本发明涉及通讯技术领域， 尤其涉及一种识别图片垃圾邮件的方法及系统 。 背景技术

随着网络的快速发展，使用电子邮件（ E-mail )进行通信已十分普遍， 图片、 文档、 影音等各种计算机文件均可通过 E-mail的方式传送给接收者， 给人们的 生活带来了极大的方便。 但同时垃圾邮件也随之蔓延， 严重威胁到用户邮箱的 稳定性及安全性。

目前 , 识别图片垃圾邮件的方法主要有两类。 一是通过 OCR ( Optical Character Recognition, 光学字符识别） 系统从图片中分析提取文字， 并对所提 取的文字进行分词， 再根据样本库， 获得每个词语对应的该邮件为垃圾邮件的 概率。 最后， 将每个词语对应的该邮件为垃圾邮件的概率代 入贝叶斯公式中进 行计算， 得到该邮件为垃圾邮件的概率。 若该邮件为垃圾邮件的概率大于预定 的门限值， 则将该邮件标记为垃圾邮件。

然而， 由于 OCR技术需要事先将图片分解成像素方式才能处 理， 其效率非 常低， 特别是处理高分辨率的图像。 而且， OCR技术只能提取印刷版的字体信 息， 假如图片中的字体稍变形或者背景包含噪音， 其识别率就急速下降甚至不 能识别。 因此， 现有的使用 OCR技术从图片提取文字的垃圾图片过滤方式， 效 率低， 而且不能处理扭曲变形或者背景包含噪音信息 的图片。 发明内容

本发明实施例提出一种识别图片垃圾邮件的方 法及系统， 识别图片垃圾邮 件的效率高， 并且能够识别扭曲变形的或者背景包含噪音信 息的图片。

本发明实施例提供一种识别图片垃圾邮件的方 法， 包括：

根据邮件中的图片的压缩率分布特性， 提取所述图片的特征值；

根据所述图片的每个特征值在垃圾图片中出现 的概率， 应用概率统计公式 计算获得所述图片为垃圾邮件的概率；

应用哈希算法计算所述图片的哈希值， 将所述哈希值和已接收的邮件图片 的哈希值进行比较， 得出所述图片被重复发送的次数；

根据所述图片的发信 IP查询声誉值数据库， 获得所述发信 IP的声誉值； 根据所述图片为垃圾邮件的概率、 被重复发送的次数、 发信 IP的声誉值查 询预置的权重值列表， 计算所述图片的权重和， 并根据所述权重和判定所述图 片是否为垃圾邮件。

其中， 所述声誉值数据库保存有发信 IP的声誉值， 所述声誉值是发信 IP所 相应地， 本发明实施例还提供了一种邮件系统， 包括

图片特征提取模块， 用于根据邮件中的图片的压缩率分布特性， 提取所述 图片的特征值；

垃圾邮件概率获取模块， 用于根据所述图片的每个特征值在垃圾图片中 出 现的概率， 应用概率统计公式计算获得所述图片为垃圾邮 件的概率；

图片发送次数获取模块， 应用哈希算法计算所述图片的哈希值， 将所述哈 希值和已接收的邮件图片的哈希值进行比较， 得出所述图片被重复发送的次数； 声誉值获取模块， 用于根据所述邮件的发信 IP查询声誉值数据库， 获得所 述发信 IP的声誉值；

垃圾邮件判定模块， 用于根据所述图片为垃圾邮件的概率、 被重复发送的 次数、 发信 IP的声誉值查询预置的权重值列表， 计算所述图片的权重和， 并根 据所述权重和判定所述图片是否为垃圾邮件。

所述邮件系统还包括：

样本数据库， 用于保存垃圾图片样本和正常图片样本的所有 特征值， 以及 每个特征值在垃圾图片中出现的概率；

声誉值数据库， 用于保存发信 IP的声誉值； 所述声誉值是发信 IP所发送的 正常邮件在其所有已发送的邮件中所占的比例 ；

声誉值更新模块， 用于在所述垃圾邮件判定模块判定图片为垃圾 邮件后， 重新计算所述图片的发信 IP的声誉值， 并对声誉值数据库中的相应的声誉值进 行更新。

实施本发明实施例， 具有如下有益效果： 本发明实施例提供的识别图片垃圾邮件的方法 及系统， 基于图片的压缩率 分布特性提取邮件中的图片的特征值， 应用概率统计公式计算获得所述图片为 垃圾邮件的概率； 再根据所述图片为垃圾邮件的概率、 被重复发送的次数、 发 信 IP的声誉值三者的权重值计算所述图片的权重� ��， 根据所述权重和判定所述 图片是否为垃圾邮件。 本发明基于图片的压缩率分布识别图片垃圾邮 件， 效率 高， 并且能够识别扭曲变形的或者背景包含噪音信 息的图片。 此外， 本发明应 用哈希算法判断图片的相似度， 并统计相似图片被重复发送的次数， 而根据这 一特征可以很好地判断发信者的行为是否与垃 圾邮件的发信行为相似， 从而提 高了识别图片垃圾邮件的准确率。 附图说明

