| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 图录 | 第11-12页 |
| 表录 | 第12-13页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 信息隐藏 | 第14-18页 |
| 1.2.1 基本概念 | 第14-15页 |
| 1.2.2 数字隐写 | 第15-16页 |
| 1.2.3 隐写分析 | 第16-18页 |
| 1.3 图像隐写技术 | 第18-20页 |
| 1.3.1 空域隐写技术 | 第18-19页 |
| 1.3.2 变换域隐写技术 | 第19-20页 |
| 1.4 图像隐写分析技术 | 第20-22页 |
| 1.4.1 针对性的隐写分析方法 | 第20-21页 |
| 1.4.2 通用盲检测方法 | 第21-22页 |
| 1.5 本文研究内容及章节安排 | 第22-25页 |
| 第二章 信息融合理论及其在隐写分析中的应用 | 第25-35页 |
| 2.1 信息融合概述 | 第25-27页 |
| 2.1.1 基本概念 | 第25页 |
| 2.1.2 目标识别层融合 | 第25-27页 |
| 2.2 决策级融合方法 | 第27-31页 |
| 2.2.1 多数投票法 | 第27页 |
| 2.2.2 D-S 证据理论 | 第27-28页 |
| 2.2.3 模糊积分融合 | 第28-31页 |
| 2.3 基于融合的隐写分析技术研究 | 第31-34页 |
| 2.3.1 基于融合的隐写分析技术简述 | 第31-33页 |
| 2.3.2 基于融合的图像隐写分析技术框图 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于 D-S 证据理论的未知嵌入率图像隐写分析 | 第35-47页 |
| 3.1 方法原理 | 第35-38页 |
| 3.1.1 算法流程 | 第35-37页 |
| 3.1.2 基于权重系数的证据合成 | 第37-38页 |
| 3.2 具体实现 | 第38-41页 |
| 3.2.1 选取证据和建立基本概率分配函数 | 第38-39页 |
| 3.2.2 引入新的权重系数 | 第39-40页 |
| 3.2.3 全局判决 | 第40-41页 |
| 3.3 实验结果及分析 | 第41-45页 |
| 3.3.1 实验设置 | 第41-42页 |
| 3.3.2 固定嵌入率训练的分类器性能 | 第42-43页 |
| 3.3.3 选择参数 | 第43-44页 |
| 3.3.4 不同方法的性能比较 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于 Boosting 算法融合的图像隐写分析 | 第47-55页 |
| 4.1 Boosting 算法 | 第47-49页 |
| 4.1.1 基本概念 | 第47-48页 |
| 4.1.2 AdaBoost 算法流程 | 第48-49页 |
| 4.2 基于 Boosting 算法融合的图像隐写分析方法 | 第49-51页 |
| 4.2.1 框架结构 | 第49-50页 |
| 4.2.2 计算各分类器的权重系数 | 第50页 |
| 4.2.3 决策阶段融合 | 第50-51页 |
| 4.3 实验结果与分析 | 第51-54页 |
| 4.3.1 实验设置 | 第51页 |
| 4.3.2 固定隐写算法训练的分类器性能 | 第51-53页 |
| 4.3.3 与其它融合方法的性能比较 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于图像复杂度和模糊积分融合的图像隐写分析 | 第55-67页 |
| 5.1 方法原理 | 第55-58页 |
| 5.1.1 图像复杂度 | 第55-57页 |
| 5.1.2 隐写分析流程 | 第57-58页 |
| 5.2 具体实现 | 第58-61页 |
| 5.2.1 分类方法 | 第58-59页 |
| 5.2.2 模糊测度 | 第59-60页 |
| 5.2.3 模糊积分融合 | 第60-61页 |
| 5.3 实验结果与分析 | 第61-65页 |
| 5.3.1 实验设置 | 第61-62页 |
| 5.3.2 不同分类方法的性能比较 | 第62-64页 |
| 5.3.3 不同融合方法的性能比较 | 第64-65页 |
| 5.4 本章小结 | 第65-67页 |
| 第六章 结论 | 第67-69页 |
| 6.1 本文工作总结 | 第67页 |
| 6.2 下一步研究展望 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-79页 |
| 作者简历 | 第79页 |
