[發(fā)明專利]一種基于視覺特征的圖像垃圾郵件過濾方法

無效

• 申請?zhí)枺?/td>: 200910083392.1
• 申請日: 2009-05-06
• 公開（公告）號: CN101540682A
• 公開（公告）日: 2009-09-23
• 發(fā)明（設計）人: 溫向明;何培舟;孫勇;鄭偉;林新棋
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04L9/36
• 分類號: H04L9/36;H04L29/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發(fā)明涉及電子郵件領域，尤其是涉及一種基于視覺特征的圖像垃圾郵件過濾方法。

背景技術

電子郵件由于低廉的價格、便捷的傳輸方式，自產生之日起就一直受到廣大網(wǎng)民青睞，也逐漸受到政府官員的青睞，2009年2月，美國總統(tǒng)奧巴馬向1300萬支持者群發(fā)電子郵件求助^[1]。這使得電子郵件迅速成為垃圾信息滋生的溫床，造成垃圾郵件泛濫。中國互聯(lián)網(wǎng)絡信息中心(CNNIC)發(fā)布的《中國互聯(lián)網(wǎng)發(fā)展狀況統(tǒng)計報告》顯示，2004年1月中國網(wǎng)民平均每周收到垃圾郵件7.9封，但2009年1月中國網(wǎng)民平均每周收到的垃圾郵件數(shù)量達到17.55封，垃圾郵件隨著網(wǎng)民數(shù)量的增加而不斷增長。用戶收到的垃圾郵件正式格式主要有三種，圖片加文本格式，純文本格式和純圖片格式。其中只有近三成是純文本格式，這也說明圖像垃圾郵件所占比例接近70％。由于目前計算機視覺技術無法攻克CAPTCHA，這也使得圖像垃圾郵件附帶的圖像越來越像CAPTCHA。

圖像垃圾郵件是指包含有圖像信息的垃圾郵件，圖像可以包含在正文、附件或托管于其他網(wǎng)站，在正文中顯示。純文本的垃圾郵件大小一般小于5KB，圖像垃圾郵件則會大的多，從1KB到幾MB不等，大多在1K到70K。

圖像垃圾郵件可以輕松繞過傳統(tǒng)的文本過濾器。為了逃避反垃圾郵件設備的掃描，對垃圾郵件制造者來說，圖像垃圾郵件可以輕松逃避掃描郵件正文的反垃圾郵件技術，漂亮的圖像能傳遞更為豐富、專業(yè)的信息，豐富的圖像技術可以迅速制造出不同的圖像垃圾郵件。

目前，圖像垃圾郵件過濾方面的成果并不多，主要可以分為以下三類：

(1)傳統(tǒng)過濾技術

雖然圖像垃圾郵件出現(xiàn)的目的是為了繞開傳統(tǒng)過濾器的掃描，但是傳統(tǒng)過濾技術(如蜜罐)仍然可以截獲少量圖像垃圾郵件。

(2)基于OCR的過濾技術

OCR是英文Optical?Character?Recognition(稱光學字符識別)的縮寫，其目的是解決文字信息的高效、自動輸入到計算機的問題。OCR是自動模式識別領域最成功的技術，OCR可以識別內容清晰的圖像垃圾郵件，無法識別內容模糊的圖像垃圾郵件。OCR技術的不足是計算代價大。

(3)基于文字區(qū)域特征的過濾技術

與使用OCR技術不同，基于文字特征的過濾技術直接利用文字區(qū)域特征進行圖像垃圾郵件過濾，特征主要來源于兩個方面，一方面來源于郵件正文，另一方面來源于郵件圖像。基于文字區(qū)域特征的優(yōu)點是不需用使用昂貴的OCR技術，不足是計算代價過大。

發(fā)明內容

有鑒于此，本發(fā)明的目的是提供一種圖像垃圾郵件的過濾方法和裝置，利用文件屬性特征以及圖像的視覺特征(顏色特征、紋理特征和形狀特征)，以便郵件服務提供商能夠及時發(fā)現(xiàn)圖像垃圾郵件，并采取相應措施對像垃圾郵件進行處理，以凈化計算機網(wǎng)絡環(huán)境和保證互聯(lián)網(wǎng)的安全、暢通。

本發(fā)明既能應用于電子郵件服務器，也能應用于電子郵件客戶端。利用文件屬性特征和視覺特征，實現(xiàn)圖像垃圾郵件的過濾，以達到防范圖像垃圾郵件的目的。

為了實現(xiàn)上述目的，采取的技術方案是：

圖像垃圾郵件的判決規(guī)則如下：

(1)如果圖像垃圾郵件所含圖像為垃圾圖像，那么就判定待測圖像郵件為圖像垃圾郵件；反之，如果為合法圖像，那么就判定待測圖像郵件為圖像合法郵件。

(2)如果使用了黑白名單技術，那么先利用黑白名單判定，然后再利用規(guī)則(1)進行判定。

基于視覺特征的圖像垃圾郵件過濾方法包括下列步驟：

(1)提取待測圖像郵件中圖像的文件屬性特征，并根據(jù)預先設定的閾值對待測圖像進行判決。標記垃圾圖像和可疑圖像。若為垃圾圖像，則直接過濾；若為可疑圖像，則進入步驟(2)。

(2)提取圖像顏色特征、紋理特征和邊緣特征三種視覺特征，利用特征相似度對圖像進行判決。標記垃圾圖像和非垃圾圖像。若為垃圾圖像，則直接過濾。

步驟(1)所述的文件屬性包括：高度、寬度、高寬比、文件類型、文件大小、文件面積、壓縮率、周長復雜度、文字區(qū)域占總區(qū)域的面積比率等。

最好，在進行步驟(1)之前進行如下步驟：

①建立垃圾圖像模板庫；

②提取垃圾圖像的文件屬性特征；

③訓練文件屬性特征，得到經(jīng)驗閾值；

步驟(2)所述的顏色特征包括：灰度直方圖、顏色直方圖、平均色、顏色集、顏色聚合向量、平均亮度、顏色空間。紋理特征包括：共生矩陣、邊緣頻率、小波變換。形狀特征包括：幾何矩、偏心率、骨架。