一種基于內(nèi)容的廣告垃圾圖像過(guò)濾方法

一種基于內(nèi)容的廣告垃圾圖像過(guò)濾方法目錄論題意義及其必要性過(guò)濾原理與實(shí)現(xiàn)方法實(shí)驗(yàn)和結(jié)果分析論題意義及其必要性垃圾郵件問(wèn)題日益嚴(yán)重：

2005年7月，中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）發(fā)布的《第十六次中國(guó)互聯(lián)網(wǎng)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，中國(guó)網(wǎng)民平均每周收到14.5封電子郵件，其中垃圾郵件占了9.3封，垃圾郵件數(shù)量已經(jīng)大大超過(guò)了正常郵件數(shù)量。

基于文本過(guò)濾方法的局限性：第一

、基于文本的過(guò)濾受到文本語(yǔ)言種類的限制；第二、垃圾郵件發(fā)送者（spamer）經(jīng)常使用各種各樣的騙術(shù)來(lái)迷惑基于文本的垃圾郵件過(guò)濾器，比如將文字頁(yè)面轉(zhuǎn)換為圖像；有數(shù)據(jù)顯示，包含圖像的垃圾郵件占所有垃圾郵件的25%?？梢?jiàn)，這種欺騙手段已經(jīng)被垃圾郵件制作者們頻繁利用，如果沒(méi)有找到可行的解決辦法，這個(gè)數(shù)字還會(huì)上升。第三、隨著因特網(wǎng)的范圍和容量不斷增長(zhǎng)，郵件包含越來(lái)越多的多媒體信息。一些廣告垃圾圖片的示例目錄論題意義及其必要性過(guò)濾原理與實(shí)現(xiàn)方法實(shí)驗(yàn)和結(jié)果分析過(guò)濾的原理任何廣告都需要用文字來(lái)傳播某種信息。也就是說(shuō)，廣告垃圾圖像的文字區(qū)域特征具有普遍性。本文正是利用廣告垃圾圖像的文字區(qū)域特征來(lái)進(jìn)行廣告垃圾圖像過(guò)濾。

基本步驟：

1.提取圖像的邊緣信息，并把邊緣信息做二值化處理；

2.將二值化邊緣圖像進(jìn)行膨脹處理，使相鄰的字符連通起來(lái),并把膨脹處理后的所有連通區(qū)域作為候選文字區(qū)域記錄下來(lái)；

3.利用文字區(qū)域的特征從候選文字區(qū)域中篩選出正確的文字區(qū)域；

4.根據(jù)得到的文字區(qū)域的數(shù)量和面積等特征對(duì)圖像進(jìn)行分類，把廣告垃圾圖像和合法圖像區(qū)分開來(lái)。

彩色邊緣提取由于廣告圖像中的文本與背景有較強(qiáng)的對(duì)比度，表現(xiàn)為在文本與背景的交界處，存在十分明顯的高頻區(qū)域，因此可以用提取邊緣的方法來(lái)大致估計(jì)出文本可能存在的區(qū)域。由于廣告垃圾圖像大多為彩色圖像，所以本文采用張引等提出的彩色圖像邊緣提取算子來(lái)提取邊緣，利用彩色三分量的彩色邊緣提取算法，充分利用了全面的色彩信息，效果優(yōu)于傳統(tǒng)的灰度邊緣提取算法。

邊緣提取的具體做法如下：已知輸入圖像f的RGB值，其中象素（i，j）的RGB分量分別為R（i，j），G（i，j），B（i，j）。要計(jì)算圖像f的邊緣圖像Edge。

Eud（i1,j1;i2,j2）定義為像素點(diǎn)（i1,j1）與（i2,j2）之間的彩色值歐氏距離。

原圖與邊緣圖像（a）原圖（b）邊緣圖像邊緣圖像二值化閾值選取方法：首先計(jì)算邊緣圖像Edge的歸一化灰度直方圖h（i）：

其中，ni是圖像Edge中灰度值為i的象素的個(gè)數(shù)，N是圖像象素總數(shù)。因?yàn)槲淖謪^(qū)域邊緣十分明顯，所以本文認(rèn)為文字區(qū)域邊緣的灰度級(jí)一般比較高。于是需要找到一個(gè)灰度級(jí)k作為閾值，把灰度大于k的邊緣象素點(diǎn)保留，灰度小于k的邊緣象素點(diǎn)忽略。令；eh(k)表示保留的邊緣象素?cái)?shù)占圖像總象素?cái)?shù)的比例；找到一個(gè)盡可能大的灰度級(jí)k使得eh（k）大于閾值TH1；如果此時(shí)k小于下限TH2，則把TH2作為二值化的閾值，否則把k作為二值化的閾值。在實(shí)驗(yàn)中，我們?nèi)H1=0.2，TH2=120（認(rèn)為文字區(qū)域邊緣的灰度級(jí)不應(yīng)低于120）。二值化邊緣圖像