图 1是本发明提供的识别图片垃圾邮件的方法的� �一实施例的流程示意图； 图 2是本发明提供的支持向量机算法的示意图；

图 3是本发明提供的识别图片垃圾邮件的方法的� �二实施例的流程示意图； 图 4是本发明提供的识别图片垃圾邮件的方法的� �三实施例的流程示意图； 图 5是本发明实施例提供的邮件系统的结构示意� �；

图 6是本发明实施例提供的图片特征提取模块的� �构示意图；

图 7是本发明实施例提供的垃圾邮件概率获取模� �的结构示意图； 图 8是本发明实施例提供的图片发送次数获取模� �的结构示意图； 图 9是本发明实施例提供的垃圾邮件判定模块的� �构示意图。 具体实施方式

下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清 楚、 完整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是 全部的实施例。 基于本发明中的实施例， 本领域普通技术人员在没有作出创造 性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。

本发明实施例提供的识别图片垃圾邮件的方法 及系统， 预先收集正常图片 和垃圾邮件图片样本， 基于图片的压缩率分布特性提取图片特征， 获得正常图 片和垃圾邮件图片的特征集合； 再使用贝叶斯分类器学习这些特征集合， 计算 获得最具代表性的特征是垃圾图片还是正常图 片的概率结果集。 具体如下： 一、 收集正常图片和垃圾邮件图片样本：

使用图片抓取软件， 从互联网上随机抓取格式为 JPG或者 GIF的图片， 加 入到正常邮件样本库中。

在邮件系统中部署举报系统， 收集用户举报的包含图片的垃圾邮件， 经过 人工审核确认图片为垃圾邮件的 , 将该图片加入到垃圾邮件样本库中。

二、 提取正常图片和垃圾邮件图片所包含的所有特 征：

本发明实施例基于图片的压缩率分布特性提取 图片特征， 下面仅以 JPG格 式、 GIF格式和 PNG格式的图片为例详细描述提取图片特征的方 法。

( 1 )、 计算 JPG格式图片的压缩率；

JPG格式的图片的压缩方式是对图片每 8*8像素划分一个子块，并对每个子 块进行独立的压缩， 再将压缩后的块信息保存到文件。 因此， 在分析 JPG格式 的图片特征时， 只需要获取图片压缩后的每一个子块的大小， 再将子块大小除 以 (8*8), 取整后即可获得这一子块的压缩率， 无需对子块做解压操作。

扫描整个 JPG文件， 即可获得一个压缩率序列 Cl、 C2、 C3、 C4... , 其中 CI代表图片左上角的 8*8像素的子块的压缩率， C2是连续的相邻近的子块的压 缩率， C3、 C4类推。

( 2 )、 计算 GIF格式图片的压缩率；

GIF格式图片的压缩方式是著名的 LZW压缩算法。 LZW算法的主要思想 是维护一个有 256个单元的编码表， 如果图片中某一行像素序列曾经在编码表 里面出现过的， 则使用编码表的下标来代替这段像素序列， 以达到压缩的目的。

在分析 GIF格式的图片特征时， 只需要读取上述的码表下标（码表下标的 长度固定为一个字节）， 通过查询对应的码表该下标所对应的像素值， 以此计算 出这一小块图片的压缩率： 1 / (码表对应的像素）。

扫描整个 GIF文件， 即可获得一个压缩率序列 Cl、 C2、 C3、 C4... , 其中 CI代表图片左上角一行不定长像素的压缩率， C2、 C3、 C4类推。

( 3 )计算 PNG格式图片的压缩率；

PNG格式图片使用 LZ77压缩算法， 其与 GIF图片的 LZW压缩算法相似， 不同点仅在于， LZ77算法没有一个固定的编码表， 而是使用之前已经遇到的序 列的相对位置和长度来表示像素序列。 例如： 对像素序列 abcdeabcde进行压缩 时， 在扫描到 abcde之前， 由于之前没有出现过与 、 b、 c、 d或 e重复的序列， 因此不对 abcde进行压缩， 即输入序列 abcde和压缩后的序列相等。 但是， 当扫 描到 abcdea的时候， 由于序列 a在之前出现过， 然后继续比对 abcde, 发现之前 也曾出现过 abcde这个序列， 于是第二次出现的 abcde序列， 用一个偏移量和长 度来表示即可。 也就是， PNG 图片使用的 LZ77算法没有固定的编码表， 其码 表就是隐含在当前位置之前已经出现过的序列 中。 需要说明的是， LZ77压缩算 法是本领域的公知技术， 上述只作简单的原理说明， 实际上 PNG图片的偏移量 和长度等信息是按 bit保存的， 以便更加节省空间。

