图像型垃圾邮件检测机制与算法研究

发布时间：2017-09-22 03:27

  本文关键词：图像型垃圾邮件检测机制与算法研究

  更多相关文章： 图像型垃圾邮件检测 垃圾图像近似复制检测 人工神经网络 递进式垃圾图像检测机制

【摘要】：图像型垃圾邮件(Image Spam)是一种新型垃圾邮件。垃圾制造者为了避免被基于文本的垃圾邮件过滤系统检测到,将垃圾信息嵌入到图片中通过邮件形式发送。图像型垃圾邮件的识别是当前互联网络垃圾信息过滤研究领域的热点之一,目标是解决目前垃圾邮件过滤器无法有效过滤图像型垃圾邮件的问题。本文的研究对象是图像型垃圾邮件中包含的图像,下文简称垃圾图像。本文分析了垃圾图像区分于正常图像的各种特征,总结并分析了目前常用的垃圾图像过滤方法。本文对现有的检测方法进行了以下四个方面的改进：1、在垃圾图像近似复制检测方法中,前人使用的算法主要是SIFT算法和SURF算法。虽然这两种算法都具有很好的检测效果,但是这两种算法的效率都不是很高。本文利用BRISK算法进行垃圾图像近似复制检测,有效提高了垃圾图像近似复制检测的效率。2、在垃圾图像检测的分类学习方法中,本文使用人工神经网络算法检测垃圾图像。由于人工神经网络对于线性不可分问题具有较好分类效果,并且还具备一些自学习、自适应的能力,因此能够满足垃圾图像制造者不断调整欺诈手段所产生的垃圾图像的检测问题。3、垃圾图像的各种特征中文本区域特征是判定图像属于垃圾图像还是正常图像的一组重要的判别特征,而准确提取图片中的文本区域是得到文本区域特征的前提。本文根据垃圾图像的噪声特点,提出了一种垃圾图像细小噪声去除算法,能够更准确的提取垃圾图像中的文本区域。4、由于分类学习算法和近似复制检测算法都具有一些不足的方面,因此本文提出了一种递进式的垃圾图像检测机制,该机制是一个两级检测机制,第一层利用近似复制检测方法进行过滤,第二层利用分类学习算法进行过滤。并且第二层的检测结果可以反馈给第一层,来提高第一层的检测能力,从而使大部分的检测任务在第一层就能够完成。
【关键词】：图像型垃圾邮件检测 垃圾图像近似复制检测 人工神经网络 递进式垃圾图像检测机制
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP393.098
【目录】：

• 摘要6-7
• Abstract7-10
• 第1章 绪论10-17
• 1.1 研究背景和意义10-11
• 1.2 图像型垃圾邮件研究基础11-14
• 1.2.1 常用概念11-12
• 1.2.2 国内外研究现状12-14
• 1.3 论文的主要研究内容和目标14-15
• 1.4 论文的组织结构15-17
• 第2章 垃圾图像检测基础17-24
• 2.1 垃圾图像特征17-18
• 2.2 垃圾图像检测方法18-20
• 2.2.1 基于近似复制检测的方法18-19
• 2.2.2 分类学习检测方法19-20
• 2.3 人工神经网络算法20-24
• 2.3.1 感知器模型21-23
• 2.3.2 BP神经网络23-24
• 第3章 基于近似匹配的垃圾图像检测方法24-35
• 3.1 垃圾图像近似复制检测思想24
• 3.2 近似复制检测算法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 近似复制检测算法选择试验31-33
• 3.4 基于BRISK算法的垃圾图像检测实验33-35
• 第4章 基于人工神经网络的垃圾图像检测方法35-45
• 4.1 垃圾图像特征提取35-40
• 4.1.1 垃圾图像的颜色特征35-36
• 4.1.2 垃圾图像的文本区域特征36-39
• 4.1.3 垃圾图像的噪声特征39-40
• 4.1.4 图像浅层次特征40
• 4.2 基于人工神经网络的垃圾图像过滤实验40-45
• 4.2.1 人工神经网络训练40-42
• 4.2.2 神经网络检测垃圾图像实验42-45
• 第5章 垃圾图像检测机制与实验45-52
• 5.1 垃圾图像检测机制45-46
• 5.2 垃圾图像检测实验46-49
• 5.2.1 实验数据集46-47
• 5.2.2 评价指标47
• 5.2.3 垃圾图像检测机制实验47-49
• 5.3 垃圾图像检测平台49-51
• 5.4 实验对比51-52
• 第6章 总结与展望52-54
• 6.1 总结52
• 6.2 展望52-54
• 致谢54-55
• 参考文献55-59
• 攻读硕士学位期间发表的论文59

