| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 引言 | 第11-19页 |
| ·研究背景及意义 | 第11-13页 |
| ·数字图像取证概述 | 第13-17页 |
| ·数字图像主动取证 | 第14-15页 |
| ·数字图像盲取证 | 第15-17页 |
| ·论文的主要工作及组织结构 | 第17-19页 |
| 2 数字图像盲取证方法概述 | 第19-29页 |
| ·数字图像盲取证定义与分类 | 第19-25页 |
| ·基于图像伪造痕迹的盲取证技术 | 第20-21页 |
| ·基于成像设备一致性的盲取证技术 | 第21-23页 |
| ·基于自然图像统计特性的盲取证技术 | 第23-25页 |
| ·自然图像与计算机生成图像鉴别技术 | 第25-27页 |
| ·数字图像盲取证基本框架 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 基于自然图像统计特性的计算机生成图像鉴别模型 | 第29-43页 |
| ·自然图像与计算机图像成像过程 | 第29-32页 |
| ·自然图像成像过程 | 第29-30页 |
| ·计算机生成图像成像过程 | 第30-32页 |
| ·自然图像小波域的统计特性 | 第32-36页 |
| ·小波变换的基本性质 | 第32-33页 |
| ·图像小波子带系数分布模型 | 第33-36页 |
| ·计算机生成图像与自然图像鉴别算法流程 | 第36页 |
| ·分类器设计 | 第36-41页 |
| ·支持向量机 | 第37-38页 |
| ·LibSVM介绍及使用 | 第38-41页 |
| ·图像数据库选择 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 4 基于图像统计特性的计算机生成图像鉴别算法及仿真实现 | 第43-66页 |
| ·基于高阶累积量的鉴别算法 | 第43-52页 |
| ·QMF分解 | 第43-46页 |
| ·高阶累积量特征提取 | 第46-47页 |
| ·预测误差矩阵 | 第47-48页 |
| ·仿真实现及结果 | 第48-52页 |
| ·基于统计描述的鉴别算法 | 第52-63页 |
| ·对称分数阶B样条小波与传统小波 | 第52-54页 |
| ·分数阶B样条小波及其性质 | 第54-55页 |
| ·统计描述特征提取 | 第55-59页 |
| ·仿真实现及结果 | 第59-63页 |
| ·两种算法比较 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 5 结论 | 第66-68页 |
| ·本文总结 | 第66-67页 |
| ·展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 作者简历 | 第72-74页 |
| 学位论文数据集 | 第74页 |