| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 论文的研究背景与选题意义 | 第8-12页 |
| 1.2 国外研究现状 | 第12-14页 |
| 1.3 国内研究现状 | 第14-16页 |
| 1.4 论文的主要内容及结构安排 | 第16-18页 |
| 第二章 图像垃圾邮件和过滤技术介绍 | 第18-24页 |
| 2.1 图像垃圾邮件的定义 | 第18页 |
| 2.2 图像垃圾邮件的种类 | 第18-19页 |
| 2.3 图像垃圾邮件的特征 | 第19页 |
| 2.4 图像垃圾邮件的演进 | 第19-20页 |
| 2.5 图像垃圾邮件的构造方法 | 第20-21页 |
| 2.6 现有图像垃圾邮件过滤方法 | 第21-22页 |
| 2.7 图像垃圾邮件标准数据库 | 第22-23页 |
| 2.8 本章小结 | 第23-24页 |
| 第三章 级联型图像垃圾邮件过滤系统的设计 | 第24-51页 |
| 3.1 系统拓扑图 | 第24页 |
| 3.2 系统各部分功能介绍 | 第24-25页 |
| 3.3 基于SIFT特征构建词袋模型 | 第25-36页 |
| 3.3.1 提取图像SIFT特征 | 第26-31页 |
| 3.3.2 基于K-means构造词袋模型 | 第31-36页 |
| 3.3.2.1 K-means算法介绍 | 第31-34页 |
| 3.3.2.2 词袋模型介绍 | 第34-35页 |
| 3.3.2.3 基于权值分布的视觉直方图计算 | 第35-36页 |
| 3.4 基于SIFT和卷积神经网络的融合特征提取算法 | 第36-40页 |
| 3.4.1 卷积神经网络 | 第37页 |
| 3.4.2 SIFT-CNN-基于SIFT和卷积神经网络的融合特征 | 第37-40页 |
| 3.4.2.1 基于LeNet网络结构的SIFT-CNN特征提取 | 第37-38页 |
| 3.4.2.2 基于Network in Network结构的子块滤波器设计 | 第38-40页 |
| 3.4.2.3 基于级联子块滤波器的SIFT-CNN特征提取 | 第40页 |
| 3.5 使用SVM进行训练和识别 | 第40-43页 |
| 3.6 基于OCR和KNN最邻近算法的过滤系统 | 第43-50页 |
| 3.6.1 系统功能介绍 | 第43-44页 |
| 3.6.2 图像垃圾邮件文本信息提取 | 第44-46页 |
| 3.6.2.1 基于小波变换的图像二值化 | 第44-46页 |
| 3.6.2.2 提取文本信息和构造敏感词库 | 第46页 |
| 3.6.3 基于改进的KNN算法对垃圾图象进行分类 | 第46-50页 |
| 3.6.3.1 基本概念 | 第46-47页 |
| 3.6.3.2 改进KNN算法 | 第47-50页 |
| 3.7 总结 | 第50-51页 |
| 第四章 级联型图像垃圾邮件过滤系统实现和性能分析 | 第51-65页 |
| 4.1 级联型图像垃圾邮件过滤系统实现 | 第51-54页 |
| 4.2 基于SIFT-CNN特征和SVM过滤系统的实验结果与性能分析 | 第54-61页 |
| 4.2.1 基于SIFT特征的词频分布直方图实验 | 第54-55页 |
| 4.2.2 卷积神经网络的预训练实验 | 第55-56页 |
| 4.2.2.1 LeNet网络的预训练实验 | 第55-56页 |
| 4.2.2.2 Network in Network卷积神经网络网络的预训练实验 | 第56页 |
| 4.2.3 SIFT-CNN特征提取的实验 | 第56-58页 |
| 4.2.4 SVM参数优化实验 | 第58-61页 |
| 4.3 基于OCR和KNN算法的过滤系统实验结果与性能分析 | 第61-63页 |
| 4.4 系统的总体性能分析 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第73页 |
