图像型垃圾邮件检测机制与算法研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 图像型垃圾邮件研究基础 | 第11-14页 |
| 1.2.1 常用概念 | 第11-12页 |
| 1.2.2 国内外研究现状 | 第12-14页 |
| 1.3 论文的主要研究内容和目标 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 垃圾图像检测基础 | 第17-24页 |
| 2.1 垃圾图像特征 | 第17-18页 |
| 2.2 垃圾图像检测方法 | 第18-20页 |
| 2.2.1 基于近似复制检测的方法 | 第18-19页 |
| 2.2.2 分类学习检测方法 | 第19-20页 |
| 2.3 人工神经网络算法 | 第20-24页 |
| 2.3.1 感知器模型 | 第21-23页 |
| 2.3.2 BP神经网络 | 第23-24页 |
| 第3章 基于近似匹配的垃圾图像检测方法 | 第24-35页 |
| 3.1 垃圾图像近似复制检测思想 | 第24页 |
| 3.2 近似复制检测算法 | 第24-31页 |
| 3.2.1 SIFT算法 | 第25-27页 |
| 3.2.2 SURF算法 | 第27-29页 |
| 3.2.3 BRISK算法 | 第29-31页 |
| 3.3 近似复制检测算法选择试验 | 第31-33页 |
| 3.4 基于BRISK算法的垃圾图像检测实验 | 第33-35页 |
| 第4章 基于人工神经网络的垃圾图像检测方法 | 第35-45页 |
| 4.1 垃圾图像特征提取 | 第35-40页 |
| 4.1.1 垃圾图像的颜色特征 | 第35-36页 |
| 4.1.2 垃圾图像的文本区域特征 | 第36-39页 |
| 4.1.3 垃圾图像的噪声特征 | 第39-40页 |
| 4.1.4 图像浅层次特征 | 第40页 |
| 4.2 基于人工神经网络的垃圾图像过滤实验 | 第40-45页 |
| 4.2.1 人工神经网络训练 | 第40-42页 |
| 4.2.2 神经网络检测垃圾图像实验 | 第42-45页 |
| 第5章 垃圾图像检测机制与实验 | 第45-52页 |
| 5.1 垃圾图像检测机制 | 第45-46页 |
| 5.2 垃圾图像检测实验 | 第46-49页 |
| 5.2.1 实验数据集 | 第46-47页 |
| 5.2.2 评价指标 | 第47页 |
| 5.2.3 垃圾图像检测机制实验 | 第47-49页 |
| 5.3 垃圾图像检测平台 | 第49-51页 |
| 5.4 实验对比 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文 | 第59页 |