【相似文献】

中国期刊全文数据库 前10条

1 曾爱华,殷瑞祥,崔海霞;基于小波的图像插值方法[J];河南科技大学学报(自然科学版);2005年02期

2 杨金柱;赵大哲;徐心和;;基于距离场的非线性图像插值分割方法[J];东北大学学报;2006年08期

3 张玉叶;王学伟;王春歆;;图像插值分析的交互式分层复原[J];光电工程;2008年05期

4 王亮;黄晓涛;周智敏;;2维复图像插值技术研究[J];中国图象图形学报;2008年08期

5 符祥;郭宝龙;;图像插值技术综述[J];计算机工程与设计;2009年01期

6 郝鹏威，朱重光;基于小波的图像插值方法[J];遥感学报;1998年02期

7 邱伟;;浅谈图像插值技术[J];科技致富向导;2011年17期

8 谭璐,吴翊,刘卓;高维图像数据的最优表达[J];国防科技大学学报;2003年05期

9 张辉;胡广书;;基于二维卷积的图像插值实时硬件实现[J];清华大学学报(自然科学版);2007年06期

10 李锌;张飞舟;;基于再生核滤波器的边缘保护图像插值方法[J];计算机工程与应用;2008年13期

中国重要会议论文全文数据库 前4条

1 胡巍;张桂林;陈朝阳;;基于正交函数积分理论的图像插值方法[A];1998年中国智能自动化学术会议论文集（下册）[C];1998年

2 姚春莲;高丽华;陈谊;李炜;;基于图像插值的帧内预测[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（上册）[C];2008年

3 肖义男;文玉梅;罗毅;;基于边缘敏感滤波的图像插值模糊消除[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 仵冀颖;阮秋琦;;偏微分方程约束的非局部均值图像插值模型[A];第十三届全国图象图形学学术会议论文集[C];2006年

中国重要报纸全文数据库 前1条

1 ;爱国者自然窗330T[N];中国计算机报;2001年

中国博士学位论文全文数据库 前10条

1 马里千;高真实感可视媒体的智能编辑与合成[D];清华大学;2015年

2 魏平;数字乳腺钼靶图像的软拷贝显示技术研究[D];浙江大学;2009年

3 Rukundo Olivier;灰度图像插值优化方法的研究[D];华中科技大学;2012年

4 刘芳;图像可逆信息隐藏技术若干问题研究[D];大连理工大学;2013年

5 刘哲星;医学图像回溯性配准研究[D];第一军医大学;2002年

6 许博谦;星载相机微振动下图像补偿技术研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2015年

7 付晓薇;基于量子力学的图像处理方法研究[D];华中科技大学;2010年

8 张健;复杂图像文本提取关键技术与应用研究[D];南开大学;2014年

9 冯宇平;图像快速配准与自动拼接技术研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2010年

10 魏昱;图像显著性区域检测方法及应用研究[D];山东大学;2012年

中国硕士学位论文全文数据库 前10条

1 翟珍珍;多尺度分析方法在医学影像诊断系统中的应用研究[D];郑州大学;2015年

2 王凤娇;基于眼动数据的分类视觉注意模型[D];北京交通大学;2016年

3 朱喜玲;图像的复数基表达及其在图像伪装中的应用[D];北方工业大学;2016年

4 刘千石;基于边缘重构的图像插值[D];浙江大学;2016年

5 谢坤;基于图像的虚拟试衣技术研究[D];吉林大学;2016年

6 黄秋阳;基于肝脏CT图像的三维建模与体积计算方法研究[D];吉林大学;2016年

7 刘奔;图像型垃圾邮件检测机制与算法研究[D];西南交通大学;2016年

8 杨帆帆;基于插值的拼接图像盲取证技术研究[D];山东大学;2016年

9 文豪;用于内容恢复的图像自嵌入算法研究[D];西南交通大学;2016年

10 王婷婷;基于图像分块和多尺度学习的肺4D-CT图像超分辨率重建研究[D];南方医科大学;2016年

，

本文编号：898540