بهبود تشخیص هرزنامه‌های تصویری با استفاده از روشی نوین در انتخاب ویژگی‌های بافت تصویر

هرزنامه از معضلاتی است که جوامع بشری را درگیر خود کرده است. با اینکه تحقیقات زیادی در این زمینه صورت گرفته است اما چون هرزنامه‌نویسان مانند ویروس‌ها مدام روش خود را تغییر می‌دهند، لذا همواره نیاز به ارائه راه‌کارهای جدید در این زمینه مشاهده می‌شود. هدف از این پژوهش، استفاده از ویژگی‌های بافت تصویر در تشخیص هرزنامه‌های تصویری می‌باشد. تاکنون از 22 ویژگی بافت تصویر به‌صورت یکجا جهت تشخیص هرزنامه تصویری استفاده نشده است. در این مقاله، روشی ترکیبی جهت استخراج ویژگی‌های کلیدی استفاده می‌شود. در روش ترکیبی پیشنهادی، از ماتریس هم‌رخداد سطح خاکستری، مربع کای و آستانه تغییرات مقدار ویژگی‌ها استفاده می‌شود. مراحل ذکر شده تاثیر بسیار زیادی در عملکرد دسته‌بندها داشته و باعث بهبود دقت تشخیص می‌شود. در مرحله دسته‌بندی از پرکاربردترین الگوریتم‌های یادگیری ماشین برای تشخیص هرزنامه‌های تصویری استفاده می‌شود؛ همچنین پس از بدست آوردن نتایج هر دسته‌بند به بررسی و مقایسه خروجی الگوریتم‌های بکار برده شده بر روی تصاویر هرزنامه و معتبر پرداخته می‌شود. نتایج بدست آمده نشان می‌دهد که می‌توان با کمک روش پیشنهادی به دقت تشخیص خوبی نسبت به سایر روش‌ها رسید. در بین الگوریتم‌های بررسی شده، الگوریتم شبکه عصبی بهترین عملکرد را از خود نشان می‌دهد. الگوریتم مفروض در سایر مقالات دقت تشخیص کمتری را نسبت به مقاله حاضر نشان می‌دهد اما در روش پیشنهادی به دقت تشخیص 99.29 درصد می‌رسد.

improving image spam detection using a new image texture features selection

spam is one of the problems that has plagued human societies. although a lot of research has been done in this field, because spammers keep changing their methods like viruses, so there is always a need to provide new solutions in this field. the purpose of the research is to use image texture features to detect image spam. so far, 22 features of image texture have not been used in one place to detect image spam. in this paper, a hybrid method is used to extract key features. in the proposed hybrid method, the co-occurrence matrix of the gray level and chi-square and the threshold of changes in the value of the features are used. the steps mentioned have a great impact on the performance of the categories and improve the accuracy of detection. in the classification stage, the most widely used machine learning algorithms are used to detect image spams, and after obtaining the results of each category, the output of the algorithms used on spam and valid images is examined and compared. the obtained results show that with the help of the proposed method, good detection accuracy can be achieved compared to other methods. among the reviewed algorithms, the neural network algorithm shows the best performance. the assumed algorithm in other articles shows a lower detection accuracy than the present article, but in the proposed method, it reaches 99.29% detection accuracy.