（c）二值化邊緣圖像候選文文本區(qū)區(qū)域提提取從二值值邊緣緣圖像像中可可以看看出，，由于于文字字的分分布比比較集集中，，所以以文字字附近近的邊邊緣比比較豐豐富，，而且且屬于于同一一文字字區(qū)域域的文文字邊邊緣具具有較較小的的距離離。對(duì)對(duì)于水水平方方向的的文本本行來(lái)來(lái)說(shuō)，，可以以用水水平膨膨脹的的方法法將相相鄰的的邊緣緣連起起來(lái)，，形成成連通通的區(qū)區(qū)域，，從而而在空空間位位置上上將可可能含含有文文本的的區(qū)域域檢測(cè)測(cè)出來(lái)來(lái)。膨脹方方法：：設(shè)f為二值值圖像像，B為結(jié)構(gòu)構(gòu)元素素，二二值形形態(tài)和和（膨膨脹））定義義如下下：其中表表示以以（x，y）為原點(diǎn)點(diǎn)，形形狀與與結(jié)構(gòu)構(gòu)元素素B相同的的區(qū)域域。膨膨脹運(yùn)運(yùn)算具具有擴(kuò)擴(kuò)大圖圖像的的作用用，膨膨脹可可以看看作是是將圖圖像f中的每每一個(gè)個(gè)點(diǎn)（x，y）擴(kuò)大為為。。本文使使用的的結(jié)構(gòu)構(gòu)元素素B是一條條N個(gè)象素素的水水平線線段。。其中中N由圖像像的寬寬度決決定，，因?yàn)闉檩^寬寬的圖圖像里里的文文字的的橫向向間隔隔也會(huì)會(huì)較寬寬。本文中中取N=imageWidth/250+1；其中中imageWidth為圖像像寬度度。把膨脹脹操作作后所所得的的連通通區(qū)域域所在在的最最小的的矩形形區(qū)域域記錄錄為候候選的的文字字區(qū)域域。膨脹邊邊緣圖圖像（d））膨脹脹邊緣緣圖像像文本區(qū)區(qū)域篩篩選本文根根據(jù)文文字區(qū)區(qū)域的的視覺(jué)覺(jué)特征征定義義了若若干約約束條條件，，滿足足所有有約束束條件件的候候選文文字區(qū)區(qū)域被被認(rèn)為為是文文字區(qū)區(qū)域。。本文中中使用用的約束條條件有：（1）文字字區(qū)域域包含含的邊邊緣信信息豐豐富，，因此此連通通區(qū)域域的象象素總總數(shù)占占連通通區(qū)域域所在在矩形形的象象素總總數(shù)的的比例例應(yīng)該該大于于某個(gè)個(gè)閾值值。（2）文字字高度度不能能太小小，否否則人人眼將將無(wú)法法看清清；也也不會(huì)會(huì)太大大，應(yīng)應(yīng)在某某一范范圍內(nèi)內(nèi)。（3）因?yàn)闉槊總€(gè)個(gè)文字字區(qū)域域都是是同行行的幾幾個(gè)字字符粘粘連而而形成成的區(qū)區(qū)域，，所以以文字字區(qū)域域的寬寬高比比應(yīng)當(dāng)當(dāng)大于于某一一閾值值。（4）文字字區(qū)域域中存存在一一組連連續(xù)的的，邊邊緣信信息相相當(dāng)豐豐富的的行。。要求求這段段區(qū)域域的高高度占占文字字區(qū)域域高度度的一一定比比例，，并且且這段段區(qū)域域中的的每一一行的的白點(diǎn)點(diǎn)數(shù)目目大于于某一一閾值值。（5）如果果兩個(gè)個(gè)候選選文字字區(qū)域域具有有包含含關(guān)系系或具具有大大部分分重疊疊的關(guān)關(guān)系，，則保保留面面積較較大的的區(qū)域域。按照上上述準(zhǔn)準(zhǔn)則，，可以以除掉掉候選選文字字區(qū)域域中的的虛假假文字字區(qū)域域，得得到了了相對(duì)對(duì)準(zhǔn)確確的文文字區(qū)區(qū)域。。下頁(yè)頁(yè)的圖圖（e）為為文字字區(qū)域域的提提取結(jié)結(jié)果，，識(shí)別別出的的文字字區(qū)域域用紅紅色邊邊框標(biāo)標(biāo)出。。文字區(qū)域的的提取結(jié)果果（e）文字區(qū)域的的提取結(jié)果果目錄論題意義及及其必要性性過(guò)濾原理與與實(shí)現(xiàn)方法法實(shí)驗(yàn)和結(jié)果果分析實(shí)驗(yàn)和結(jié)果果分析實(shí)驗(yàn)流程如如下圖所示示：廣告垃圾圖圖像判定條條件：主要根據(jù)文文字區(qū)域的的數(shù)量和面面積兩個(gè)特特征判斷圖圖像是否為為廣告垃圾圾圖像。本本實(shí)驗(yàn)設(shè)定定閾值th1，th2。如果圖像像f的文字區(qū)域域數(shù)量大于于th1，或者文字字區(qū)域面積積占圖像總總面積的比比例大于th2，則認(rèn)為圖圖像f為廣告垃圾圾圖像。經(jīng)經(jīng)實(shí)驗(yàn)證明明，th1取值6，th2取值15%可以達(dá)到較較實(shí)用的效效果。