因此， 在分析 PNG图片的压缩率时， 从压缩后的 PNG数据流可以得出： 对于没有做过压缩的数据序列， 这些序列的压缩率为 1 ; 对于做过压缩的数据序 列， 这些序列使用 （偏移量， 长度） 来表示该序列所对应的信息， 可以在之前 已经解压好的输出序列的特定位置找到。 假定保存（偏移量， 长度）信息需要 N 个字节， 而（偏移量， 长度） 中的 "长度，，属性的值为 M， 则压缩率为 N/M (即 用 N个字节保存 M个字节的信息）。

通过分析压缩后的 PNG数据流， 即可获得一个压缩率序列 Cl、 C2、 C3、 C4... , 其中 CI代表图片左上角一行不定长像素序列的压缩� ��， C2、 C3、 C4类 推。

本发明实施例无需解压图片， 节省大量运算资源和内存资源。

( 4 )、 计算图片的特征值；

通过上述的（ 1 )、 （ 2 )、 ( 3 )实施例获得 JPG、 GIF或 PNG格式的图片压缩 率序列后， 将每 4个连续的压缩率合并成一个新的压缩率变化� �素 D (其中 4 是经验值， 是经过试验的结果， 本发明不限于 4 )。 D代表图片的 4个相邻子块 的压缩率变化情况， 例如， 对于压缩率序列 Cl、 C2、 C3、 C4、 C5、 C6、 C7、 C8 , 经过转换后变成 Dl、 D2序列， 其中 D1= C1C2C3C4，D2= C5C6C7C8。

在获得图片的压缩率变化元素序列后， 将每一个压缩率变化元素加上该元 素所在的相对位置信息， 组成一个特征值。

例如， 将图片分成 6个区域， 每一个区域对应一个固定的位置编码， 如下： 左上角区域： 位置编码为 1 ;

上方区域： 位置编码为 2;

右上角区域： 位置编码为 3;

左下角区域： 位置编码为 4; 下方区域： 位置编码为 5;

右下角区域： 位置编码为 6;

如果像素块位于图片的左上角， 其压缩率变化元素为 D1的， 则包含位置信 息的特征值 F1 为 1D1 ; 如果像素块位于图片的右上角， 其压缩率变化元素为 D2的， 则包含位置信息的特征值 F2为 3D2。 依此类推， 将压缩率变化元素和 该元素对应的像素块在图片上的位置编码进行 组合（位置编码 +压缩率变化元素 D ), 获得图片的特征序列： Fl、 F2、 F3、 F4... 。

需要说明的是， 上述仅以 JPG、 GIF和 PNG格式的图片为例， 以说明基于 图片的压缩率特性提取图片特征的方法， 本发明实施例还可以应用到其他的具 有类似压缩率特性的图片中。

三、 建立样本数据库：

( 1 )、 建立正常图片和垃圾邮件图片的特征集合；

通过上述步骤二的方法计算出正常图片和垃圾 图片所包含的所有特征值 后 ,将正常图片的所有特征值保存在正常图片特� �集合 HAM中， 将垃圾图片的 所有特征值保存在垃圾图片特征集合 SPAM中。

此外，正常图片特征集合 HAM还记录了每个特征值在所有正常图片样本中 出现的次数。 例如， 特征值 F1在所有正常图片样本中出现的次数为 10000, 特 征值 F2在所有正常图片样本中出现的次数为 20000， 等等。

同理， 垃圾图片特征集合 SPAM也记录了每个特征值在所有垃圾图片样本 中出现的次数。 例如， 特征值 F1在所有垃圾图片样本中出现的次数为 30000， 特征值 F2在所有垃圾图片样本中出现的次数为 40000, 等等。

对于某个特定的特征值 F _n , 它既可能出现在垃圾邮件图片样本中， 也可能 出现在正常邮件图片样本中， 其出现的次数一般不相等。

( 2 )、 计算每个特征值在垃圾图片中出现的概率， 组建样本数据库； 从正常图片特征集合 HAM和垃圾图片特征集合 SPAM中 , 分别读取特征 值 F在正常图片样本和垃圾邮件图片样本中的出� �次数， 使用贝叶斯分类器进 行计算， 即可得出这个特征值 F在垃圾邮件图片中出现的概率 Q。 例如， 特征 值 F1在垃圾邮件图片中出现的概率为 Q1 , 特征值 F2在垃圾邮件图片中出现的 概率为 Q2, 特征值 F3在垃圾邮件图片中出现的概率为 Q3。 将 F和 Q的对应关 系保存下来， 即保存为 F1:Q1 , F2:Q2, F3:Q3...， 组建成样本数据库。 本发明实施例所建立的样本数据库， 保存有垃圾图片样本和正常图片样本 的所有特征值， 以及每个特征值在垃圾图片中出现的概率。

可选的，本发明实施例还可以按照 Q值的大小，从高到低对 "F1:Q1 , F2:Q2, F3:Q3..." 序列进行排序， 只抽取 Q值大于 80%的那些序列 F:Q (说明这些序列 在垃圾邮件样本出现的概率很高） 和 Q值小于 20%的那些序列 F:Q (说明这些 序列在正常邮件样本中出现的概率很高）， 作为最终贝叶斯评估的评估基准保存 到样本数据库中。 经验表明， Q值在 （ 20%, 80% )之间的序列 F:Q, 因为其特 征序列 F在正常图片和垃圾邮件图片中出现的次数数� �差不多， F对于评判图片 是否垃圾邮件图片没有太多的帮助， 而且这类中性的 F:Q序列占到 F:Q序列总 数的 80%左右， 因此剔除这些中性的数据， 将有助于加快评估图片是否垃圾邮 件图片的效率。

