發(fā)布時間：2017-04-15 21:37

  本文關(guān)鍵詞：圖像型垃圾郵件過濾系統(tǒng)的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著計算機網(wǎng)絡(luò)技術(shù)的發(fā)展和電子郵件應(yīng)用的普及，垃圾郵件制造者常利用圖像型垃圾郵件發(fā)送廣告、色情、欺詐信息及反動思想等不良內(nèi)容牟取利益。同文本型垃圾郵件相比，，圖像型垃圾郵件更難以檢測，同時占用更多的網(wǎng)絡(luò)資源，甚至?xí)o社會安全埋下隱患�，F(xiàn)有的圖像型垃圾郵件過濾系統(tǒng)不盡人意，所以仍有必要開展圖像型垃圾郵件過濾技術(shù)的研究。 本文研究并設(shè)計了一個級聯(lián)型郵件過濾系統(tǒng)，降低了圖像型郵件錯誤分類的可能性。圖像型垃圾郵件過濾技術(shù)主要包括郵件圖像的特征提取和分類識別兩大部分，因此分別從這兩方面介紹本文所設(shè)計的多層郵件過濾系統(tǒng)。 （1）第一層粗分類：利用圖像的底層特征，并結(jié)合支持向量機（SVM）實現(xiàn)粗分類得到第一層過濾系統(tǒng)，使大多數(shù)正常郵件圖像被識別出來。在此過濾系統(tǒng)中，分別對比了顏色特征、梯度特征、LBP特征后，并提出新的融合特征即梯度—LBP的融合特征，利用SVM分類器此特征可以得到更高的準確率。 （2）第二層精分類：選擇更加精細的圖像特征，基于SIFT特征和GIST特征構(gòu)造詞袋模型（Bags of words），引入并改進局部敏感哈希算法（LSH），實現(xiàn)精分類得到第二層過濾系統(tǒng)。在此過濾系統(tǒng)中，比較了LSH算法改進前后的計算復(fù)雜度和分類準確率。并提出一種新的文本定位方法，能夠很好的定位到垃圾郵件圖像中的文本區(qū)域。該方法結(jié)合Adaboost算法利用表示形式簡單和計算速度快的haar特征實現(xiàn)。 （3）第三層進一步分類：利用文字識別軟件（OCR）提取垃圾郵件圖像中的文本信息，并與敏感詞庫進行比對，實現(xiàn)最后一步分類得到第三層過濾系統(tǒng)。 在MATLAB和VS2008的混合編程環(huán)境下，使用標準圖像庫Spam Archive和作者利用互聯(lián)網(wǎng)和電子郵箱搜集的垃圾圖像以及人工構(gòu)造的垃圾圖像進行訓(xùn)練和測試，并分析了每層過濾系統(tǒng)的性能，結(jié)果表明級聯(lián)過濾系統(tǒng)獲得了較高的準確率。
【關(guān)鍵詞】：垃圾郵件 特征提取 支持向量機 局部敏感哈希算法 級聯(lián)分類器
【學(xué)位授予單位】：遼寧工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.41;TP393.098
【目錄】：

• 摘要5-6
• Abstract6-9
• 1 緒論9-15
• 1.1 論文的研究背景與選題意義9-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 論文的主要內(nèi)容及結(jié)構(gòu)安排13-15
• 2 圖像型垃圾郵件過濾概述15-22
• 2.1 圖像型垃圾郵件的定義15-16
• 2.2 圖像型垃圾郵件的種類16-17
• 2.3 圖像型垃圾郵件的特征17-18
• 2.4 現(xiàn)有圖像型垃圾郵件過濾方法18-19
• 2.5 圖像型垃圾郵件數(shù)據(jù)庫19-21
• 2.6 本章小結(jié)21-22
• 3 圖像型垃圾郵件的特征提取22-38
• 3.1 基于圖像底層的特征提取22-26
• 3.1.1 顏色特征22-23
• 3.1.2 梯度特征23-24
• 3.1.3 LBP 特征24-26
• 3.1.4 融合特征26
• 3.2 構(gòu)造基于 SIFT 的詞袋模型26-32
• 3.2.1 SIFT 特征26-31
• 3.2.2 詞袋模型31-32
• 3.3 GIST 特征32-34
• 3.3.1 Gabor 小波概述32-33
• 3.3.2 GIST 特征提取33-34
• 3.4 文本區(qū)域定位與特征提取34-37
• 3.4.1 現(xiàn)有文本區(qū)域定位方法34-35
• 3.4.2 本文文本區(qū)域定位方法35-37
• 3.5 本章小結(jié)37-38
• 4 圖像型垃圾郵件的分類38-48
• 4.1 SVM 算法38-41
• 4.2 最近鄰算法41
• 4.3 相似性檢索算法41-44
• 4.3.1 LSH 算法41-43
• 4.3.2 改進的 LSH 算法43-44
• 4.4 Adaboost 算法44-47
• 4.4.1 弱分類器的訓(xùn)練過程45-46
• 4.4.2 強分類器的訓(xùn)練過程46-47
• 4.4.3 級聯(lián)分類器的訓(xùn)練過程47
• 4.5 本章小結(jié)47-48
• 5 多層垃圾郵件過濾系統(tǒng)總體設(shè)計48-59
• 5.1 系統(tǒng)總體設(shè)計框圖48-49
• 5.2 第一層過濾系統(tǒng)49-52
• 5.2.1 第一層過濾系統(tǒng)框架49
• 5.2.2 第一層過濾系統(tǒng)的實驗結(jié)果與性能分析49-52
• 5.3 第二層過濾系統(tǒng)52-55
• 5.3.1 第二層過濾系統(tǒng)框架52-53
• 5.3.2 第二層過濾系統(tǒng)的實驗結(jié)果與性能分析53-55
• 5.4 第三層過濾系統(tǒng)55-57
• 5.4.1 第三層過濾系統(tǒng)框架55-56
• 5.4.2 第三層過濾系統(tǒng)的實驗結(jié)果與性能分析56-57
• 5.5 文本區(qū)域定位的實驗結(jié)果57-58
• 5.6 本章小結(jié)58-59
• 6 總結(jié)與展望59-61
• 6.1 總結(jié)59
• 6.2 展望59-61
• 參考文獻61-64
• 攻讀碩士期間發(fā)表學(xué)術(shù)論文情況64-65
• 致謝65

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉曉e

本文編號：309317