秦 偉

（長治職業(yè)技術(shù)學(xué)院，山西 長治 046000）

0 引言

隨著互聯(lián)網(wǎng)的迅速發(fā)展，電子郵件以其方便快捷、低成本等優(yōu)點(diǎn)得到了迅速而廣泛的應(yīng)用，并成為人們?nèi)粘＝涣鳒贤ǖ闹饕ぞ咧?。與此同時(shí)，大量的垃圾郵件的涌現(xiàn)，尤其是近年發(fā)展起來的圖像型垃圾郵件，不僅給垃圾郵件過濾軟件帶來了極大的挑戰(zhàn)，還給大多數(shù)用戶和公司帶來了不可想象的各種損失。因此，圖像型垃圾郵件的過濾顯得尤為重要。

1 圖像型垃圾郵件過濾策略

目前大多數(shù)學(xué)者針對圖像型垃圾郵件的特點(diǎn)所使用的過濾方法有黑白名單過濾算法、貝葉斯過濾算法、決策樹算法和支持向量機(jī)（SVM）分類算法。在傳統(tǒng)的垃圾郵件檢測過濾技術(shù)的基礎(chǔ)上，對于圖像型郵件過濾步驟是：先經(jīng)過黑白名單過濾算法過濾，然后使用OCR技術(shù)（光學(xué)字符識別，Optical Character Recognition）提取出圖像型郵件中的文本，最后使用支持向量機(jī)（SVM）分類算法對郵件進(jìn)行分類，判斷出郵件的類型。

光學(xué)字符識別（OCR）技術(shù)，通過模式識別的方法將包含有文字的圖像文件轉(zhuǎn)化成可以編輯的文本文件。OCR軟件對二值化文檔圖像中文字的提取效果非常理想，但這種效果也僅僅局限于二值化的圖像。使用OCR軟件提取圖像郵件中圖像的文字信息，首要任務(wù)就是對圖像進(jìn)行處理，檢測出圖像中的文本區(qū)域，然后對其進(jìn)行二值化。郵件圖像文本檢測和識別系統(tǒng)整體結(jié)構(gòu)見圖1。

2 圖像型郵件圖像文本檢測

對圖像型郵件中圖像文本進(jìn)行檢測，即對出現(xiàn)在圖像中的文字信息進(jìn)行文本區(qū)域定位。首先要對圖像進(jìn)行初級處理，即圖像邊緣集提??；其次是對圖像中可能含有文字信息的文本區(qū)域進(jìn)行融合；最后，對候選文本區(qū)域進(jìn)行驗(yàn)證。

圖1 郵件圖像文本檢測和識別系統(tǒng)整體結(jié)構(gòu)

2．1 圖像邊緣集提取

2．1．1 求圖像邊緣

在大量的圖像邊緣檢測算法中，John F．Canny在1986年提出的Canny算子以最優(yōu)化算法為基礎(chǔ)，是迄今為止最有效、應(yīng)用最為廣泛的圖像邊緣提取算法［1］。本文將采用Canny算子檢測郵件圖像的垂直和水平方向的邊緣。

Canny算子的算法具體步驟如下：用高斯濾波平滑圖像，以減少甚至去除圖像中的噪聲；用一階微分偏導(dǎo)數(shù)有限差分計(jì)算圖像中每個像素點(diǎn)的梯度值和方向；對圖像的梯度幅值進(jìn)行非極大值抑制；采用雙閾值算法來檢測并連接邊緣，盡量減少偽邊緣段的數(shù)量。2．1．2 圖像邊緣細(xì)化

通過Canny算子檢測之后，我們得到了目標(biāo)區(qū)域的邊緣圖像，但得到的圖像還很粗糙。由于采用Safe point thinning algorithm（SPTA）細(xì)化算法［2］對圖像進(jìn)行處理后，得到的圖像非常圓潤，幾乎不會出現(xiàn)圖像紋理斷裂現(xiàn)象；且該算法的時(shí)間復(fù)雜度較低，是公認(rèn)的處理效果非常好的細(xì)化算法，因此，采用SPTA邊緣細(xì)化算法來對經(jīng)Canny算子處理后的圖像進(jìn)行邊緣細(xì)化。

