一种基于内容的广告垃圾图像过滤方法.pptx

一种基于内容的广告垃圾图

像过滤方法

•一种基于内容的广告垃圾图像过滤方法

目录

n论题意义及其必要性

n过滤原理与实现方法

n实验和结果分析

论题意义及其必要性

n垃圾邮件问题日益严重：

2005年7月，中国互联网络信息中心（CNNIC）发布的《第十六次中国互联网发展

状况统计报告》显示，中国网民平均每周收到14.5封电子邮件，其中垃圾邮件占了9.3

封，垃圾邮件数量已经大大超过了正常邮件数量。

n基于文本过滤方法的局限性：

第一、基于文本的过滤受到文本语言种类的限制；

第二、垃圾邮件发送者（spamer）经常使用各种各样的骗术来迷惑基于文本的垃圾

邮件过滤器，比如将文字页面转换为图像；有数据显示，包含图像的垃圾邮件占所有

垃圾邮件的25%。可见，这种欺骗手段已经被垃圾邮件制作者们频繁利用，如果没有找

到可行的解决办法，这个数字还会上升。

第三、随着因特网的范围和容量不断增长，邮件包含越来越多的多媒体信息。

一些广告垃圾图片的示例

目录

n论题意义及其必要性

n过滤原理与实现方法

n实验和结果分析

过滤的原理

任何广告都需要用文字来传播某种信息。也就是说，广告垃圾图像的文

字区域特征具有普遍性。本文正是利用广告垃圾图像的文字区域特征来进行

广告垃圾图像过滤。

基本步骤：

1.提取图像的边缘信息，并把边缘信息做二值化处理；

2.将二值化边缘图像进行膨胀处理，使相邻的字符连通起来,并把膨胀处理后

的所有连通区域作为候选文字区域记录下来；

3.利用文字区域的特征从候选文字区域中筛选出正确的文字区域；

4.根据得到的文字区域的数量和面积等特征对图像进行分类，把广告垃圾图

像和合法图像区分开来。

彩色边缘提取

由于广告图像中的文本与背景有较强的对比度，表现为在文本与背景的

交界处，存在十分明显的高频区域，因此可以用提取边缘的方法来大致估计

出文本可能存在的区域。

由于广告垃圾图像大多为彩色图像，所以本文采用张引等提出的彩色图

像边缘提取算子来提取边缘，利用彩色三分量的彩色边缘提取算法，充分利

用了全面的色彩信息，效果优于传统的灰度边缘提取算法。

边缘提取的具体做法如下：

已知输入图像f的RGB值，其中象素（i，j）的RGB分量分别为R（i，j），

G（i，j），B（i，j）。要计算图像f的边缘图像Edge。

Eud（i1,j1;i2,j2）定义为像素点（i1,j1）与（i2,j2）之间的彩色值欧氏距

离。

原图与边缘图像

（a）原图（b）边缘图像

边缘图像二值化

阈值选取方法：

首先计算边缘图像Edge的归一化灰度直方图h（i）：

其中，ni是图像Edge中灰度值为i的象素的个数，N是图像象素总数。

因为文字区域边缘十分明显，所以本文认为文字区域边缘的灰度级一般比较

高。于是需要找到一个灰度级k作为阈值，把灰度大于k的边缘象素点保留，

灰度小于k的边缘象素点忽略。

令；

eh(k)表示保留的边缘象素数占图像总象素数的比例；找到一个尽可能大的

灰度级k使得eh（k）大于阈值TH1；如果此时k小于下限TH2，则把TH2作为二

值化的阈值，否则把k作为二值化的阈值。在实验中，我们取TH1=0.2，

TH2=120（认为文字区域边缘的灰度级不应低于120）。

二值化边缘图像

（c）二值化边缘图像

候选文本区域提取

从二值边缘图像中可以看出，由于文字的分布比较集中，所以文字附近的边缘比较

丰富，而且属于同一文字区域的文字边缘具有较小的距离。对于水平方向的文本行来

说，可以用水平膨胀的方法将相邻的边缘连起来，形成连通的区域，从而在空间位置

上将可能含有文本的区域检测出来。

膨胀方法：

设f为二值图像，B为结构元素，二值形态和（膨胀）定义如下：

其中表示以（x，y）为原点，形状与结构元素B相同的区域。膨胀运算具有

扩大图像的作用，膨胀可以看作是将图像f中的每一个点（