 摘要 | 第10-12页 |
| Abstract | 第12-13页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 通用隐秘分析研究进展 | 第15-20页 |
| 1.2.1 通用隐秘分析 | 第15-16页 |
| 1.2.2 半盲隐秘分析研究进展 | 第16-18页 |
| 1.2.4 全盲隐秘分析研究进展 | 第18-20页 |
| 1.3 图像通用隐秘分析面临的问题及挑战 | 第20-21页 |
| 1.4 本文主要工作及全文组织结构 | 第21-24页 |
| 1.4.1 主要工作 | 第21-22页 |
| 1.4.2 全文组织结构 | 第22-24页 |
| 第2章 图像通用隐秘分析机理 | 第24-33页 |
| 2.1 引言 | 第24-25页 |
| 2.2 图像通用隐秘分析原理框架 | 第25-27页 |
| 2.3 图像通用隐秘分析完备特征 | 第27-28页 |
| 2.4 图像通用隐秘分析特征预处理 | 第28-29页 |
| 2.5 图像通用隐秘分析分类 | 第29-30页 |
| 2.6 图像通用隐秘分析方法评测 | 第30-31页 |
| 2.7 本章小结 | 第31-33页 |
| 第3章 基于样本预分类的隐秘分析方法 | 第33-56页 |
| 3.1 引言 | 第33-34页 |
| 3.2 样本内容对隐秘分析的影响 | 第34-36页 |
| 3.3 基于样本预分类的隐秘分析模型 | 第36-38页 |
| 3.4 基于聚类预分类的隐秘分析算法 | 第38-54页 |
| 3.4.1 聚类理论 | 第38-41页 |
| 3.4.2 基于聚类预分类的隐秘分析算法框架 | 第41-42页 |
| 3.4.3 基于聚类预分类的半盲隐秘分析算法 | 第42-49页 |
| 3.4.4 基于聚类预分类的全盲隐秘分析算法 | 第49-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第4章 基于不确定性推理的隐秘分析方法 | 第56-75页 |
| 4.1 引言 | 第56-57页 |
| 4.2 不确定性推理理论 | 第57-59页 |
| 4.3 基于不确定性推理的隐秘分析模型 | 第59-61页 |
| 4.3.1 问题描述 | 第59-60页 |
| 4.3.2 模型构建 | 第60-61页 |
| 4.4 基于证据推理的隐秘分析算法框架 | 第61-62页 |
| 4.5 基于证据推理的半盲隐秘分析算法 | 第62-68页 |
| 4.5.1 算法设计 | 第62-65页 |
| 4.5.2 实验结果与分析 | 第65-68页 |
| 4.6 基于证据推理的全盲隐秘分析算法 | 第68-73页 |
| 4.6.1 算法设计 | 第68-71页 |
| 4.6.2 实验结果与分析 | 第71-73页 |
| 4.7 本章小结 | 第73-75页 |
| 第5章 基于多角度特征集成的隐秘分析方法 | 第75-94页 |
| 5.1 引言 | 第75-76页 |
| 5.2 基于多角度特征集成的隐秘分析模型 | 第76-78页 |
| 5.2.1 多角度特征 | 第76-77页 |
| 5.2.2 模型构建 | 第77-78页 |
| 5.3 基于对称交互熵的半盲隐秘分析算法 | 第78-87页 |
| 5.3.1 特征提取 | 第78-82页 |
| 5.3.2 特征集成 | 第82-85页 |
| 5.3.3 实验结果与分析 | 第85-87页 |
| 5.4 基于局部保持投影特征降维的全盲隐秘分析算法 | 第87-92页 |
| 5.4.1 特征提取 | 第87-89页 |
| 5.4.2 特征集成 | 第89-90页 |
| 5.4.3 实验结果与分析 | 第90-92页 |
| 5.5 本章小结 | 第92-94页 |
| 第6章 基于集成线性分类的隐秘分析方法 | 第94-105页 |
| 6.1 引言 | 第94-95页 |
| 6.2 基于集成学习的隐秘分析模型 | 第95-96页 |
| 6.3 基于集成线性分类的全盲隐秘分析算法 | 第96-103页 |
| 6.3.1 特征提取 | 第96-97页 |
| 6.3.2 集成线性分类器设计 | 第97-101页 |
| 6.3.3 实验结果与分析 | 第101-103页 |
| 6.4 本章小结 | 第103-105页 |
| 第7章 总结与展望 | 第105-108页 |
| 7.1 全文总结 | 第105-106页 |
| 7.2 研究展望 | 第106-108页 |
| 参考文献 | 第108-118页 |
| 攻读博士学位期间的科研成果 | 第118-120页 |
| 致谢 | 第120页 |