下面结合图 1〜图 9, 对本发明实施例提供的识别图片垃圾邮件的方 法及系 统进行详细描述。 本发明实施例的概率统计公式包括贝叶斯 （ Bayes )公式和 / 或支持向量机（SVM )公式。 应用贝叶斯公式进行计算， 所获得的图片为垃圾 邮件的概率称为 "第一概率"； 应用向量机公式进行计算， 所获得的图片为垃圾 邮件的概率称为 "第二概率 "。

参见图 1 ,是本发明提供的识别图片垃圾邮件的方法的� �一实施例的流程示 意图。

在第一实施例中， 应用贝叶斯公式计算图片为垃圾邮件的概率。 所述方法 包括以下步骤：

5101 , 根据邮件中的图片的压缩率分布特性， 提取所述图片的特征值。 在具体实施当中， 当接收到邮件后， 包括： 对邮件中所包含的图片进行扫 描， 获得所述图片的每一个子块的压缩率； 将每 N个连续的子块的压缩率合并 成一个新的压缩率变化元素， 再将每一个压缩率变化元素和它所在图片中的 位 置编码进行组合， 获得所述图片的特征值。 其中， N是大于 1 的自然数。 优选 的， N的值为 4。

需要说明的是，本发明实施例可以处理 JPG、 GIF. PNG或其他格式的图片。 其中， 基于图片的压缩率分布特性提取 JPG、 GIF或 PNG格式的图片的方法与 上述实施例相同， 在此不再赞述。

5102, 根据所述图片的每个特征值在垃圾图片中出现 的概率， 应用概率统 计公式计算获得所述图片为垃圾邮件的概率。

所述概率统计公式为贝叶斯公式， 贝叶斯分类器的分类原理是通过某对象 的先验概率， 利用贝叶斯公式计算出其后验概率， 即该对象属于某一类的概率， 选择具有最大后验概率的类作为该对象所属的 类。

贝叶斯 （Bayes ) 分类器的数学基础是贝叶斯公式， 如下：

若 Bl , B2, …为一系列互不相容的事件， 如果以 P(Bi)表示事件 Bi发生的 概率， 且

Qs, = Ω ， P(Bi)>0, i=l,2,... 则对于任一事件八， 有

P(B ₁ \ A ₎ = 零 (^) ， i=l,2, ..

Y _k= p( ^B ^ ^A W 通过上述步骤 S101的处理， 得到图片的所有特征值后， 在步骤 S102中， 根据图片的每一个特征值查询样本数据库， 获得所述图片的每个特征值在垃圾 图片中出现的概率； 再将所述图片的每个特征值在垃圾图片中出现 的概率代入 上述的贝叶斯公式中进行计算， 获得第一概率。 所述第一概率就是所述图片为 垃圾邮件的概率。

例如，在接收到一封未知是否为垃圾邮件的图 片邮件后 ,应用上述步骤 S101 的方法， 获得图片的所有特征值： Fl , F2, F3...。 再查询样本数据库， 得出每 一个特征值在在垃圾图片中出现的概率： F1 :Q1 , F2:Q2, F3:Q3...。 应用贝叶斯 公式， 输入上述的 "Fl , F2, F3..." 特征值序列和 "F1 :Q1 , F2:Q2, F3:Q3..." 概率统计结果， 即可计算出该未知的图片邮件为垃圾邮件的概 率。

S103 , 应用哈希算法计算所述图片的哈希值， 将所述哈希值和已接收的邮 件图片的哈希值进行比较， 得出所述图片被重复发送的次数。

Nilsimsa算法是一个著名的哈希算法， 其特点是： 如果输入的信息只作少量 变化， 则其输出的哈希值也只会有少量变化甚至没有 变化。 由于无论输入序列 的长度是多少， 其输出序列的长度都是固定的， 因此可以通过 Nilsimsa算法对 输入序列进行计算， 并通过比对输出序列的相似度来确定输入序列 的相似度， 大大加快了相似信息的聚类速度。

具体的，步骤 S103包括：应用 Nilsimsa算法对所述图片的特征值进行处理， 获得所述图片的哈希值； 将所述图片的哈希值和已接收的邮件图片的哈 希值进 行比较， 得出所述图片和已接收的邮件图片的相似度； 根据所述图片和已接收 的邮件图片的相似度， 得出所述图片被重复发送的次数。 举例如下：

