| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 课题来源 | 第12页 |
| 1.2 数字图像取证技术的研究背景及意义 | 第12-13页 |
| 1.3 数字图像被动盲取证技术研究现状 | 第13-21页 |
| 1.3.1 数字图像被动盲取证技术概述 | 第14-17页 |
| 1.3.2 自然图像与计算机生成图像来源取证技术的研究现状 | 第17-21页 |
| 1.5 本文主要内容及结构安排 | 第21-23页 |
| 1.5.1 主要内容 | 第21页 |
| 1.5.2 结构安排 | 第21-23页 |
| 第2章 数字图像来源取证相关理论介绍 | 第23-32页 |
| 2.1 引言 | 第23页 |
| 2.2 数字图像成像渠道简介 | 第23-24页 |
| 2.2.1 自然图像 | 第23-24页 |
| 2.2.2 计算机生成图像 | 第24页 |
| 2.3 PRNU及其特性 | 第24-25页 |
| 2.4 分形及多重分形 | 第25-28页 |
| 2.4.1 分形 | 第25-27页 |
| 2.4.2 多重分形 | 第27-28页 |
| 2.5 分类器及分类体系 | 第28-31页 |
| 2.5.1 线性分类器(LDA) | 第28-29页 |
| 2.5.2 支持向量机的分类器(SVM) | 第29-30页 |
| 2.5.3 分类体系 | 第30-31页 |
| 2.6 小结 | 第31-32页 |
| 第3章 相机来源取证中PRNU提取方法的比较与分析 | 第32-40页 |
| 3.1 引言 | 第32页 |
| 3.2 PRNU相关性取证原理 | 第32-33页 |
| 3.3 常用的PRNU提取方法 | 第33-35页 |
| 3.3.1 小波域维纳滤波法 | 第33-34页 |
| 3.3.2 基于上下文模型的空域自适应阈值去噪法(CM-SATD) | 第34-35页 |
| 3.3.3 最大似然估计法(ML) | 第35页 |
| 3.4 实验过程描述 | 第35-36页 |
| 3.5 实验结果与性能分析 | 第36-39页 |
| 3.5.1 实验结果 | 第36-37页 |
| 3.5.2 性能比较与分析 | 第37-39页 |
| 3.6 小结 | 第39-40页 |
| 第4章 基于PRNU多重分形谱特征的自然图像与计算机生成图像来源鉴别 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 多重分形谱的计算 | 第40-41页 |
| 4.3 特征选择 | 第41-44页 |
| 4.4 算法描述 | 第44-45页 |
| 4.5 实验结果与性能分析 | 第45-51页 |
| 4.5.1 实验结果 | 第45-46页 |
| 4.5.2 性能分析与讨论 | 第46-51页 |
| 4.6 小结 | 第51-52页 |
| 第5章 数字图像来源鉴别系统设计与开发 | 第52-63页 |
| 5.1 开发平台简介 | 第52-55页 |
| 5.1.1 OpenCV简介 | 第52-53页 |
| 5.1.2 SVM分类器平台配置 | 第53-55页 |
| 5.2 系统设计 | 第55-56页 |
| 5.3 系统实现 | 第56-60页 |
| 5.4 系统功能测试 | 第60-62页 |
| 5.5 小结 | 第62-63页 |
| 结论 | 第63-66页 |
| 参考文献 | 第66-71页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第71-72页 |
| 附录B 攻读学位期间参与的项目 | 第72-73页 |
| 致谢 | 第73页 |
