GIST特徵和LMGIST包的python實現(有github)——使用gist特徵檢測惡意檔案

阿新 • • 發佈：2021-06-23

使用gist檢測惡意檔案的程式碼——TODO，看實際效果

import os
import scipy
import array
filename = '<Malware_File_Name_Here>';
f = open(filename,'rb');
ln = os.path.getsize(filename);
width = 256;
rem = ln%width;
a = array.array("B");
a.fromfile(f,ln-rem);
f.close();
g = numpy.reshape(a,(len(a)/width,width));
g = numpy.uint8(g);
scipy.misc.imsave('<Malware_File_Name_Here>.png',g);

# gist作為特徵輸入
import Image
Import leargist
 image = Image.open('<Image_Name_Here>.png');
 New_im = image.resize((64,64));
des = leargist.color_gist(New_im);
Feature_Vector = des[0:320];

# 構建CNN網路
import keras
 from keras.models import Sequential,Input,Model
 from keras.layers import Dense, Dropout, Flatten
 from keras.layers import Conv2D, MaxPooling2D
 from keras.layers.normalization import BatchNormalization
 from keras.layers.advanced_activations import LeakyReLU

train_X = train_X.reshape(-1, 32,32, 1)
test_X = test_X.reshape(-1, 32,32, 1) We will train our network with these parameters: batch_size = 64
epochs = 20
num_classes = 25 To build the architecture, with regards to its format, use the following: Malware_Model = Sequential()
Malware_Model.add(Conv2D(32, kernel_size=(3,3),activation='linear',input_shape=(32,32,1),padding='same'))
Malware_Model.add(LeakyReLU(alpha=0.1))
Malware_model.add(MaxPooling2D(pool_size=(2, 2),padding='same'))
Malware_Model.add(Conv2D(64, (3, 3), activation='linear',padding='same'))
Malware_Model.add(LeakyReLU(alpha=0.1))
Malware_Model.add(Dense(1024, activation='linear'))
Malware_Model.add(LeakyReLU(alpha=0.1))
Malware_Model.add(Dropout(0.4))
Malware_Model.add(Dense(num_classes, activation='softmax')) To compile the model, use the following: Malware_Model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adam(),metrics=['accuracy']) Fit and train the model: Malware_Model.fit(train_X, train_label, batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(valid_X, valid_label)) As you noticed, we are respecting the flow of training a neural network that was discussed in previous chapters. To evaluate the model, use the following code: Malware_Model.evaluate(test_X, test_Y_one_hot, verbose=0)
print('The accuracy of the Test is:', test_eval[1])

GIST特徵和LMGIST包的python實現(有github)

Kalafinaian まあ、あのわたしはかわいのまほうしょうじょのファンだ

1 什麼是Gist特徵

(1) 一種巨集觀意義的場景特徵描述

(2) 只識別“大街上有一些行人”這個場景，無需知道影象中在那些位置有多少人，或者有其他什麼物件。

(3) Gist特徵向量可以一定程度表徵這種巨集觀場景特徵

GIST定義下列五種對空間包絡的描述方法

自然度（Degree of Naturalness）

場景如果包含高度的水平和垂直線，這表明該場景有明顯的人工痕跡，通常自然景象具有紋理區域和起伏的輪廓。所以，邊緣具有高度垂直於水平傾向的自然度低，反之自然度高。|

開放度（Degree of Openness）

空間包絡是否是封閉（或圍繞）的。封閉的，例如：森林、山、城市中心。或者是廣闊的，開放的，例如：海岸、高速公路。

粗糙度（Degree of Roughness）

主要指主要構成成分的顆粒大小。這取決於每個空間中元素的尺寸，他們構建更加複雜的元素的可能性，以及構建的元素之間的結構關係等等。粗糙度與場景的分形維度有關，所以可以叫複雜度。

膨脹度（Degree of Expansion）

平行線收斂，給出了空間梯度的深度特點。例如平面檢視中的建築物，具有低膨脹度。相反，非常長的街道則具有高膨脹度。

險峻度（Degree of Ruggedness）

即相對於水平線的偏移。（例如，平坦的水平地面上的山地景觀與陡峭的地面）。險峻的環境下在圖片中生產傾斜的輪廓，並隱藏了地平線線。大多數的人造環境建立了平坦地面。因此，險峻的環境大多是自然的。

2 LMgist原理

2.1 LMgist演算法主流程

G1:對輸入圖片進行預處理 (RGB或RGBA轉128x128灰度圖)
G2:對輸入圖片進行Prefilt處理
G3:計算圖片的Gist向量

2.2 G2 對輸入圖片進行Prefilt處理

2.2.1 Pad images to reduce boundary artifacts (擴邊+去偽影)

2.2.2 Filter (構造濾波器)

2.2.3 Whitening (白化)

2.2.4 Local contrast normalization (區域性對比度歸一化）

2.2.5 Local contrast normalization (區域性對比度歸一化）

2.3 計算圖片的Gist向量

2.3.1 Pading

2.3.2 FFT

2.3.3 遍歷每個Gabor核函式

3 Gist的實現--LMgist

LMgist的Matlab程式碼

people.csail.mit.edu

LMgist Matlab程式碼的使用

% 讀取圖片
img = imread('demo2.jpg');

% 設定GIST引數
clear param
param.orientationsPerScale = [8 8 8 8]; % number of orientations per scale (from HF to LF)
param.numberBlocks = 4;
param.fc_prefilt = 4;

% 計算GIST
[gist, param] = LMgist(img, '', param);

4 LMgist的Python實現

Kalafinaian/python-img_gist_featuregithub.com

4.1 提取Gist特徵

from img_gist_feature.utils_gist import *

s_img_url = "./test/A.jpg"
gist_helper = GistUtils()
np_img = preproc_img(s_img_url)
np_gist = gist_helper.get_gist_vec(np_img)

print(np_gist)