假设在上述步骤 S101 中得到图片的所有特征值 Fl , F2, F3... , 则在步骤 S103中， 对上述的特征值 "Fl , F2, F3..." 进行处理， 输入序列是 "Fl , F2, F3..." , 输出序列是一个固定长度的二进制序列 "01 , 02， 03..."。 其中， 输出 序列的长度一般是 64字节， 0的取值为 0或 1。 该二进制序列 "01 , 02, 03..." 就是图片的哈希值。 然后， 再将所述图片的哈希值和之前已接收的邮件图 片的 哈希值进行比较， 根据图片之间的相似度判定相似图片被重复发 送的次数。

Nilsimsa 算法具有如下优点： 如果输入序列 "Fl , F2, F3..." 只是做了较 小的改动 （比如在其中插入多段小的序列， 修改其中一小段序列的内容等）， 其 输出的二进制序列的稳定性很高， 变动很少甚至不会变动。 所以通过比较两个 输出序列的相似度， 即可获知两个输入序列的相似度， 从而判定相似图片被重 复发送的次数。

5104,根据所述图片的发信 IP查询声誉值数据库， 获得所述发信 IP的声誉 值。

本发明实施例配置了声誉值数据库， 用于保存发信 IP的声誉值。 该声誉值 值的方法如下： 对发信 IP在过去一段时间的发信行为进行记录， 将发信 IP发送 的正常邮件比例作为此 IP的声誉值。 比如， 某个发信 IP在过去一段时间发送了 100 封邮件， 其中有 10 封邮件被判定为垃圾邮件， 则通过数学计算方式 "(100- 10)/100-90" 得出该发信 IP的声誉值为 90。

因此， 在步骤 S104中， 才艮据图片邮件的发信 IP查询声誉值数据库， 即可 获得该图片邮件的发信 IP的声誉值。

5105, 根据所述图片为垃圾邮件的概率、 被重复发送的次数、 发信 IP的声 誉值查询预置的权重值列表， 计算所述图片的权重和， 并根据所述权重和判定 所述图片是否为垃圾邮件。

本发明实施例预先配置了三个权重值列表， 分别记录了图片为垃圾邮件的 概率、 被重复发送的次数、 发信 IP的声誉值所对应的权重值。

( 1 )本发明实施例根据图片属于垃圾邮件的概率� �在的范围， 将 "图片为 垃圾邮件的概率" 定义为 10段， 并配置每段的权重值。 "图片为垃圾邮件的概 率" 的权重列表如下：

( 2 )本发明实施例根据图片邮件重复发送次数所� �的范围， 将 "图片重复 发送次数" 定义为 6段， 并配置每段的权重值。 "图片重复发送次数" 的权重列 表如下：

( 3 )本发明实施例根据发信 IP的声誉值的范围， 将 "发信 IP声誉值" 定 义为 10段， 并配置每段的权重值。 "发信 IP声誉值" 的权重列表如下： 权重值

发信 IP声誉值 声誉值范围

(实数）

REPUTATION— 0—10 [0, 10] REPUTATION-0-10-W

REPUTATION_10_20 [10， 20] REPUTATION_10-20_W

REPUTATION-20-30 [20, 30] REPUTATION-20-30-W

REPUTATION-30-40 [30, 40] REPUTATION-30-40-W

REPUTATION-40-50 [40， 50] REPUTATION-40-50-W

REPUTATION-50-60 [50, 60] REPUTATION-50-60-W

REPUTATION-60-70 [60, 70] REPUTATION-60-70-W

REPUTATION-70-80 [70, 80] REPUTATION-70-80-W

REPUTATION_80_90 [80， 90] REPUTATION_80-90_W

REPUTATION-90-100 [90, 100] REPUTATION— 90_100_W 优选的， 上述三个列表的权重值， 是通过使用遗传算法对已知的样本进行 学习来获得的。

需要说明的是， 本发明实施例将图片为垃圾邮件的概率、 被重复发送的次 数、 发信 IP的声誉值进行分段， 是为了减少后续处理的计算量， 所定义的段数 (即将 "图片为垃圾邮件的概率" 定义为 10段， 将 "图片重复发送次数" 定义 为 6段， 将 "发信 IP声誉值"定义为 10段）只是经验数字， 本发明并不限于此。

具体的， 经过上述的步骤 S102、 S103、 S104的处理， 获得图片为垃圾邮件 的概率、 图片重复发送次数、 发信 IP声誉值之后， 在步骤 S105 中， 进行如下 处理： 根据所述图片为垃圾邮件的概率、 被重复发送的次数、 发信 IP的声誉值 查询预置的权重值列表， 分别获得三者的权重值； 再将三者的权重值相加， 获 到所述图片的权重和； 判断所述图片的权重和是否大于预定的门限值 ， 若是， 则确定所述图片为垃圾邮件； 若否， 则确定所述图片为正常邮件。 举例如下： 假设对于一封包含有图片的邮件， 经过上述步骤 S101〜S104的处理后， 得 出该邮件中的图片为 i立圾邮件的概率为 95%, 被重复发送次数为 2, 发信 IP的 声誉值为 78, 分别查询权重列表中的 BAYES_90 (假定权重值为 0.5 ), REPUTATION_0_10 (假定权重值为 0.1), REPUTATION_70_80 (假定权重值 为 0.3 ), 计算得出该邮件图片的权重和为 0.5+0.1+0.3=0.9, 权重和小于 1.0 ( 1.0 为门限值）， 则该邮件被判定为正常邮件。

