垃圾图像特征提取与选择研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-15页 |
| 第一章 绪论 | 第15-29页 |
| ·研究背景与意义 | 第15-16页 |
| ·国内外研究现状 | 第16-24页 |
| ·垃圾图像识别方法概述 | 第16-18页 |
| ·基于图像内容的识别方法 | 第18-24页 |
| ·论文主要工作及创新点 | 第24-27页 |
| ·论文主要工作 | 第24-26页 |
| ·论文主要创新点 | 第26-27页 |
| ·论文章节安排 | 第27-29页 |
| 第二章 相关研究基础 | 第29-43页 |
| ·垃圾图像识别模型 | 第29-33页 |
| ·垃圾图像的定义 | 第29-31页 |
| ·垃圾图像识别过程 | 第31-32页 |
| ·分类学习算法 | 第32-33页 |
| ·特征提取 | 第33-36页 |
| ·基于颜色的特征提取 | 第33-34页 |
| ·基于文本区域的特征提取 | 第34-35页 |
| ·基于边缘的特征提取 | 第35-36页 |
| ·特征选择 | 第36-42页 |
| ·相关特征与冗余特征 | 第36页 |
| ·特征选择类型 | 第36-37页 |
| ·基于信息度量的特征选择 | 第37-40页 |
| ·半监督特征选择 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 图像的形状特征提取方法 | 第43-60页 |
| ·引言 | 第43-44页 |
| ·抗干扰的文本区域自动提取 | 第44-52页 |
| ·彩色边缘检测与二值化 | 第45-46页 |
| ·八邻域细小区域去除算法 | 第46-47页 |
| ·最小外接矩形提取方法 | 第47-49页 |
| ·文本区域筛选 | 第49-50页 |
| ·实验及分析 | 第50-52页 |
| ·基于HLAC 函数的边缘特征提取 | 第52-59页 |
| ·HLAC 函数 | 第52-53页 |
| ·HLAC 特征提取方法 | 第53-54页 |
| ·基于HLAC特征的SVM分类器 | 第54-55页 |
| ·实验及分析 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 第四章 基于条件互信息的特征选择方法 | 第60-81页 |
| ·引言 | 第60-61页 |
| ·特征交互 | 第61-63页 |
| ·特征交互的信息度量 | 第61-62页 |
| ·特征交互类型 | 第62-63页 |
| ·分类冗余特征 | 第63-65页 |
| ·基于条件互信息的特征选择算法CMIFS | 第65-70页 |
| ·信息度量准则 | 第65-68页 |
| ·CMIFS算法描述 | 第68-69页 |
| ·时间复杂度分析 | 第69-70页 |
| ·实验及分析 | 第70-80页 |
| ·实验一：标准数据集实验 | 第70-77页 |
| ·实验二：邮件图像数据集实验 | 第77-80页 |
| ·本章小结 | 第80-81页 |
| 第五章 基于图的半监督特征选择方法 | 第81-99页 |
| ·引言 | 第81-82页 |
| ·半监督LAPLACIAN分值函数 | 第82-87页 |
| ·图的Laplacian | 第82-83页 |
| ·半监督的s-Laplacian分值函数 | 第83-86页 |
| ·构建邻接矩阵 | 第86-87页 |
| ·半监督特征选择算法GSFS | 第87-89页 |
| ·冗余特征去除 | 第87页 |
| ·GSFS算法 | 第87-89页 |
| ·实验及分析 | 第89-98页 |
| ·实验一：标准数据集实验 | 第89-94页 |
| ·实验二：邮件图像数据集实验 | 第94-98页 |
| ·本章小结 | 第98-99页 |
| 第六章 垃圾图像识别方法在邮件过滤系统中的应用 | 第99-109页 |
| ·垃圾邮件防火墙AONE整体设计 | 第99-101页 |
| ·系统部署 | 第99-100页 |
| ·系统组成 | 第100-101页 |
| ·图像分类子系统 | 第101-105页 |
| ·子系统结构 | 第101-102页 |
| ·模型学习 | 第102-104页 |
| ·模型预测 | 第104-105页 |
| ·系统测试及分析 | 第105-108页 |
| ·测试数据集 | 第105页 |
| ·系统设置 | 第105-106页 |
| ·测试结果 | 第106-108页 |
| ·本章小结 | 第108-109页 |
| 第七章 结束语 | 第109-111页 |
| 致谢 | 第111-112页 |
| 参考文献 | 第112-122页 |
| 攻博期间取得的研究成果 | 第122-126页 |
