人类具有快速锁定重要的视觉对象并进行集中处理的视觉注意机制，将该机制引入到图像处理过程中，能在降低计算机计算量的同时，有效提高计算机的选择筛选能力，优先分配资源给重要区域，最终提高整体图像处理的效率。视觉注意机制包括自上而下和自下而上两种，本文只研究自下而上的视觉注意机制[1]。

语境、修辞情境与语篇 ……………………………………………………………………………… 徐 永（3.31）

由于零售商过量订货出现在[0，(1-β)q]阶段，故设I(q)为零售商期望余货量I(q)=[(1-β)q-x]f(x)dx=F(x)dx，L(q)=μ-S(q)=μ-q(1+α)+F(x)dx为期望缺货量；而零售商订货量在[(1-β)q，(1+α)q]范围内时，供应商会有货积压在库，期望积压数量为

早期建立的自下而上的显著性检测模型均是基于空间域建立的。而近年来，部分研究人员开始基于频域着实建立显著图[2-6]。值得注意的是2007年[7-9]，Guo等基于仿射系数率先提出剪切波变换，并证明了该表示方法具有几乎最优的稀疏性[10]。对比剪切波变换和小波变换可知，前者可以最大化地使用原函数的几何正则性，剪切波基具有近似长条形的支撑区间，能够仅使用较少的系数逼近奇异曲线。剪切波变化因此在图像边缘特征方面更具优势，且拥有更好的逼近精度和稀疏表达能力[11-15]。

基于多方向和多尺度的离散剪切波变换，本文建立了一个利用自下而上视觉注意机制进行显著性检测的模型。该模型在各分解层重构剪切波系数获取各分解层图像描述特征图，并将各层细节信息汇总以实现多分辨率角度综合衡量图像的显著性。此外，本文的模型除了效仿文献[12]的思想获取全局显著性外，还加入熵计算概率密度分布，获取并建立局部显著图。其局部显著图建立的核心思想是若局部区域和周边分布一致性越高，熵值越大，相应的显著性越低；反之，一致性越低，获得的熵值越小，相应的显著性越高。该局部显著图建立方式能够较完善地反映中心和周边差异，提高显著性检测效率和准确度。最后，融合局部和全局显著图即可得到图像的最终综合显著图。

1 算法分析

基于剪切波系数，本模型使用了较为合理完善的显著性检测机制，获得的显著性边缘质量高。经孔洞填充后即可获得图像的显著图，基本流程可见图1。

尼采曾经说过：“用生命力的蓬勃兴旺战胜人生的悲剧性质，这本身就是人生的意义所在。”《红高粱家族》通篇以一个小男孩的口吻讲述“我爷爷”“我奶奶”的故事，在高粱地里，莫言呈现的是对生命的肯定，高粱地里男男女女抛开世俗的面具，豁达狂野地享受着生命；在中华民族抵抗外辱的战争年代，莫言描写的是生存在高密黑土地之上的普通乡亲对抗敌人入侵的淳朴态度和生命之气，悲壮地诠释了民族血性灵魂里那股原始蛮横的激情和力量。莫言在小说中使用的怪诞写法使得肯定生命这一主题发挥了强大的震撼力和积极意义。苦难和痛苦磨炼了人的意志，激发了生机，解放了心灵，从而创造了生命的美丽、崇高和伟大。

图1 模型综合显著图获取基本流程图

1.1 特征图获取

本文通过剪切波系数和VisuShrink阈值函数计算获得δ值的对比来判断该剪切波系数是否为有用信息，若是(剪切波系数大于该δ值)则将其以l倍放大，否则置零，进而起到加强有用信号减少噪声的作用。去噪策略可总结为

(1)

式中，∑、Ed、μ分别为协方差矩阵、特征图fd的期望和期望向量(衡量各特征图各位置点的特征值和该图的差异性)。由于∑和μ实际为全局统计值，因此得到的p(x，y)实际上也应该是全局显著性。

和

(2)

