图像型垃圾邮件检测技术研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇图像型垃圾邮件检测技术研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：该文针对图像型垃圾邮件检测出现的各种难点，来实现对图像形垃圾邮件的辨别，对于垃圾邮件图像的识别及其文本的特征性能，提出了图像型垃圾邮件角点检测更好的识别算法。实验结果表明，此类算法识别检测辨别度更高，提高了过滤检测的性能。

关键词：图像型垃圾邮件；特征分析；分类算法；垃圾邮件图像

中图分类号：TP393文献标识码：A文章编号：1009-3044(2012)08-1901-02

Research on the Detection Technology of Image Spam

LIU He-an

(Network Information Center, Hunan City University, Yiyang 413000, China)

Abstract: This paper, aimed at the various difficulties detected by image type spam, achieves the image type spam recognition and puts forward a better recognition algorithm of corner detection in image spam recognition, based on the image recognition of spam and the characteristics of its text. The experimental results show that this algorithm has a higher discrimination degree and can improve the performance of filter detection.

Key words: image type spam; characteristics analysis; classification algorithm; spam image

随着网络技术的飞速发展，中国的网民数量也日益俱增，同时也导致了垃圾邮件急聚膨胀，给人们正常的生产生活带来了很大的影响。为躲避一般垃圾邮件过滤系统的检测，其制造者也不断地在改变着方式花样，而防御者也不断地采用不同的新技术来抵御它，图像型垃圾邮件过滤检测技术就是这些新型垃圾邮件的典型代表。垃圾邮件制造者经常借助一些编码，替换等手段，在不影响阅读信息的情况下，同时又能不暴露自己具有隐藏性，来逃避干扰过滤器对其的检测，诸如扭曲图像、加入干扰元素等。对于图像型垃圾邮件的数量规模增长化，及内容形式多样化等特点，我们可将垃圾邮件技术检测不断地创新提高，与时俱进，为此研究垃圾邮件图像中的文本区域对于垃圾邮件图像的差别所存在的作用，找出一种算法研究，使之更适合于含有强大干扰的垃圾邮件图像角点信息的提取。该算法其性能与识别度更高，具有广泛的实用性。

1图像型垃圾邮件的通常检测难点

图像型垃圾邮件和文本型垃圾邮件存在很大的不同，随着Internet的飞速发展，越来越多的人使用电子邮件、微博、博客等渠道来实现信息的沟通及交流。通过对垃圾邮件图像特征的分析，可把识别图像型垃圾邮件主要困难归纳为以下四方面：

1)垃圾邮件图像缺乏统一的定义

由于网络技术的快速发展，它的开放、全球快捷化，使得信息网络的传播也是形式多样化。一直以来，人们对于垃圾信息的概念都比较地模糊，尚无定论。垃圾信息的制造者常常通过电子邮件来传播。从互联网的角度看，对于网络用户没有用的信息便可都称之为垃圾信息。通信行业标准《防范互联网垃圾电子邮件技术要求》明确将垃圾邮件定义为：①收件人事先没有提出要求或者同意接收的广告、电子刊物以及各种宣传性的电子邮件；②隐藏发件人身份、地址的电子邮件；③含有伪造的信息源、发件人、路由等信息的电子邮件[1]。然而没有统一明确的定义哪些图像可被称为垃圾邮件图像。

2)垃圾邮件图像缺乏语料库

标准公认的语义库可为研究提供可靠的数据来源，并为各分类的算法提供统一的测试集，得出不同的评价。但垃圾邮件图像语料库非常地少，为此我们感到遗憾。

3)人为干扰

垃圾邮件作为网络信息的主力在大肆地传播，搜索引擎，各大博客论坛，BBS论坛里随处可见，一打开网页，各大图像垃圾广告就会被弹出来，为阻止它提出来，往往垃圾邮件制造者就会使用一些干扰技术添加人为干扰。加入了垃圾邮件图像人为干扰的，并不影响图像信息的可读性。

4)处理图像效率不高

对于广泛垃圾泛滥俱增的现象，给人们已带来严重的干扰，为此对于反垃圾邮件的过滤技术将提出更高的实时性的要求。但现在的图像处理技术具有性，处理的时间过长，且会随着图像大小的变化而成线性变化。甚至有些图像型垃圾邮件识别算法在处 理每封邮件时，花费的时间可能长达2-3个小时，所提取要区分垃圾邮件性能好的特征存在着一定的困难，直接影响到了算法的实用性。

2图像型垃圾邮件的分类算法

2.1算法性能的评价标准

对于分类算法的垃圾邮件评价指标中，其中正确率、召回率、精确率较为常用。垃圾邮件评价指标适用于邮件图像的分类算法。[2]可将一个邮件图像的分类结果设定为如下表1。

表1垃圾邮件图像结果判定（单位：幅）

正常图像FP

TN

以上评价指标可用式(1-1)-(1-5)来计算：

R=(1-5)