进一步的， 本发明实施例提供的识别图片垃圾邮件的方法 还包括： 在判定 邮件中的图片为垃圾邮件后， 重新计算所述图片的发信 IP的声誉值， 并对声誉 值数据库中的相应的声誉值进行更新。

此外， 本发明实施例还可以采用 SVM ( Support Vector Machine, 支持向量 机） 算法计算图片为垃圾图片的概率。 SVM算法可以比较直观地通过图 2来解 释， 具体如下：

定义一个函数 f(x,y) = al*x + a2*y +b; 其中 x是邮件的一个固有特征， y 是邮件的另一个与 X无关的固有特征， al、 a2、 b是常量， al、 a2控制图 2可以 切分两类点的平面的斜率。 假如图 2 中的叉点表示垃圾邮件， 圓点表示正常邮 件， 则邮件是否为垃圾邮件仅仅和 x、 y有关， 只要 f(x)大于某个值， 即可认为 邮件是 ϋ圾邮件。

在实际应用中， 对样本进行分类通常需要抽取几百到一千个特 征才可能有 比较好的效果。 而对于如此多维度的模型， 本实施例无法在三维图中表达出来。 但是， 可以推导出最终的 SVM公式就是一个多项式： f(x，y，z，...） - al*x + a2*y + a3*z + ..... + b; 只要将未知样本的 x、 y、 z…等特征的值代入 SVM公式中， 即可 根据其结果是否大于 0来判断样本是否为垃圾邮件。

SVM模型的一个关键是要通过未知样本， 学习出上述公式的 al、 a2、 a3....， b等参数。 具体实施时， 只要提供了足够多的样本（正常邮件和垃圾邮 件各一千 左右即可）， 就可以通过特定的数学方法， 获取上述的参数， 由此获得 SVM公 式。 需要说明的是， 现有技术中已经有很多成熟的数学方法用于获 取上述的参 数， 例如可以采用找边缘关键点拟合的方法， 在此不再赘述。

SVM模型的另外一个关键是所提取的 "特征" 是否可以较好的描述问题， 即上述的 x，y，z等参数所代表的 "特征值"是否可以较好的区分两类样本。 本发 明实施例的解决方案是： 使用每个图片特征项在垃圾邮件中出现的概率 来作为 SVM的输入特征。 在学习过程中， 统计出每个特征值在垃圾邮件中出现概率之 后， 则按照特征值出现的顺序， 构造出一个特征值概率序列， 通过学习程序获 得上述的 SVM公式（即获取上述的 al， a2， a3...b参数）。举例说明：有一个图片， 根据从图片文件中分解出来的顺序排列，有 4个（实际可能有很多）特征值 Tl、 Τ2、 Τ3、 Τ4, 经统计可知其在垃圾邮件中出现的 ^既率分别为 Gl、 G2、 G3、 G4, 则将此 Gl、 G2、 G3、 G4作为向量输入 SVM学习程序， 通过对一批正常邮件 和垃圾邮件的学习， 即可获得适合学习样本的 SVM公式。 在评估未知样本是否为垃圾邮件的时候， 同样按照从图片文件分解出来的 顺序， 排列特征值 Tl、 Τ2、 Τ3、 Τ4的 #率 Gl、 G2、 G3、 G4, ·ί巴 Gl、 G2、 G3、 G4代入 SVM公式中， 即可计算出此序列为垃圾邮件的概率。

Bayes算法与 SVM算法相比， 简而言之， 在学习已知正常和垃圾邮件样本 的时候， Bayes方法生成的是每个特征项为垃圾邮件的概� ��， 而 SVM方法生成 的是每个特征项为垃圾邮件的概率以及 SVM公式的参数。 判断未知样本的时 候， Bayes方法输入的是未知样本特征项， 通过查表获知特征项是垃圾邮件的概 率， 然后通过 Bayes公式计算邮件是垃圾邮件的概率； SVM方法输入的同样是 未知样本的特征项， 通过查表获知特征项是垃圾邮件的概率， 然后通过学习过 程生成的 SVM公式计算邮件是垃圾邮件的概率。

参见图 3 ,是本发明提供的识别图片垃圾邮件的方法的� �二实施例的流程示 意图。 在第二实施例中， 应用支持向量机（SVM )公式计算图片为垃圾邮件的 概率。 所述方法包括以下步骤：

5201 , 根据邮件中的图片的压缩率分布特性， 提取所述图片的特征值。 本步骤 S201与上述第一实施例的步骤 S101完全相同， 在此不再赘述。

5202, 根据所述图片的每个特征值在垃圾图片中出现 的概率， 应用支持向 量机公式计算获得所述图片为垃圾邮件的概率 ；

步骤 S202具体包括： 根据所述图片的特征值查询样本数据库， 获得所述图 片的每个特征值在垃圾图片中出现的概率； 将所述图片的每个特征值在垃圾图 片中出现的概率构造成特征向量， 并代入支持向量机公式中进行计算， 获得第 二概率； 所述第二概率就是所述图片为垃圾邮件的概率 。

