敏感图像识别的相关技术研究

摘要

随着互联网的飞速发展，它的影响已经渗透到社会生活的各个领域，它改变了我们的生活方式，极大地促进了现代社会的信息交流。但互联网在带给我们方便的同时，也为有害信息的广泛传播提供了便捷。这些有害信息(例如敏感图像)对社会，尤其是对未成年人的影响日益引起人们的极大关注。目前针对网络有害信息的过滤系统，往往采用封锁网址和过滤文字信息的手段，但这是远远不够的，因此基于内容的图像识别与过滤方法越来越引起人们的重视。本文对基于内容的图像识别技术进行了研究，针对敏感图像识别，提出了基于Adaboost(Adaptive boost)算法的特征选择方法，并且利用Adaboost分类器对敏感图像进行识别。 本文首先通过对图像识别中的光照补偿问题的研究，对现有的Gamma矫正方法进行了分析，并在计算复杂度不变的情况下，对原来的非线性函数进行了改进，构造了更合理的Gamma矫正曲线，使Gamma矫正方法的性能得到提高；针对彩色图像中的光照补偿问题，比较了基于不同彩色模型的处理方法：实验结果表明，本文方法在弱化光照影响、提高图像质量方面具有良好的性能。 然后介绍了去除图像椒盐噪声的传统方法，并利用线性预测去除图像椒盐噪声。根据椒盐噪声的特点，判断图像像素是信号像素还是可能的噪声像素，把图像信号像素作为已知信息，把噪声像素作为未知信息，采用三阶线性预测器，利用信号像素预测出噪声像素。实验结果表明，该算法的运算量小，去噪能力强，尤其在处理噪声高度污染图像时，去噪能力表现更为突出。 针对敏感图像识别，介绍并研究皮肤掩码图像的提取方法：根据肤色在颜色空间的分布对皮肤进行提取，然后在得到的肤色掩码图像的肤色区域进行纹理分析，这样得到的掩码图像经过肤色连通区域处理可以进一步去除噪声。 对掩码图提取和选择用于区分敏感图像和非敏感图像的特征，将提取的特征输入到Adaboost分类器。对于分类器，分为学习阶段和测试阶段。在学习阶段，从人为分类的敏感图像库和非敏感图像库提取特征输入到Adaboost分类器，进行训练得到.Adaboost分类器。本文对利用模拟退火算法的训练方法进行了研究。在测试阶段，从待测图像提取特征输入到学习好的Adaboost分类器中，根据分类结果判断其是否为敏感图像。试验结果表明：针对敏感图像识别提出的基于Adaboost算法的特征选择方法能有效地选择敏感图像特征，并且利用Adaboost分类器能有效地识别敏感图像和非敏感图像。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2敏感图像识别技术概况

1.3论文的主要研究内容与结构安排

第二章图像光照补偿方法的研究

2.1引言

2.2非线性Gamma矫正方法的分析及改进

2.3彩色图像的光照补偿方法比较

2.4本章小结

第三章利用线性预测去除图像椒盐噪声

3.1引言

3.2算法

3.2.1算法基本思想

3.2.2线性预测算法

3.2.3利用平滑模板构建图像第一行和第一列

3.2.4利用线性预测去除椒盐噪声步骤

3.3仿真实验及结果分析

3.4本章小结

第四章皮肤掩码图的提取

4.1肤色检测模型及结果分析

4.1.1肤色检测模型

4.1.2 RGB彩色模型

4.1.3 YUV、YIQ彩色模型

4.1.4实验结果及分析

4.2皮肤纹理分析及结果分析

4.2.1纹理模型的建立

4.2.2实验结果及分析

4.3掩码图像的处理

4.4本章小结

第五章敏感图像识别中的特征选择

5.1引言

5.2敏感图像的特征

5.2.1皮肤连通区域

5.2.2皮肤区域占整个图像的比例

5.2.3皮肤区域占皮肤区域外接矩形的比例

5.2.4最大皮肤连通区域占整个图像的比例及区域百分比

5.2.5图像中心区域皮肤比例

5.2.6最大皮肤连通区域的重心分布

5.2.7最大皮肤连通区域的外接矩形长边/最大皮肤连通区域面积

5.2.8皮肤区域轮廓周长和皮肤区域面积的比值

5.3敏感图像的特征选择

5.3.1 Adaboost算法

5.3.2 Adaboost分类器的实现

5.3.3基于特征影响因子的特征选择

5.3.4基于顺序前进法(SFS)的特征选择

5.4敏感图像的分类及结果分析

5.5本章小结

第六章基于Adaboost的敏感图像识别

6.1引言

6.2利用模拟退火算法确定简单分类器的阈值

6.2.1模拟退火算法说明

6.2.2试验结果及分析

6.3本章小结

结论与展望

7.1结论

7.2展望

致谢

参考文献

攻读硕士学位期间的论文及科研成果