垃圾圖像特征提取與選擇研究.pdf

1、垃圾圖像識別是當前互聯(lián)網(wǎng)絡(luò)垃圾信息過濾研究領(lǐng)域的熱點之一，目標是解決傳統(tǒng)的垃圾信息過濾方法在過濾垃圾圖像信息時，性能急劇下降甚至失效的問題。解決垃圾圖像識別問題的關(guān)鍵是特征建模時采用的特征提取和特征選擇方法。鑒于電子郵件是目前傳播垃圾圖像信息最主要的途徑之一，本論文以電子郵件所含垃圾圖像為研究對象，針對抗干擾的圖像區(qū)域和圖像邊緣特征提取方法、基于信息度量準則的有監(jiān)督特征選擇方法、應(yīng)對標注瓶頸問題的半監(jiān)督特征選擇方法進行了研究。本文主要的

2、創(chuàng)新性成果包括以下四個方面：
　　1.提出一種抗干擾的文本區(qū)域自動提取方法，削弱了現(xiàn)有相關(guān)方法對圖像質(zhì)量有較高要求的限制。該方法設(shè)計的八鄰域細小區(qū)域去除算法和候選文本區(qū)域篩選機制，能有效降低復(fù)雜背景和不規(guī)整的圖像文字對文本區(qū)域分割形成的干擾。在此基礎(chǔ)上，該方法設(shè)計了一種基于霍夫變換求標記區(qū)域最小外接矩形的算法，克服了現(xiàn)有相關(guān)方法不能有效提取傾斜文本區(qū)域的不足。實驗結(jié)果顯示該方法能有效提高文本區(qū)域的提取精確度，從而獲得更有效的文本區(qū)

3、域特征。
　　2.提出一種郵件圖像邊緣特征提取方法。該方法引入高階局部自相關(guān)（Higher-order Local AutoCorrelation,HLAC）函數(shù)提取郵件圖像的邊緣特征，據(jù)此得到的 HLAC特征能反映圖像內(nèi)容固有的邊緣相關(guān)性，具有對位移和尺度變化不敏感的優(yōu)點，表現(xiàn)出較強的抗干擾能力，克服了現(xiàn)有相關(guān)算法對圖像邊緣分布或者圖像中的文字數(shù)量存在限制條件的不足。真實數(shù)據(jù)集上的實驗結(jié)果證實 HLAC特征是一種有效的判別特征。

4、
　　3.提出一種基于信息度量準則的特征選擇算法。針對現(xiàn)有相關(guān)算法脫離分類環(huán)境評估冗余特征的問題，該算法提出分類冗余特征的定義，并設(shè)計了一個分類信息增益度量化指標，在評估候選特征之前刪除分類冗余特征，降低對評估特征的干擾。針對大多數(shù)信息度量準則不能正確處理特征協(xié)作關(guān)系的問題，該算法運用條件互信息，設(shè)計了一個信息度量準則對特征進行評估。實驗結(jié)果表明該算法能夠有效降低特征空間的復(fù)雜度，提高分類模型的性能。
　　4.提出一種基于圖

5、的半監(jiān)督特征選擇算法。該算法以聚類假設(shè)為理論基礎(chǔ)，對基于譜圖理論的無監(jiān)督特征選擇算法Laplacian Score進行擴展，通過構(gòu)建樣本數(shù)據(jù)的類內(nèi)相似度和類間離散度矩陣，考察特征保持全局結(jié)構(gòu)和局部結(jié)構(gòu)的能力，并且利用分類信息增益度指標去除冗余特征，彌補了現(xiàn)有相關(guān)算法不能處理冗余特征的不足。實驗結(jié)果顯示該算法在樣本標注程度很低的數(shù)據(jù)集上能有效去除冗余特征，選出預(yù)測力強的特征子集。
　　上述研究成果為實現(xiàn)垃圾圖像的自動判別，從而解決垃