| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的与意义 | 第9-10页 |
| 1.3 研究内容与结构 | 第10-12页 |
| 1.3.1 论文的研究内容 | 第10-11页 |
| 1.3.2 论文的内容结构 | 第11-12页 |
| 第二章 图像型垃圾邮件检测方法的综述 | 第12-23页 |
| 2.1 图像型垃圾邮件的介绍 | 第12-16页 |
| 2.1.1 图像型垃圾邮件的定义 | 第12页 |
| 2.1.2 图像型垃圾邮件的特征 | 第12-14页 |
| 2.1.3 图像型垃圾邮件的构造 | 第14-16页 |
| 2.2 图像型垃圾邮件检测的挑战 | 第16-17页 |
| 2.3 图像型垃圾邮件的检测方法 | 第17-22页 |
| 2.3.1 基于分类算法的检测方法 | 第18-19页 |
| 2.3.2 基于垃圾邮件位置的检测方法 | 第19-20页 |
| 2.3.3 基于图像特征的检测方法 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于 Newton 稀疏表示法的图像消噪 | 第23-36页 |
| 3.1 图像噪声 | 第23-26页 |
| 3.1.1 噪声模型 | 第23-24页 |
| 3.1.2 噪声特性 | 第24-25页 |
| 3.1.3 图像质量的评价方法 | 第25-26页 |
| 3.2 传统的图像消噪方法 | 第26-27页 |
| 3.3 稀疏表示的理论 | 第27-30页 |
| 3.3.1 稀疏表示的理论背景 | 第28页 |
| 3.3.2 稀疏表示的理论基础 | 第28-30页 |
| 3.4 基于稀疏表示法的图像消噪 | 第30-32页 |
| 3.5 基于 Newton 稀疏表示法的图像消噪 | 第32-35页 |
| 3.5.1 Newton 法的理论介绍 | 第32-33页 |
| 3.5.2 基于 Newton 法的消噪模型 | 第33-34页 |
| 3.5.3 基于 Newton 法的消噪算法 | 第34页 |
| 3.5.4 实验结果与分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于标签传播模型的图像型垃圾邮件检测 | 第36-49页 |
| 4.1 图像的特征提取与处理 | 第36-42页 |
| 4.1.1 提取图像特征 | 第37-41页 |
| 4.1.2 优化图像特征 | 第41-42页 |
| 4.2 标签传播模型的研究 | 第42-46页 |
| 4.2.1 标签传播的思想 | 第42-43页 |
| 4.2.2 构建标签传播模型 | 第43-45页 |
| 4.2.3 标签传播的可行性 | 第45-46页 |
| 4.3 实验与讨论 | 第46-48页 |
| 4.3.1 实验评价指标 | 第46-47页 |
| 4.3.2 实验数据集 | 第47页 |
| 4.3.3 实验与结果分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于 KLPM 的图像型垃圾邮件检测 | 第49-61页 |
| 5.1 图论基础 | 第49-50页 |
| 5.2 基于 K 最邻近的标签传播模型检测方法的研究 | 第50-54页 |
| 5.2.1 构建 K 最邻近的标签传播模型 | 第51-52页 |
| 5.2.2 基于 KLPM 的图像型垃圾邮件的检测方法 | 第52-54页 |
| 5.2.3 图像标签的获取 | 第54页 |
| 5.3 实验与讨论 | 第54-59页 |
| 5.3.1 KLPM 中 K 值的确定 | 第55-56页 |
| 5.3.2 基于 KLPM 的方法与其他方法的比较 | 第56-59页 |
| 5.4 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 论文完成的工作 | 第61-62页 |
| 6.2 未来的研究方向 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 附录2 攻读硕士学位期间申请的专利 | 第67-68页 |
| 致谢 | 第68页 |