表示的是剪切函数，取样因子为尺度变量为j≥0，方向变量为|k|≤[2j/2]，位置变量为m∈Z2。

由于本文的特征图需要经过剪切波系数矩阵重构得到，因此将式(1)简化为

SH(g)=LD∪Hd

(3)

6.正确处理主体骨干工程与配套工程的关系。除规划好电厂本身的总体布置外，应特别重视建厂的外部条件（煤、灰、水、运输、出线环保、生活服务设施等）的规划，使主体骨干工程与配套工程同步进行规划和设计。

首先，需要针对原始图像描述并构建特征图。本文对原始图像进行剪切波分解(采用锥形自适应离散剪切波系统，SH)。

(4)

其中，H0和H分别表示了经处理得到的系数和Hd的剪切波系数。

中国影视产品走进国际市场的营销途径调研访谈 ……………………………………………… 蒋林峰 王建平 任旭彬（1/57）

(4)普惠性补贴将更有利于东北地区种植业结构调整。东北地区主要种植水稻、玉米和大豆等粮食作物，这些农产品都是国家重点支持的对象。如果针对单独产品分别实施补贴政策将会影响作物之间的比价关系，造成种植结构失衡，因此建议实施普惠性的补贴政策，这样既能降低政策对市场的扭曲，提高政策效率，又有利于满足市场的有效需求，实现种植业结构的优化。

海外中资建筑企业的高质量发展还应体现在产品服务质量的提高以及品牌影响力的提升。“中国制造”在国际上广为人知，但中国制造在很大层面上并没有给消费者带来高质量的信任感。海外中资建筑企业在承接国际工程时无疑具有一定的代表性，既代表国家形象。这种代表性对我国的国际地位与贸易发展，以及全世界对中国制造认识的改观起到至关重要的影响。海外中资建筑企业应不断提高产品和服务质量，精益求精，加强服务监管和环境保护，合规运营，不断提升品牌知名度和影响力，进而提升和改观中国制造的影响力。

(5)

式中的k∈(1，2，…，K)表示的是分解方向。

1.2 显著图构建

1.2.1 全局显著图构建

得到了各分解层的特征图后，可借助全局概率密度分布构建全局显著图，其过程分析如下：

个人所得税从建立到现在已经修订过六次，每次修订基本上是在免征额和税率上进行，这并没有真正体现出个人所得税的内涵，只是对冲了人民收入上涨的影响。而新的个人所得税法则全方位的对人民的收入、费用等进行了界定，并且重新调整了免征额起点和税率级距，使个人所得税的征收不在成为一种形式，而是真正起到调节收入分配不公的利器。

第一步，针对各特征图的点(x，y)获取特征向量f0(x，y)=[f(x，y)，…，fD(x，y)]T描述该点(只针对非零矩阵的特征矩阵)。

第二步，选取任意点计算概率密度值p(x，y)(采用多维高斯概率密度函数)，建立概率密度分布矩阵，如下式所示

式中的g，D，LD，Hd分别表示输入的灰度图像、分解次数、尺度系数矩阵和剪切波系数矩阵。

(6)

其中，f表示二维离散信号，φm=φ(.-c1m)表示尺度函数

第三步，构建全局显著图SG

最后，将处理过的各分解层剪切波系数矩阵进行逆变换(ISH)，得到相应的各层特征图fd，即为

SG(x,y)=H(-R(lgp(x,y))×Ik×k

(7)

式中的SG(x，y)表示点(x，y)位置处的全局显著度；Ik×k代表的是二维高斯低通滤波器(文中k值取5)。

1.2.2 局部显著图构建

构建局部显著图流程分析如下：

法比为女人们拉开沉重的门。外面手电筒光亮照着一片刺刀的森林。少佐僵直地立正，脸孔在阴影中，但眼睛和白牙流露的喜出望外却从昏暗中跃出来。法比从来没想到他会拉开这扇门，把人直接送上末路。把一个叫赵玉墨的女子送上末路。

第一步，计算并获取各特征图(表示为d)的所有点(x，y)的概率密度值pd(x，y)，建立概率密度分布矩阵

(8)

