本文關(guān)鍵詞：圖像型垃圾郵件檢測機制與算法研究

  更多相關(guān)文章： 圖像型垃圾郵件檢測 垃圾圖像近似復(fù)制檢測 人工神經(jīng)網(wǎng)絡(luò) 遞進式垃圾圖像檢測機制

【摘要】：圖像型垃圾郵件(Image Spam)是一種新型垃圾郵件。垃圾制造者為了避免被基于文本的垃圾郵件過濾系統(tǒng)檢測到,將垃圾信息嵌入到圖片中通過郵件形式發(fā)送。圖像型垃圾郵件的識別是當(dāng)前互聯(lián)網(wǎng)絡(luò)垃圾信息過濾研究領(lǐng)域的熱點之一,目標(biāo)是解決目前垃圾郵件過濾器無法有效過濾圖像型垃圾郵件的問題。本文的研究對象是圖像型垃圾郵件中包含的圖像,下文簡稱垃圾圖像。本文分析了垃圾圖像區(qū)分于正常圖像的各種特征,總結(jié)并分析了目前常用的垃圾圖像過濾方法。本文對現(xiàn)有的檢測方法進行了以下四個方面的改進：1、在垃圾圖像近似復(fù)制檢測方法中,前人使用的算法主要是SIFT算法和SURF算法。雖然這兩種算法都具有很好的檢測效果,但是這兩種算法的效率都不是很高。本文利用BRISK算法進行垃圾圖像近似復(fù)制檢測,有效提高了垃圾圖像近似復(fù)制檢測的效率。2、在垃圾圖像檢測的分類學(xué)習(xí)方法中,本文使用人工神經(jīng)網(wǎng)絡(luò)算法檢測垃圾圖像。由于人工神經(jīng)網(wǎng)絡(luò)對于線性不可分問題具有較好分類效果,并且還具備一些自學(xué)習(xí)、自適應(yīng)的能力,因此能夠滿足垃圾圖像制造者不斷調(diào)整欺詐手段所產(chǎn)生的垃圾圖像的檢測問題。3、垃圾圖像的各種特征中文本區(qū)域特征是判定圖像屬于垃圾圖像還是正常圖像的一組重要的判別特征,而準(zhǔn)確提取圖片中的文本區(qū)域是得到文本區(qū)域特征的前提。本文根據(jù)垃圾圖像的噪聲特點,提出了一種垃圾圖像細(xì)小噪聲去除算法,能夠更準(zhǔn)確的提取垃圾圖像中的文本區(qū)域。4、由于分類學(xué)習(xí)算法和近似復(fù)制檢測算法都具有一些不足的方面,因此本文提出了一種遞進式的垃圾圖像檢測機制,該機制是一個兩級檢測機制,第一層利用近似復(fù)制檢測方法進行過濾,第二層利用分類學(xué)習(xí)算法進行過濾。并且第二層的檢測結(jié)果可以反饋給第一層,來提高第一層的檢測能力,從而使大部分的檢測任務(wù)在第一層就能夠完成。
【關(guān)鍵詞】：圖像型垃圾郵件檢測 垃圾圖像近似復(fù)制檢測 人工神經(jīng)網(wǎng)絡(luò) 遞進式垃圾圖像檢測機制
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP393.098
【目錄】：

• 摘要6-7
• Abstract7-10
• 第1章 緒論10-17
• 1.1 研究背景和意義10-11
• 1.2 圖像型垃圾郵件研究基礎(chǔ)11-14
• 1.2.1 常用概念11-12
• 1.2.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 論文的主要研究內(nèi)容和目標(biāo)14-15
• 1.4 論文的組織結(jié)構(gòu)15-17
• 第2章 垃圾圖像檢測基礎(chǔ)17-24
• 2.1 垃圾圖像特征17-18
• 2.2 垃圾圖像檢測方法18-20
• 2.2.1 基于近似復(fù)制檢測的方法18-19
• 2.2.2 分類學(xué)習(xí)檢測方法19-20
• 2.3 人工神經(jīng)網(wǎng)絡(luò)算法20-24
• 2.3.1 感知器模型21-23
• 2.3.2 BP神經(jīng)網(wǎng)絡(luò)23-24
• 第3章 基于近似匹配的垃圾圖像檢測方法24-35
• 3.1 垃圾圖像近似復(fù)制檢測思想24
• 3.2 近似復(fù)制檢測算法24-31
• 3.2.1 SIFT算法25-27
• 3.2.2 SURF算法27-29
• 3.2.3 BRISK算法29-31
• 3.3 近似復(fù)制檢測算法選擇試驗31-33
• 3.4 基于BRISK算法的垃圾圖像檢測實驗33-35
• 第4章 基于人工神經(jīng)網(wǎng)絡(luò)的垃圾圖像檢測方法35-45
• 4.1 垃圾圖像特征提取35-40
• 4.1.1 垃圾圖像的顏色特征35-36
• 4.1.2 垃圾圖像的文本區(qū)域特征36-39
• 4.1.3 垃圾圖像的噪聲特征39-40
• 4.1.4 圖像淺層次特征40
• 4.2 基于人工神經(jīng)網(wǎng)絡(luò)的垃圾圖像過濾實驗40-45
• 4.2.1 人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練40-42
• 4.2.2 神經(jīng)網(wǎng)絡(luò)檢測垃圾圖像實驗42-45
• 第5章 垃圾圖像檢測機制與實驗45-52
• 5.1 垃圾圖像檢測機制45-46
• 5.2 垃圾圖像檢測實驗46-49
• 5.2.1 實驗數(shù)據(jù)集46-47
• 5.2.2 評價指標(biāo)47
• 5.2.3 垃圾圖像檢測機制實驗47-49
• 5.3 垃圾圖像檢測平臺49-51
• 5.4 實驗對比51-52
• 第6章 總結(jié)與展望52-54
• 6.1 總結(jié)52
• 6.2 展望52-54
• 致謝54-55
• 參考文獻55-59
• 攻讀碩士學(xué)位期間發(fā)表的論文59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 曾愛華,殷瑞祥,崔海霞;基于小波的圖像插值方法[J];河南科技大學(xué)學(xué)報(自然科學(xué)版);2005年02期

