基于神经网络的鲁棒型图像水印算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的研究内容和章节安排 | 第12-14页 |
| 第二章 数字水印技术概述 | 第14-21页 |
| 2.1 数字水印技术的基本概念 | 第14页 |
| 2.2 数字水印的特性 | 第14-15页 |
| 2.3 数字水印的分类 | 第15-16页 |
| 2.4 数字水印的基本模型 | 第16-17页 |
| 2.5 数字水印的常见攻击类型 | 第17-18页 |
| 2.6 数字图像水印性能的评估方法 | 第18-21页 |
| 第三章 人工神经网络理论基础 | 第21-28页 |
| 3.1 人工神经网络基本概念 | 第21-22页 |
| 3.2 人工神经网络的基本要素 | 第22-24页 |
| 3.2.1 神经元模型 | 第22-23页 |
| 3.2.2 神经网络模型 | 第23-24页 |
| 3.2.3 神经网络的学习方式 | 第24页 |
| 3.3 BP神经网络 | 第24-28页 |
| 3.3.1 BP神经网络概述 | 第24-27页 |
| 3.3.2 BP网络的学习算法 | 第27-28页 |
| 第四章 基于神经网络的空域水印算法 | 第28-39页 |
| 4.0 人眼视觉掩蔽特性 | 第28-29页 |
| 4.1 灰度共生矩阵 | 第29-31页 |
| 4.2 水印图像的置乱 | 第31-32页 |
| 4.3 基于BP神经网络的彩色图像空域水印算法 | 第32-35页 |
| 4.3.1 水印的嵌入过程 | 第33-35页 |
| 4.3.2 水印的提取过程 | 第35页 |
| 4.4 实验结果与分析 | 第35-39页 |
| 第五章 基于神经网络的小波域水印算法 | 第39-52页 |
| 5.1 小波变换理论 | 第39-42页 |
| 5.1.1 连续小波变换 | 第39-40页 |
| 5.1.2 离散小波变换 | 第40-41页 |
| 5.1.3 数字图像的小波变换 | 第41-42页 |
| 5.2 奇异值分解 | 第42-44页 |
| 5.2.1 奇异值分解定义 | 第42页 |
| 5.2.2 奇异值分解的性质 | 第42-43页 |
| 5.2.3 图像的奇异值分解 | 第43-44页 |
| 5.3 RGB色彩空间和HSI色彩空间 | 第44-46页 |
| 5.3.1 RGB色彩空间 | 第44页 |
| 5.3.2 HSI色彩空间 | 第44-45页 |
| 5.3.3 RGB与HSI色彩空间的转变 | 第45-46页 |
| 5.4 HSI色彩空间下小波域水印算法 | 第46-49页 |
| 5.4.1 水印的嵌入过程 | 第46-48页 |
| 5.4.2 水印的提取过程 | 第48-49页 |
| 5.5 实验结果与分析 | 第49-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-57页 |
