图片lj邮件过滤 FuzzyOcr

yudi669

一、FuzzyOcr简介

部分lj邮件采用图片或PDF的方式来发送邮件，这些lj邮件在图片内容加入大量的噪声数据(noisy data)，以避开扫描引擎的侦测。

FuzzyOcr是利用光学字符识别(OCR)的方式，来识别图像邮件所包含的文字信息，并利用Fuzzy matching算法，辨别出里面的文字；

FuzzyOcr的功能：
1、光学字符识别使用不同的引擎和设置；
2、模糊词匹配算法应用于光学字符识别结果；
3、图像散列系统，以了解已知的lj邮件图像独特属性；
4、尺寸，大小和完整的图像检查；
5、内容类型核查包含电子邮件；
6、匹配和学习技巧；
7、支持DB，可将处理过的图片，以feature vectors的形态储存在数据库，因此相同或是类似的图片，便可以利用储存在DB的特征向量来处理；