近些年來,垃圾郵件制造者為了躲避基于郵件文本的傳統(tǒng)垃圾郵件過濾系統(tǒng)的攔截,將特定宣傳目的的垃圾信息嵌入到圖片中,并通過郵件的形式群發(fā)給個人和企業(yè)用戶。這類郵件是一種新型的垃圾郵件,統(tǒng)稱為圖像型垃圾郵件（Image Spam）。同文本型垃圾郵件相比,圖像型垃圾郵件通常含有大量的垃圾信息,如具有特定目的政治宣傳信息、宗教宣傳和廣告推銷信息等,這給個人和企業(yè)用戶帶來較大困擾,給正常的工作與生活帶來不利的影響。圖像型垃圾郵件的標識與過濾已經(jīng)成為了信息安全領域的研究熱點,對圖像型垃圾郵件過濾技術的研究具有重要的現(xiàn)實意義�，F(xiàn)有的基于郵件文本的傳統(tǒng)垃圾郵件過濾系統(tǒng)不能有效的過濾圖像型垃圾郵件,因此需要一個系統(tǒng)去高效和準確地過濾圖像型垃圾郵件,來完善和補充現(xiàn)有的垃圾郵件過濾系統(tǒng)。本文的研究對象是圖像型垃圾郵件中的圖像,下文簡稱為垃圾圖像。本文在分析和歸納了垃圾圖像的典型特征的基礎上,設計了一個遞進式的、基于級聯(lián)方法的并帶有反饋機制的雙層過濾系統(tǒng),第一層采用基于垃圾圖像近似匹配的過濾方法,第二層采用深度學習中的卷積神經(jīng)網(wǎng)絡方法進行圖像分類,實現(xiàn)垃圾圖像的過濾。本文的主要工作如下:首先,根據(jù)垃圾圖像大多是... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

CNN的基本結構

味約?檔憬?芯?罰?コ?衾嗉?檔悖?緩蠖ㄒ寮?檔愕姆?向，最后得到圖像局部的特征點，由特征點生成對圖像尺度變換及旋轉保持不變的特征描述子。(1)構建圖像尺度空間：在數(shù)字圖像處理中，尺度空間指是計算機圖像處理模型中的一個工具，它在模型中引入了一個尺度參數(shù)，隨著這個參數(shù)的連續(xù)變化，可以得到在不同尺度下的特定圖像序列。與此同時，對這些圖像序列根據(jù)尺度大小進行模糊程度變化的高斯操作，以此來模擬目標在人眼視網(wǎng)膜中的成像過程。在SIFT算法中是通過構建圖像的高斯金字塔來實現(xiàn)圖像尺度空間。高斯金字塔如圖3.2所示。尺度空間可由像素與高斯核函數(shù)的卷積得到，然后在尺度空間中，尋找極值點，通過極大值抑制，得到穩(wěn)定的極值點。圖3.2圖像高斯金字塔構造尺度空間：一幅二維圖像(,)的尺度空間(,,)可由公式3.1式表示。(,,)=(,,)(,)(3.1)其中是尺度空間參數(shù)，為卷積操作，(,,)為高斯核函數(shù)，定義為：(,,)=122(2+222)(3.2)利用公式3.1對圖像進行高斯平滑處理，得到一個圖像高斯金字塔，這是初步構造的尺度空間。為了找到更加穩(wěn)定的圖像關鍵點，由高斯金字塔（LaplacianofGaussian，LoG）進一步優(yōu)化并構造高斯差分金字塔（DifferenceofGaussian，DoG），公式（3.3）所示：

第三章基于近似匹配的垃圾圖像檢測過濾方法21(,,)=[(,,)(,,)](,)=(,,)(,,)(3.3)其中為閾值，由此可在構建的DoG金字塔中尋找可能的極值點。通過像素點與其點周圍8個相鄰點，以及向下相鄰尺度空間的9×2個點，總共26個點相比較來選取極大或極小值點。精確定位特征點：在高斯差金字塔中檢測得到的極值點是在離散的尺度空間里得到的，高斯差分函數(shù)確定的極值點很可能不是真正意義上的極值點，也有可能是附近的點，因此會產生邊緣效應。為了消除這種影響，SIFT算法的機制是擬合一個高次函數(shù)來尋找真正的極值點，如圖3.3所示，通過這種方式，增強了算法的穩(wěn)定性。圖3.3離散空間中的極值點與真實極值點的區(qū)別特征點方向的確定：SIFT算法是通過計算高斯差分金字塔中的到的極值點鄰域的梯度方向，該方向指定為特征點方向，使得由特征點生成的特征描述子具有尺度不變性。在DoG中檢測出的關鍵點，在其領域高斯金字塔圖的3鄰域窗口內計算梯度幅值(,)及方向(,)：(,)=√[(+1,)(1,)]2+[(,+1)(,1)]2(3.4)(,)=((,+1)(,1)(+1,)(1,))(3.5)到這里，完成了極值點的檢測，考慮的因素有特征點的位置、方向和尺度。圖3.4圖像梯度和關鍵點描述


本文編號：3270664