移动互联网的迅速发展,在给人们获取信息带来便利的同时,涌现出大量的垃圾信息影响人们的正常工作和生活。垃圾信息通常以声音、文本、视频、图像等媒体形式进行传播,而广告类和色情类的垃圾信息主要以图像或图片形式传播,给社会造成不良影响。因此,研究准确、高效的垃圾图像检测及过滤方法是十分必要的。针对移动互联网环境下垃圾图像的特点,从图像内容出发,分析并总结垃圾图像的内容及特征形式,设计并实现了基于SVM支持向量机算法的分类方法。首先建立多种类的图像集,将图像集分为训练图像和测试图像,通过调用MATLAB的imresize函数统一图像的大小,然后采用加权平均法对图像进行灰度化处理,再将处理后的训练图像提取HOG特征和LBP特征,将生成的特征向量用于训练SVM分类器,再将测试图像输入训练好的分类器进行分类。实验表明,无论是基于HOG特征还是LBP特征的SVM分类过滤能力都较低。由此可见,利用单特征对图像进行表述,会导致分类器的分类过滤能力降低。针对这个问题,设计并实现了基于HOG-LBP特征融合的稀疏表示分类方法。将训练图像经过预处理之后,提取HOG特征和LBP特征,将生成的两个特征向量通过串行融合的方式形成最终的融合特征向量,然后通过稀疏表示模型将测试图像表示为所有训练图像构成的过完备字典中原子的线性组合,并采用凸松弛法对稀疏表示系数进行求解,最后利用所有训练图像稀疏系数的加权线性组合求重构误差。实验结果表明,与SVM支持向量机算法相比,稀疏表示算法的抗干扰性和鲁棒性更强,在提高适应性和分类过滤能力方面有更好的优势。