有些学者目前采用了使用不同的分类算法做了少量对比试验。Seven Krasser收集3600幅不同的垃圾邮件图像以及不同的正常邮件图像来作语料库，选取文件与图像属性都不相同的特征集，将支持向量机算法和C4.5决策树算法进行比较，发现前者的性能略好于后者。[3]因此针对算法的不同特征集，及其所存在的优缺点，可采用多种算法进行比较来确定分类，按照性能指标来进行评价，从而选取最佳的那种算法。

2.2算法描述

1）角点可能性判断

灰度边缘图像I2的所有像素之中有三类必然不会是角点：①点像素值为0，其点要么是背景色要么是干扰色；②为1的像素值，其周围的8个像素点值均为1的点；③在圆形模板B环上，有且只有3个点的像素值为0的序列，B环出现序列1、0、0、0、1时，其像素点不是角点。[4]

2）圆形模板内像素的分布

圆形模板内所有像素点均与圆心像素点(i, j)属于一个文字的时候，不受邻近文字边缘的影响。我们只要把与像素点(i, j)属于一个连通区域的边缘点加到圆形模板内便可。

3）近似角度值计算

第一要求出第n个有效0”域中各环上的近似角度值，再算出该有效“0”域近似角度值。然后求出所有有效0域的最大角度值，然后计算出最终的近似角度值，把值记录进候选角点矩阵。最后返回第一步，计算下一点的近似角度值。

4）抑制非极大值

候选角点矩阵中点(i, j)，当它的角度值当它大于0时，则判断该点是否是角点的步骤是：①选取圆形模板和计算角度值相同当作一个局部区域，采取与第二步一样的方式来计算像素分布图；②选取所有点角度值点矩阵对应用值及点认为角度值都为“0”，对圆形区域角度值进行计算其平均值；③对候选圆形区域内各点和平均值之差的绝对值的计算，如果圆形区域内其它点角度值与平均值之差的绝对值小于点(i, j)处角度值与平均值之差的绝对值，便可认为点(i, j)是角点，否则不是。

3实验结果与性能分析

文中所选用的选取的测试图像全都采用真实垃圾邮件图像集，作为验证角点检测算法在垃圾邮件图像中文字角点时的性能提取，采用角点检测与SUSAN算法来对图像中的角点信息对其进行提取。图像中有文字倾斜的，SUSAN算法对其提取角点502个，共获得角点537个；而对于图像中具有噪声点及有短线干扰的，则共提取出角点439个，共检测出角点数为419个。角点检测结果表明，其算法所识别出的角点定位精度及其数量与SUSAN算法相近。[5]经过实验分析可知，SUSAN算法存在着不足，对于角度它漏检了较多的“X”型，并将部分噪声及短线也视为了角点。因而本文的算法性能要优于SUSAN算法且更为稳定。它不仅能将文字角点进行有效的定位，而且还能计算出角点处张角的近似角度值。对于各种检测算法往往会将角度的大小所忽视，但对于这种角度的大量垃圾文字邮件图像的进一步处理发挥着重要的作用。

4结束语

传统的垃圾邮件主要是以文字为主要内容，其形式上有些古板老套，而图像型的垃圾邮件则时尚多了，它能够将文字藏于图中，这就要求检测技术要不断地提高，本文针对图像型垃圾邮件检测出现的各种难点，来实现了对图像形垃圾邮件的辨别，对于垃圾邮件图像的识别及其文本的特征性能，给出了图像型垃圾邮件角点检测更好的识别算法。实验表明，此类算法识别检测辨别度高，提高了过滤检测的性能，对于所提取的文字角点信息所存在的大量垃圾文字邮件的图像检测过滤技术的识别发挥着更为重要的作用。互联网的飞速发展，垃圾信息其形式的开放性，快捷性，多样性，对于垃圾邮件的检测技术要求也会越来越高，仍需要不断地开拓进取、与时俱进来防止这些垃圾邮件给人们所带来的困扰而为之努力。

参考文献:

[1] Dredzem,Gevaryahu R,Bachrach A E.Leaming fast clas-sifiers for image spam[c]//Proc of the 4th Conference on E-mail and Antispan.2009:56-70.

[2]张博,张秋余,迟宁.自然语言语义理解在反垃圾邮件中的应用[J].计算机应用研究,2011,44(35):9-12.

[3] Wu C T.Embedded-text detection and its application to antrspan filtering[d].Califomia University of Califomia 2010, 56(32):63-65.

[4] Seven Krasser .Image spam filtering using visual information[c]..Proc of thd 14thintemational Conference on Image Analysis and Processing 2009:108-201.

[5]许洋洋,袁华.一种基于内容的图像垃圾邮件过滤方法[J].山东大学学报:理学版,2006,41(3):37-42.