其中， 所述样本数据库中保存有垃圾图片样本和正常 图片样本的所有特征 值， 以及每个特征值在垃圾图片中出现的概率。

5203 , 应用哈希算法计算所述图片的哈希值， 将所述哈希值和已接收的邮 件图片的哈希值进行比较， 得出所述图片被重复发送的次数。

5204,根据所述图片的发信 IP查询声誉值数据库， 获得所述发信 IP的声誉 值。

5205, 根据所述图片为垃圾邮件的概率、 被重复发送的次数、 发信 IP的声 誉值查询预置的权重值列表， 计算所述图片的权重和， 并根据所述权重和判定 所述图片是否为 i立圾邮件。 步骤 S203 ~ S205与上述第一实施例的步骤 S103 ~ S105完全相同， 在此不 再赘述。

参见图 4,是本发明提供的识别图片垃圾邮件的方法的� ��三实施例的流程示 意图。 在第三实施例中， 同时应用 Bayes公式和 SVM公式计算图片为垃圾邮件 的概率。 所述方法包括以下步骤：

5301 , 根据邮件中的图片的压缩率分布特性， 提取所述图片的特征值。 本步骤 S301与上述第一实施例的步骤 S101完全相同， 在此不再赘述。

5302, 根据所述图片的特征值查询样本数据库， 获得所述图片的每个特征 值在垃圾图片中出现的概率；

其中， 所述样本数据库中保存有垃圾图片样本和正常 图片样本的所有特征 值 , 以及每个特征值在垃圾图片中出现的概率。

5303 , 将所述图片的每个特征值在垃圾图片中出现的 概率代入贝叶斯公式 中进行计算， 获得第一概率；

本步骤 S303与上述第一实施例的步骤 S102完全相同， 在此不再赘述。

5304, 将所述图片的每个特征值在垃圾图片中出现的 概率构造成特征向量， 并代入支持向量机公式中进行计算， 获得第二概率；

所述图片为垃圾邮件的概率包括所述第一概率 和所述第二概率。

5305 , 应用哈希算法计算所述图片的哈希值， 将所述哈希值和已接收的邮 件图片的哈希值进行比较， 得出所述图片被重复发送的次数。

本步骤 S305与上述第一实施例的步骤 S103完全相同， 在此不再赘述。

5306,根据所述图片的发信 IP查询声誉值数据库， 获得所述发信 IP的声誉 值。

本步骤 S306与上述第一实施例的步骤 S104完全相同， 在此不再赘述。

5307, 根据所述图片为垃圾邮件的概率、 被重复发送的次数、 发信 IP的声 誉值查询预置的权重值列表， 计算所述图片的权重和， 并根据所述权重和判定 所述图片是否为垃圾邮件。

本步骤 S307与上述第一实施例的步骤 S105基本相同， 其不同点在于， 所 述图片为垃圾邮件的概率包括第一概率和第二 概率， 且分别对应于一个权重值 列表。 因此， 在查询预置的权重值列表时， 将分别获得 "第一概率" 对应的权 重值、 "第二概率" 对应的权重值、 "被重复发送的次数" 对应的权重值和 "发 信 IP的声誉值" 对应的权重值 , 共四个权重值。 将四个权重值相加 , 得到图片 的权重和， 再根据所述权重和判定所述图片是否为垃圾邮 件。

本发明实施例提供的识别图片垃圾邮件的方法 ， 基于图片的压缩率分布特 性提取邮件中的图片的特征值， 应用概率统计公式计算获得所述图片为垃圾邮 件的概率； 再根据所述图片为垃圾邮件的概率、 被重复发送的次数、 发信 IP的 声誉值三者的权重值计算所述图片的权重和， 根据所述权重和判定所述图片是 否为垃圾邮件。 本发明基于图片的压缩率分布识别图片垃圾邮 件， 效率高， 并 且能够识别扭曲变形的或者背景包含噪音信息 的图片。 此外， 本发明应用哈希 算法判断图片的相似度， 并统计相似图片被重复发送的次数， 而根据这一特征 可以很好地判断发信者的行为是否与垃圾邮件 的发信行为相似， 从而提高了识 别图片垃圾邮件的准确率。

相应地， 本发明实施例还提供了一种邮件系统， 能够实现上述实施例中的 识别图片垃圾邮件的方法的所有步骤。

参见图 5 ,是本发明实施例提供的邮件系统的结构示意� �，该邮件系统包括： 图片特征提取模块 1 , 用于根据邮件中的图片的压缩率分布特性， 提取所述 图片的特征值；