文字區(qū)域提提取實(shí)驗(yàn)結(jié)結(jié)果廣告垃圾圖圖像過(guò)濾實(shí)實(shí)驗(yàn)結(jié)果本文為做廣廣告垃圾圖圖像過(guò)濾實(shí)實(shí)驗(yàn)，建立立了一個(gè)圖圖像庫(kù)，分分別由廣告告垃圾圖像像（39幀），普通通圖像（1215幀）和紋理理圖像（598幀）等三種種圖像組成成，下圖為為圖像庫(kù)取取樣。廣告垃圾圖圖像過(guò)濾實(shí)實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)數(shù)據(jù)表表明，廣告告垃圾圖像像集合的檢檢出率接近近80%，大部分特特征明顯的的廣告垃圾圾圖像都能能被檢索出出來(lái)；對(duì)普普通圖像的的誤檢率為為3.045%，控制在可可以接受的的范圍內(nèi)；；而由于紋紋理圖像比比較特殊，，邊緣信息息豐富，產(chǎn)產(chǎn)生很多疑疑似文本的的區(qū)域，對(duì)對(duì)檢索造成成了較大干干擾，所以以誤檢率偏偏高。謝謝大家家！9、靜靜夜夜四四無(wú)無(wú)鄰鄰，，荒荒居居舊舊業(yè)業(yè)貧貧。。。。1月月-231月月-23Thursday,January5,202310、雨雨中中黃黃葉葉樹樹，，燈燈下下白白頭頭人人。。。。03:09:1403:09:1403:091/5/20233:09:14AM11、以我獨(dú)沈沈久，愧君君相見(jiàn)頻。。。1月-2303:09:1403:09Jan-2305-Jan-2312、故人江江海別，，幾度隔隔山川。。。03:09:1403:09:1403:09Thursday,January5,202313、乍乍見(jiàn)見(jiàn)翻翻疑疑夢(mèng)夢(mèng)，，相相悲悲各各問(wèn)問(wèn)年年。。。。1月月-231月月-2303:09:1403:09:14January5,202314、他他鄉(xiāng)鄉(xiāng)生生白白發(fā)發(fā)，，舊舊國(guó)國(guó)見(jiàn)見(jiàn)青青山山。。。。05一一月月20233:09:14上上午午03:09:141月月-2315、比不不了得得就不不比，，得不不到的的就不不要。。。。一月233:09上上午午1月-2303:09January5,202316、行動(dòng)動(dòng)出成成果，，工作作出財(cái)財(cái)富。。。2023/1/53:09:1403:09:1405January202317、做前前，能能夠環(huán)環(huán)視四四周；；做時(shí)時(shí)，你你只能能或者者最好好沿著著以腳腳為起起點(diǎn)的的射線線向前前。。。3:09:14上上午3:09上上午午03:09:141月-239、沒(méi)有失失敗，只只有暫時(shí)時(shí)停止成成功！。。1月-231月-23Thursday,January5,202310、很多事情努努力了未必有有結(jié)果，但是是不努力卻什什么改變也沒(méi)沒(méi)有。。03:09:1403:09:1403:091/5/20233:09:14AM11、成成功功就就是是日日復(fù)復(fù)一一日日那那一一點(diǎn)點(diǎn)點(diǎn)點(diǎn)小小小小努努力力的的積積累累。。。。1月月-2303:09:1403:09Jan-2305-Jan-2312、世間成成事，不不求其絕絕對(duì)圓滿滿，留一一份不足足，可得得無(wú)限完完美。。。03:09:1403:09:1403:09Thursday,January5,202313、不知香積積寺，數(shù)里里入云峰。。。1月-231月-2303:09:1403:09:14January5,202314、意志堅(jiān)強(qiáng)的的人能把世界界放在手中像像泥塊一樣任任意揉捏。05一月20233:09:14上午03:09:141月-2315、楚塞塞三湘湘接，，荊門門九派派通。。。。一月233:09上上午午1月-2303:09January5,202316、少年十五五二十時(shí)，，步行奪得得胡馬騎。。。2023/1/53:09:1403:09:1405January202317、空山新雨雨后，天氣氣晚來(lái)秋。。。3:09:14上上午3:09上上午03:09:141月-239、楊柳散和風(fēng)風(fēng)，青山澹吾吾慮。。1月-231月-23Thursday,January5,202310、閱讀一切好好書如同和過(guò)過(guò)去最杰出的的人談話。03:09:1403:09:1403:091/5/20233:09:14AM11、越越是是沒(méi)沒(méi)有有本本領(lǐng)領(lǐng)的的就就越越加加自自命命不不凡凡。。1月月-2303:09:1403:09Jan-2305-Jan-2312、越是無(wú)無(wú)能的人人，越喜喜歡挑剔剔別人的的錯(cuò)兒。。03:09:1403:0