SPTA算法一般使用窗口模式，通過對平滑處理之后圖像的所有像素進(jìn)行掃描，并以一定的規(guī)則對像素點(diǎn)的鄰域進(jìn)行計(jì)算，然后在橫向和縱向兩個方向上同時(shí)檢測判斷安全點(diǎn)和可能要被刪除的像素點(diǎn)，進(jìn)行圖像的細(xì)化。

2．2 候選文本區(qū)域融合

通過Canny算子［3］對郵件圖像進(jìn)行邊緣提取，并用SPTA算法進(jìn)行邊緣細(xì)化，得到的圖像邊緣具有較好的連通性，而且邊緣細(xì)膩清晰。然而，圖像中還存在一些與圖像文本類似的具有一定規(guī)則的背景物體，在圖像邊緣集的提取過程中保存了下來。因此，為了更好地提取郵件圖像中的關(guān)鍵文字，接下來主要是去除這些具有干擾性的背景區(qū)域，即非文本區(qū)域。

對圖像中非文本區(qū)域的去除方法是：首先，將圖像區(qū)域按顏色視覺特征進(jìn)行聚類；然后，將那些分布特征較為近似的區(qū)域使用小波變換進(jìn)行圖像的分解，以簡化后續(xù)圖像的處理工作；最后，構(gòu)造出區(qū)域能量圖像，并通過文字方向上的投影斷層檢測算法來構(gòu)建出文字塊。

2．3 候選文本區(qū)域融合驗(yàn)證

經(jīng)過圖像候選文本區(qū)域融合之后，明確了文字的方向，并去除了圖像中文字的重疊部分，接下來就是將候選文本區(qū)域中的非文本區(qū)域與文本區(qū)域進(jìn)行分離。在此，使用支持向量機(jī)SVM分類方法［4］來對相應(yīng)的特征進(jìn)行分類，以便得到圖像中的文本區(qū)域。

3 圖像型郵件圖像文本識別

經(jīng)過檢測算法的處理，篩選出了圖像中的文本區(qū)域。但是，要使用OCR軟件提取出圖像中的文字，還需要將圖像進(jìn)行二值化處理。

在對圖像進(jìn)行二值化處理的過程中［5］，由于背景圖像的影響，很容易引入大量的噪聲。因此，為了提高文本的識別率，對二值化得到的圖像進(jìn)行去噪處理是圖像識別的另一個重要任務(wù)。在眾多的圖像去噪處理方法中，使用目前盛行的基于小波的方法進(jìn)行去噪，因?yàn)樗芎芎玫乇３衷紙D像中的紋理細(xì)節(jié)特征，不破壞邊緣輪廓。在圖像文本的識別過程中，將文字的筆畫特征圖和圖像文本顏色層兩種算法相結(jié)合，實(shí)現(xiàn)組合式過濾模式，可得到質(zhì)量較高的二值化圖像。

4 結(jié)束語

通過成熟的OCR技術(shù)識別提取出二值化圖像中的文本，從而實(shí)現(xiàn)圖像型垃圾郵件的過濾，效果比較理想。加強(qiáng)對其他郵件過濾技術(shù)的學(xué)習(xí)研究，融合各種技術(shù)實(shí)現(xiàn)郵件過濾系統(tǒng)是未來的趨勢。

［1］ 劉偉，張鳳荔，程紅蓉，等．改進(jìn)ReliefF算法在圖像型垃圾郵件檢測中的應(yīng)用研究［J］．計(jì)算機(jī)應(yīng)用研究，2009，26（9）：3256－3258．

［2］ Lin Jia－zhen，Cao Jiu－xin，Cheng Jie．New approach for spam sample collection［J］．Journal of Southeast University：Natural Science Edition，2008，38（2）：244－248．

［3］ Anayat S，Ahmad Ｈ Ｆ．Using aprobable weight based Bayesian approach for spam filtering［G］／／Proceedings of INMIC 2004 8th International Multitopic Conference．［s．l］：［s．n］，2004：340－345．

［4］ 張長君．郵件服務(wù)器中基于地址的一種電子郵件過濾方法［J］．大連大學(xué)學(xué)報(bào)，2002，23（2）：13－15．

［5］ 耿技，萬明成，程紅蓉，等．基于文本區(qū)域特征的圖像型垃圾郵件過濾算法［J］．計(jì)算機(jī)應(yīng)用，2008，28（8）：1904－1906．