垃圾邮件概率获取模块 2,用于根据所述图片的每个特征值在垃圾图片� ��出 现的概率， 应用概率统计公式计算获得所述图片为垃圾邮 件的概率；

图片发送次数获取模块 3 , 应用哈希算法计算所述图片的哈希值， 将所述哈 希值和已接收的邮件图片的哈希值进行比较， 得出所述图片被重复发送的次数； 声誉值获取模块 4, 用于根据所述邮件的发信 IP查询声誉值数据库， 获得 所述发信 IP的声誉值；

垃圾邮件判定模块 5, 用于根据所述图片为垃圾邮件的概率、被重复 发送的 次数、 发信 IP的声誉值查询预置的权重值列表， 计算所述图片的权重和， 并根 据所述权重和判定所述图片是否为垃圾邮件。

如图 6所示， 所述图片特征提取模块 1具体包括：

图片扫描单元 11 , 用于对邮件中的图片进行扫描， 获得所述图片的每一个 子块的压缩率；

图片特征生成单元 12, 用于将每 N个连续的子块的压缩率合并成一个新的 压缩率变化元素， 并将每一个压缩率变化元素和它所在图片中的 位置编码进行 组合， 获得所述图片的特征值； 其中， N是大于 1的自然数。

如图 7所示， 所述垃圾邮件概率获取模块 2具体包括：

概率查询单元 21 , 用于根据所述图片的特征值查询样本数据库， 获得所述 图片的每个特征值在垃圾图片中出现的概率；

贝叶斯计算单元 22, 用于将所述图片的每个特征值在垃圾图片中出 现的概 率代入贝叶斯公式中进行计算， 获得第一概率；

支持向量机计算单元 23 , 用于将所述图片的每个特征值在垃圾图片中出 现 的概率构造成特征向量， 并代入支持向量机公式中进行计算， 获得第二概率； 所述图片为垃圾邮件的概率为所述第一概率和 /或所述第二概率。

如图 8所示， 所述图片发送次数获取模块 3具体包括：

哈希值计算单元 31 , 应用哈希算法对所述图片的特征值进行处理， 获得所 述图片的哈希值；

相似度判断单元 32, 用于将所述图片的哈希值和已接收的邮件图片 的哈希 值进行比较， 得出所述图片和已接收的邮件图片的相似度；

重复发送次数确定单元 32, 用于根据所述图片和已接收的邮件图片的相似 度， 得出所述图片被重复发送的次数。

如图 9所示， 所述垃圾邮件判定模块 5具体包括：

权重查询单元 51 , 用于根据所述图片为垃圾邮件的概率、 被重复发送的次 数、 发信 IP的声誉值查询预置的权重值列表， 分别获得三者的权重值；

邮件识别单元 52， 用于将三者的权重值相加， 获到所述图片的权重和； 判 断所述图片的权重和是否大于预定的门限值， 若是， 则确定所述图片为垃圾邮 件； 若否， 则确定所述图片为正常邮件。

进一步的， 如图 5所示， 所述邮件系统还包括：

样本数据库 6, 用于保存垃圾图片样本和正常图片样本的所有 特征值， 以及 每个特征值在垃圾图片中出现的概率；

声誉值数据库 7, 用于保存发信 IP的声誉值； 所述声誉值是发信 IP所发送 的正常邮件在其所有已发送的邮件中所占的比 例；

声誉值更新模块 8, 用于在所述垃圾邮件判定模块判定图片为垃圾 邮件后， 重新计算所述图片的发信 IP的声誉值， 并对声誉值数据库中的相应的声誉值进 行更新。 需要说明的是， 本发明实施例提供的邮件系统， 其识别图片垃圾邮件的流 程与上述实施例相同， 在此不再赘述。

本发明实施例提供的邮件系统， 基于图片的压缩率分布特性提取邮件中的 图片的特征值， 应用概率统计公式计算获得所述图片为垃圾邮 件的概率； 再根 据所述图片为垃圾邮件的概率、 被重复发送的次数、 发信 IP的声誉值三者的权 重值计算所述图片的权重和， 根据所述权重和判定所述图片是否为垃圾邮件 。 本发明基于图片的压缩率分布识别图片垃圾邮 件， 效率高， 并且能够识别扭曲 变形的或者背景包含噪音信息的图片。 此外， 本发明应用哈希算法判断图片的 相似度， 并统计相似图片被重复发送的次数， 而根据这一特征可以 4艮好地判断 发信者的行为是否与垃圾邮件的发信行为相似 ， 从而提高了识别图片垃圾邮件 的准确率。

本领域普通技术人员可以理解实现上述实施例 方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完 成， 所述的程序可存储于一计算 机可读取存储介质中， 该程序在执行时， 可包括如上述各方法的实施例的流程。 其中， 所述的存储介质可为磁碟、 光盘、 只读存储记忆体（Read-Only Memory, ROM )或随机存储记忆体（Random Access Memory, RAM ) 等。

以上所述是本发明的优选实施方式， 应当指出， 对于本技术领域的普通技 术人员来说， 在不脱离本发明原理的前提下， 还可以做出若干改进和润饰， 这 些改进和润饰也视为本发明的保护范围。