论文部分内容阅读
随着网络信息技术的日益普及和迅速发展，使用电子邮件进行交流，极大地满足了人与人之间的通信需求。但是，垃圾邮件作为互联网中具有争议的副产品，也愈演愈烈，尤其是图像型垃圾邮件（Image Spam），它不仅严重地浪费了资源，而且可能会阻塞和瘫痪网络，影响用户之间的正常沟通。因此，开发高效率的Image Spam检测技术是社会迫切需要的。论文介绍了Image Spam检测技术的背景、目的和意义，阐述了Image Spam的定义、特征、构造方法、检测难点，分析了比较常用的Image Spam检测方法，并指出了这些方法的优势与不足，从而提出了基于K最邻近的标签传播模型（K-Labels Propagation Model，KLPM）的Image Spam检测方法。论文的主要工作和贡献是：（1）提出了基于牛顿（Newton）稀疏表示的方法来消除图像的噪声：利用Newton法处理小波变换后的系数，使系数稀疏化。该方法能够在消除图像噪声产生影响的同时，尽可能多地保留图像的细节，从而提高检测方法的精度。（2）提出了利用SURF算法来提取图像的尺度和旋转不变特征。该算法对图像旋转、仿射变换、尺度缩放等图像的变化都能保持一定的不变性和可区分性。（3）提出了改进的均值聚类算法来聚类图像的特征，构成特征向量，计算图像之间的相似性，保证了图像之间的可比性。（4）提出了标签传播模型分类器，基本思想是：将每幅图像视为一个节点，并打上标签，通过在完全连接图上传播标签，从而对测试图像进行分类。并在此基础上，改进了该分类器，从而设计了基于KLPM的Image Spam检测方法，基本思想是：先通过基于Newton稀疏法的消噪模型来预处理图像，再获取图像聚类中心点信息；然后提取所有图像的加速鲁棒性特征描述符信息，进行均值聚类；最后采用KLPM检测Image Spam。此外，通过实验比较了多种方法，证实了论文方法具有较好的分类效果。