式中的σ=Dd和μ=Ed分别代表了特征图fd的方差与期望，各特征图对应了不同的分解尺度，分别处理可获得不同尺度下的显著性；

第二步，在pd上计算获取局部区域块所对应的信息熵，计算获得信息熵矩阵φd；

(9)

式中，非线性的归一化函数为M(·)，d0(x，y)代表了(x，y)点和离它最近的关注点(x0，y0)的距离。

(10)

式中，Wd(x，y)为点(x，y)位置处信息熵矩阵的权重计算公式。

1.2.3 综合显著图构建

本文在融合全局以及局部显著图后，按照关注点附近区域显著度优先原则对图像显著度进行调整。本文同时采用了形态学腐蚀(E(·))消除局部显著图构建中以(2k+1)×(2k+1)为邻域获得区域熵值带来的边缘宽度放大的问题，获得的显著图如所示

S(x,y)=E(M(SL(x,y)eSG(x,y))(1-d(x,y)))

(2)

第三步，将所有分解尺度上的信息熵矩阵综合，构建最终的局部显著图SL。

显著性检测即为二值化操作(B(·))，其最终目的是将图像中各像素点标注为显著点或非显著点。本文使用了Otsu自动阈值获取函数和直接使用显著图均值作为阈值的两种获取方法，最终得到了二值图。本文的模型是基于剪切波系数建立的，在描述图像的边缘信息方面具有较好的效果。因此，本文在检测到显著性边缘后，结合孔洞填充操作(F(·))得到所需的显著性区域，进而获得综合显著图ST(x,y)=F(B(S(x,y)))。

处在三角形OAB区域的P6，是一种低成本低功能的价值溢出状态，表明高校较少的资源投入得到了远高于其投入的回报，需要鼓励和加大投入，使其保持这样高效率的状态。

本文也给出了本模型进行显著性检测的实例过程图来帮助理解，如图2所示。

图2 显著性检测过程实例图

2 实验和结果分析

本文使用Matlab环境进行实验，选择和文献[12]的显著性检测模型进行比较(代码来自于Nevrez)。本文的仿真包括获取两种模型的P、R、Fa值(基于UserDataB和ImageB数据集)和ROC值[13]。

2.1 仿真实验1

仿真实验1包含两个内容，即验证孔洞填充操作的作用和与文献[12]中的显著性检测模型进行对比。

式中，i为第 i个产业；j为第 j个地区，Xij表示第j个地区的第 i产业的销售收入或产值指标；产业规模区位商也称区域规模优势指数。在本文中，产业规模区位商表示该地区工业总产值占全省三大产业总产值的比重。当产业规模区位商大于1时，表明该地区工业比较集中，一定程度上显示出工业具有较强的竞争力，产业规模区位商越大，表示该地区工业集聚越显著；产业规模区位商等于1时，表示该地区工业处于均势，该产业的集中还不明显；产业规模区位商小于1时，表明该产业在该地区没有形成集中。

在ImageB数据集中用本文建立的模型进行了仿真实验。其中，二值图构建操作如上节所述，获得的孔洞填充操作前后的P、R、Fa值见表1。由表可以看到，孔洞填充操作后P、R、Fa均获得了提升，可见孔洞填充操作效果良好，对于图像显著性检测非常必要。

表1 孔洞填充前后的P、R、Fa值对比

PRFa值填充前填充后填充前填充后填充前填充后Otsu阈值0 65390 65710 47630 48510 56810 5726均值0 59080 59810 65220 66760 58550 5958

在UserDataB和ImageB数据集中，分别使用本文建立的模型与文献[12]的模型计算并对比了P、R、Fa值，验证了全局和局部显著性对综合显著图的必要性，结果如图3所示，其中，Ls，Gs，Ts分别代表局部、全局和综合显著图。