2 楊金柱;趙大哲;徐心和;;基于距離場的非線性圖像插值分割方法[J];東北大學(xué)學(xué)報;2006年08期

3 張玉葉;王學(xué)偉;王春歆;;圖像插值分析的交互式分層復(fù)原[J];光電工程;2008年05期

4 王亮;黃曉濤;周智敏;;2維復(fù)圖像插值技術(shù)研究[J];中國圖象圖形學(xué)報;2008年08期

5 符祥;郭寶龍;;圖像插值技術(shù)綜述[J];計算機工程與設(shè)計;2009年01期

6 郝鵬威，朱重光;基于小波的圖像插值方法[J];遙感學(xué)報;1998年02期

7 邱偉;;淺談圖像插值技術(shù)[J];科技致富向?qū)?2011年17期

8 譚璐,吳翊,劉卓;高維圖像數(shù)據(jù)的最優(yōu)表達[J];國防科技大學(xué)學(xué)報;2003年05期

9 張輝;胡廣書;;基于二維卷積的圖像插值實時硬件實現(xiàn)[J];清華大學(xué)學(xué)報(自然科學(xué)版);2007年06期

10 李鋅;張飛舟;;基于再生核濾波器的邊緣保護圖像插值方法[J];計算機工程與應(yīng)用;2008年13期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 胡巍;張桂林;陳朝陽;;基于正交函數(shù)積分理論的圖像插值方法[A];1998年中國智能自動化學(xué)術(shù)會議論文集（下冊）[C];1998年

2 姚春蓮;高麗華;陳誼;李煒;;基于圖像插值的幀內(nèi)預(yù)測[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2008年

3 肖義男;文玉梅;羅毅;;基于邊緣敏感濾波的圖像插值模糊消除[A];中國儀器儀表學(xué)會第六屆青年學(xué)術(shù)會議論文集[C];2004年

4 仵冀穎;阮秋琦;;偏微分方程約束的非局部均值圖像插值模型[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 ;愛國者自然窗330T[N];中國計算機報;2001年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 馬里千;高真實感可視媒體的智能編輯與合成[D];清華大學(xué);2015年

2 魏平;數(shù)字乳腺鉬靶圖像的軟拷貝顯示技術(shù)研究[D];浙江大學(xué);2009年

3 Rukundo Olivier;灰度圖像插值優(yōu)化方法的研究[D];華中科技大學(xué);2012年

4 劉芳;圖像可逆信息隱藏技術(shù)若干問題研究[D];大連理工大學(xué);2013年

5 劉哲星;醫(yī)學(xué)圖像回溯性配準(zhǔn)研究[D];第一軍醫(yī)大學(xué);2002年

6 許博謙;星載相機微振動下圖像補償技術(shù)研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機械與物理研究所);2015年

7 付曉薇;基于量子力學(xué)的圖像處理方法研究[D];華中科技大學(xué);2010年

8 張健;復(fù)雜圖像文本提取關(guān)鍵技術(shù)與應(yīng)用研究[D];南開大學(xué);2014年

9 馮宇平;圖像快速配準(zhǔn)與自動拼接技術(shù)研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機械與物理研究所）;2010年

10 魏昱;圖像顯著性區(qū)域檢測方法及應(yīng)用研究[D];山東大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 翟珍珍;多尺度分析方法在醫(yī)學(xué)影像診斷系統(tǒng)中的應(yīng)用研究[D];鄭州大學(xué);2015年

2 王鳳嬌;基于眼動數(shù)據(jù)的分類視覺注意模型[D];北京交通大學(xué);2016年

3 朱喜玲;圖像的復(fù)數(shù)基表達及其在圖像偽裝中的應(yīng)用[D];北方工業(yè)大學(xué);2016年

4 劉千石;基于邊緣重構(gòu)的圖像插值[D];浙江大學(xué);2016年

5 謝坤;基于圖像的虛擬試衣技術(shù)研究[D];吉林大學(xué);2016年

6 黃秋陽;基于肝臟CT圖像的三維建模與體積計算方法研究[D];吉林大學(xué);2016年

7 劉奔;圖像型垃圾郵件檢測機制與算法研究[D];西南交通大學(xué);2016年

8 楊帆帆;基于插值的拼接圖像盲取證技術(shù)研究[D];山東大學(xué);2016年

9 文豪;用于內(nèi)容恢復(fù)的圖像自嵌入算法研究[D];西南交通大學(xué);2016年

10 王婷婷;基于圖像分塊和多尺度學(xué)習(xí)的肺4D-CT圖像超分辨率重建研究[D];南方醫(yī)科大學(xué);2016年

，

本文編號：898540