在當(dāng)今社會,手機(jī)和個人電腦等智能終端的普及在給人們生活提供便利的同時也帶來了一系列的問題。一方面,終端上出現(xiàn)的各種圖片和視頻編輯工具使得針對原始數(shù)據(jù)的篡改變得更加容易,從而導(dǎo)致一系列的盜版問題;另一方面,隨著多媒體數(shù)據(jù)內(nèi)容的多樣化,針對不同類型的多媒體數(shù)據(jù)的安全保護(hù)和認(rèn)證變得更加困難。其中,作為數(shù)據(jù)安全保護(hù)、認(rèn)證的一項重要技術(shù)手段,數(shù)字水印技術(shù)在近十年來得到了迅速的發(fā)展,在解決版權(quán)保護(hù)、票據(jù)防偽等安全問題方面發(fā)揮了重要的作用。然而,在當(dāng)前數(shù)據(jù)爆炸式增長和安全性問題普遍存在環(huán)境下,如何保障和提升水印算法的性能一直激勵著研究人員不斷地前行。作為數(shù)字水印技術(shù)的兩個重要技術(shù)指標(biāo)——魯棒性和不可見性,二者的矛盾問題限制了算法的進(jìn)一步應(yīng)用,因此如何實現(xiàn)兩者性能的同時提升一直是魯棒水印算法設(shè)計的核心問題。在傳統(tǒng)的解決方案中,基于視覺特性設(shè)計的魯棒水印算法因其在視覺保真度和算法魯棒性方面取得的成就引起了研究者們的廣泛關(guān)注。然而在實際的特征設(shè)計過程中,很多算法并不能夠保證在水印嵌入和檢測端的視覺參考特征一致性,因此就會導(dǎo)致水印檢測出現(xiàn)性能下降。除此之外,隨著對人類視覺系統(tǒng)研究的深入以及視覺計算的發(fā)展,出... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：98 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文選題的研究背景及意義
    1.2 數(shù)字水印的研究現(xiàn)狀和趨勢
    1.3 數(shù)字水印與人類視覺系統(tǒng)
    1.4 STDM水印算法原理
    1.5 論文研究內(nèi)容及貢獻(xiàn)
    1.6 本文的組織結(jié)構(gòu)
第二章 基于視覺JND感知特性的魯棒量化水印算法
    2.1 基于視覺屬性特征的L-STDM算法原理
        2.1.1 Watson感知模型
        2.1.2 基于感知模型的L-STDM算法
    2.2 基于模式復(fù)雜度的JND引導(dǎo)的量化水印算法
        2.2.1 基于模式復(fù)雜度的對比度掩蔽因子
        2.2.2 基于模式復(fù)雜度的視覺JND模型
        2.2.3 基于視覺模型的量化步長和水印處理
        2.2.4 實驗結(jié)果及分析
    2.3 基于方向差異性和顏色復(fù)雜度的彩色數(shù)字水印算法
        2.3.1 基于方向差異性的對比度掩蔽
        2.3.2 顏色復(fù)雜度掩蔽
        2.3.3 基于方向差異性及顏色復(fù)雜度構(gòu)建的JND模型
        2.3.4 算法實施流程
        2.3.5 實驗結(jié)果及分析
    2.4 本章小結(jié)
第三章 基于雙層視覺顯著性模型的魯棒水印算法
    3.1 雙層視覺顯著性模型
        3.1.1 自底向上的顯著性特征
        3.1.2 自頂向下的顯著性特征
        3.1.3 融合的視覺顯著性模型
    3.2 雙層視覺顯著性模型引導(dǎo)的JND模型
    3.3 自適應(yīng)量化處理及算法實施流程
    3.4 實驗結(jié)果及分析
        3.4.1 顯著性模型對比
        3.4.2 JND模型性能對比
        3.4.3 水印算法對比
    3.5 本章小結(jié)
第四章 基于統(tǒng)計特性差異的彩色屏幕內(nèi)容圖像水印算法
    4.1 SCI圖像的內(nèi)容統(tǒng)計特性差異
    4.2 基于內(nèi)容分類的混合JND模型
        4.2.1 針對圖像內(nèi)容的對比度掩蔽
        4.2.2 針對文本內(nèi)容的對比度掩蔽
    4.3 基于混合JND模型的STDM水印算法
    4.4 實驗結(jié)果及分析
        4.4.1 水印圖像視覺質(zhì)量對比
        4.4.2 魯棒性評估
    4.5 本章小結(jié)
第五章 基于深度卷積神經(jīng)網(wǎng)絡(luò)模型的水印設(shè)計
    5.1 相關(guān)工作
    5.2 提出的網(wǎng)絡(luò)結(jié)構(gòu)及損失函數(shù)
        5.2.1 殘差卷積神經(jīng)網(wǎng)絡(luò)
        5.2.2 損失函數(shù)
        5.2.3 模型結(jié)構(gòu)
    5.3 基于損失函數(shù)驅(qū)動的深度水印處理
        5.3.1 水印嵌入
        5.3.2 攻擊處理
        5.3.3 水印檢測
    5.4 實驗結(jié)果分析
        5.4.1 實驗設(shè)置
        5.4.2 實驗結(jié)果與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)

博士論文
[1]融合魯棒視覺特性的量化水印算法[D]. 萬文博.山東大學(xué) 2015
[2]抵抗去同步攻擊的魯棒水印技術(shù)研究[D]. 田華偉.北京交通大學(xué) 2013



本文編號：3451298