论文部分内容阅读
随着信息时代的急速发展,互联网成为人们进行信息交流与传播的最便捷和最重要的工具,但是不良信息也开始在互联网上扩散和传播并成为人们关注的热点。 词袋模型不仅用于文档分类领域,而且近年来已应用到图像处理和识别领域。本文针对现有不良图像检测方法的不足,开展了网络不良图像检测关键技术研究,建立了网络不良图像检测新方法,其论文的主要工作包括: (1)结合阈值分割理论改进了基于贝叶斯判别的肤色检测模型,并通过实验对比,验证了改进后的肤色检测模型对肤色区域检测的有效性。 (2)改进了SIFT(Scale Invariant Feature Transform,SIFT)特征描述子,建立了基于双尺度US-SIFT(Uniform Sampling SIFT,US-SIFT)特征描述子,该特征描述子相比较于传统的SIFT特征描述子,图像特征点的获取方法更为简单,得到的特征点数量更多,能够更加充分的利用图像的信息进行不良图像检测,通过实验对比验证了US-SIFT描述子的有效性,且对采样间隔进行了最优参数选取,使其在保证效率的同时提高图像特征提取的准确率。 (3)改进了传统的视觉词袋构造方法,通过实际计算来选取恰当的聚类中心,利用三角形三边关系定理对聚类计算过程进行简化,通过实验分析了视觉词袋的大小与视觉单词之间耦合度的关系,并通过实验验证了改进后的视觉词袋构造方法获取图像视觉词袋的准确性更高、耗时更少。 (4)借助SVM(Support Vector Machine,SVM)分类器将视觉词袋应用到不良图像检测当中,并将不良图像检测结果与现有的同类不良图像检测方法进行实验对比,结果表明利用本文改进后的视觉词袋进行不良图像检测的正确率和误检率要优于现有的其它同类方法。因此,本文建立的网络不良图像检测新方法具有一定的理论和实用价值。