MATLAB课程设计论文模板new要点解析.docVIP

, MATLAB程序设计(论文) 基于MATLAB实现语音信号的去噪 院（系）名称 电子与信息工程学院 专业班级 学号 学生姓名 任课教师  论 文 任 务 给定一段带噪语音(mp3文件格式) 1．将带噪语音abc.mp3读入MATLAB内存 2．画出时域波形图， 3．画出频谱图 4. 分析该段语音文件的频谱图 5. 设计语音信号去噪方案 6．编写代码实现语音信号去噪 7. 将纯净语音重新合成mp3文件 8. 总结设计方案，分析实验结果，撰写论文  基于MATLAB实现语音信号的去噪 马 力 （辽宁工业大学 电子与信息工程学院） 摘 要：提出了一种图像型垃圾邮件的过滤方法，该方法不依赖于附属图像的文字信息，而是直接提取图像本身的视觉特征，包括梯度直方图、颜色直方图和LBP特征。分析了支持向量机(SVM)算法，基于该算法实现了图像型垃圾邮件的过滤，实验结果表明，LBP特征的识别效果好于梯度直方图和颜色直方图特征。 关键词：图像型垃圾邮件；特征提取；支持向量机 0 引 言 进入21世纪以来，随着计算机网络技术快速发展，电子邮件的应用也越来越普遍。将垃圾信息嵌入图像文件，并以附件或正文的形式发送的垃圾邮件被称为图像型垃圾邮件。图1是正常邮件图像和垃圾邮件图像的示意图。图像型垃圾邮件占用了大量的网络带宽资源，给邮件用户带来很多骚扰和麻烦。这些垃圾信息主要包括商品广告、欺诈信息和反动言论等，其恶意投送将侵占收件人信箱空间，甚至造成邮件服务器拥塞。 现有的垃圾邮件检测方法，能够过滤掉大多数图像型垃圾邮件，国内外的学者取得了大量的研究成果[1]。文献[2]利用文本定位的方法对图像垃圾邮件中文本区域的特征进行表示，进而通过SVM 算法进行分类。文献[3]利用图像的边缘角点信息与颜色特征识别垃圾邮件，基于SVM算法训练过滤器。文献[4]中利用梯度和颜色作为特征，来比较和验证SVM算法和 LS-SVM 算法的有效性。垃圾邮件制造者刻意对图像做各种变化增加了邮件监管的难度。 (a) 正常图像 (b) 垃圾图像 图1 正常邮件图像和垃圾邮件图像 垃圾邮件过滤系统的设计通常包括图像特征提取和分类器设计2大步骤。本文提出了一种图像型垃圾邮件分类方法，图2 描述了该方法的框架。 图2 图像型垃圾邮件过滤框架图 1 图像特征分析 图像本身的内容是丰富和千差万别的，只有用一种简单模式描述图像的本质内容，才有可能完成图像的分类、过滤或识别任务。这种简单的模式被称为图像特征，可分为全局特征和局部特征，其提取过程通常包括2个步骤：其一是确定图像特征的位置或区域；其二是确定该特征的描述算子，经常用数学中的向量来表示。正常的邮件图像与垃圾图像是存在某些差异的，表示两类图像的特征模式也应有明显的区分。 下面分别对梯度特征、颜色特征及LBP特征进行分析和说明。 1.1 梯度特征 一般可利用Sobel算子来计算图像的梯度。图像f(x, y)在(x, y)点处的梯度可表示为： (1) 梯度向量的模值定义为 (2) 为了提高图像特征的提取速度，可以简化近似为 (3) 或 (4) 将归一化的直方图作为图像的特征向量，图3给出了图1(a)和(b)的梯度直方图。可以看出，正常邮件图像的梯度直方图分布较均匀，灰度变化缓慢，而垃圾邮件图像的灰度变化剧烈，而且分布较单一且比较集中。 (a)正常邮件图像的梯度直方图 (b)正常邮件图像的梯度直方图 图3正常邮件图像和垃圾邮件图像的梯度直方图 1.2 颜色特征 垃圾邮件图像由于嵌入了某些信息，通常其颜色分布较单一。利用这一特点可以将部分垃圾图像和正常图像区分开来。图4分别给出了图1(a)和(b)的颜色直方图。通过对比看出，正常图像的颜色分布较为均匀且丰富，相反垃圾邮件图像的颜色直方图仅仅分布在其中的几种颜色上，变化剧烈。 (a) 正常图像的颜色直方图 (b) 垃圾图像的颜色直方图 图4 正常邮件图像和垃圾邮件图像的颜色直方图对比 1.3 LBP特征 局部二值模式LBP (local binary pattern)是表示图像局部纹理特征的一种算子[5]，它计算复杂度相对较低并且效果比较好，因此常常将它用于图像的分类和识别[6]。 1.3.1 LBP的定义 起初LBP算子的定义是在邻域窗口内，通常选择3×3的窗口，将窗口中心像素的灰度值作为基准，分别与其邻域的8个像素的灰度值进行比较。如果中心像素的灰度值大于邻域，那么此时邻域像素点的位置记为0，否则记为1，依次比较后可以得到一个8位二进制数，再将此转化为十进制数，用这个值来反映