基于图拉普拉斯半监督核的通用隐写检测方法

中文摘要	第1-5页
Abstract	第5-10页
第一章 引言	第10-15页
·选题背景和意义	第10-12页
·国内外研究现状与分析	第12-13页
·主要内容和创新点	第13-14页
·组织结构	第14-15页
第二章 隐写与隐写检测的相关技术概述	第15-26页
·隐写相关原理与方法	第15-16页
·LSB 嵌入原理	第15页
·峰值信噪比	第15页
·JPEG 图像隐写方法	第15-16页
·基于 JPEG 图像的主要隐写算法	第16-18页
·图像隐写检测框架	第18-19页
·图像通用隐写检测框架	第18-19页
·结合图拉普拉斯半监督核的图像隐写检测框架	第19页
·半监督学习简介	第19-22页
·半监督学习基本概念	第19-20页
·基于图的半监督学习	第20-21页
·半监督学习的两个常用假设	第21-22页
·分类器简介	第22-26页
·支持向量机（SVM）	第22-24页
·正则化最小二乘法分类（RLSC）	第24-26页
第三章 改进的共生矩阵特征提取算法	第26-35页
·改进特征提取算法的背景和意义	第26页
·特征提取算法简介	第26-28页
·隐写图像特征提取的原则	第27页
·特征提取的经典方法	第27-28页
·共生矩阵特征提取方法	第28-29页
·共生矩阵	第28页
·DCT 域的共生矩阵分析	第28-29页
·相关的共生矩阵特征提取算法	第29-30页
·81 维共生矩阵	第29页
·Markov 扩展特征（81 维）	第29-30页
·改进的共生矩阵特征提取算法	第30-33页
·DCT 系数的特性	第30-32页
·改进的共生矩阵特征提取算法	第32-33页
·实验及结果分析比较	第33-34页
·实验数据与方法	第33页
·实验结果与分析比较	第33-34页
·本章小结	第34-35页
第四章 图拉普拉斯半监督核的通用隐写检测	第35-44页
·引入半监督核的背景和意义	第35-37页
·图拉普拉斯半监督核	第37-39页
·分类算法	第39-40页
·拉普拉斯 RLS（LapRLS）	第39页
·拉普拉斯 SVM（LapSVM）	第39-40页
·结合流行正则化（MR）的隐写检测算法	第40-41页
·实验及结果分析	第41-42页
·实验数据	第41页
·平衡样本情况下的隐写检测实验（1:1）	第41-42页
·平衡样本情况下的隐写检测实验（10:1）	第42页
·本章小结	第42-44页
第五章 协同的图拉普拉斯半监督核通用隐写检测	第44-52页
·引入协同方法的背景和意义	第44-45页
·流行协同正则化	第45-47页
·协同训练	第45页
·多视图学习	第45-46页
·协同正则化	第46页
·流行协同正则化	第46-47页
·结合协同流行正则化（Co-MR）的隐写检测算法	第47-48页
·实验及结果分析	第48-50页
·实验数据	第48-49页
·平衡样本情况下的隐写检测实验（1:1）	第49页
·平衡样本情况下的隐写检测实验（10:1）	第49-50页
·本章小结	第50-52页
第六章 基于图拉普拉斯半监督核的隐写检测系统	第52-57页
·系统建模	第52-53页
·系统的体系结构	第52-53页
·系统的功能描述	第53页
·系统运行与性能分析	第53-56页
·开发与运行环境	第53-54页
·主要功能界面	第54页
·性能比较分析	第54-56页
·本章小结	第56-57页
结论与展望	第57-58页
全文总结	第57页
下一步展望	第57-58页
参考文献	第58-62页
致谢	第62-63页
个人简历	第63-64页
在学校期间的研究成果以及发表的学术论文	第64页