图3 本文和文献[12]的模型P、R、Fa值对比结果图

从图3(a)可以看到，全局显著图的P、R、Fa值更高，表明全局显著图对综合显著图贡献较高。此外，本文模型得到的综合显著图相比于文献[12]具有更高的P、R、Fa值，而全局显著图指标实际处于劣势低位，表明局部显著图在较大程度上能提升综合显著图的质量；文献[12]的P、R值波动较大，说明该文献在显著性检测过程中构造了较多无关的显著性区域，得到了较大的R值和较小的P值，可见本文的显著性检测模型更具有准确性和合理性。从图3(b)中可看到，无论使用了何种二值图阈值获取方式，本文的显著性检测模型均优于文献[12]。

2.2 仿真实验2

对原始图像(C1～C6共235幅图像)进行显著性检测获得的显著图可以划分为显著和非显著区域。ROC是人工标注图(包括区域和点人工标注图)中以击中概率(显著区域正确检测为显著区域的概率)做分子，虚报概率(非显著区域错误检测为显著区域的概率)做分母的数值，该值能反映显著性检测模型的检测准确性和有效性。如表2和表3所示，使用本文模型得到的ROC值，除C3外所有值均优于文献[12]模型所得到的ROC值，可见本文的检测性模型更准确合理。表中的综合ROC值由C1～C6的ROC值平均得到。

表2 两种模型关注区域人工标注图计算获得的ROC值对比结果

综合ROCC1ROCC2ROCC3ROCC4ROCC5ROCC6ROC文献[12]模型0 82590 83710 84590 91080 70550 80050 8556本文模型0 85790 88790 89700 90450 75110 84090 8660

表3 两种模型关注点人工标注图计算获得的ROC值对比结果

综合ROCC1ROCC2ROCC3ROCC4ROCC5ROCC6ROC文献[12]模型0 75260 76280 75380 76750 66510 72660 7659本文模型0 75530 76480 76180 75550 69430 73220 7728

3 结束语

剪切波变换具有多方向、多尺度和良好的稀疏描述性能，经剪切波分解得到图像的剪切波系数和尺度系数均能够较好保留原始图像的细节信息，这对图像的显著性描述意义重大。基于上述原因，本文提出了一个利用自下而上视觉注意机制进行显著性检测的模型。并在多个彩色图像数据集上对该模型和文献模型进行了对比实验，实验结果显示，本文模型的性能指标更优，证明本模型更具有效性和准确性。

参考文献

[1] 陈再良.图像感兴趣区域提取方法研究[D].长沙:中南大学,2012.

[2] Itti L.Models of bottom-up and top-down visual attention[C].California:California Institute of Technology,2009.

[3] Liu Q,Han T,Sun Y,et al.A two step salient objects extraction framework based on image segmentation and saliency detection[J].Multimedia Tools & Applications,2013,67(1):231-247.

[4] Itti L,Koch C,Niebur E.A model of saliency-based visual attention for rapid scene analysis[M].CA,USA:IEEE Computer Society, 2008.

[5] Duncan K,Sarkar S.Relational entropy-based saliency detection in images and videos[C].MA,USA:IEEE International Conference on Image Processing,IEEE,2013.

[6] Guo C,Zhang L.A novel multiresolution spatiotemporal saliency detection model and its applications in image and video compression[J].Oncogene,2015,33(5):523-529.

[7] Li J,Levine M D,An X,et al.Visual saliency based on scale-space analysis in the frequency domain[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,2013,35(4):996-1010.

[8] 陈召曦.位场数据的曲波变换与信息提取应用[D].北京:中国地质大学,2012.

[9] Starck J L,Candes E J,Donoho D L.The curvelet transform for image denoising[J].IEEE Transactions on Image Processing,2002,11(6):670-84.

[10] Guo K,Labate D.Labate D:Optimally sparse multidimensional representation using shearlets[J].SIAM Journal Math Anal,2005,39(1):298-318.

[11] 孙晨.基于全变分和剪切波变换的图像去噪方法研究[D].天津:天津大学,2015.

[12] Imamoglu N,Lin W,Fang Y.A saliency detection model using low-level features based on wavelet transform[J].IEEE Transactions on Multimedia,2013,15(1):96-105.

[13] Liu T,Yuan Z,Sun J,et al.Learning to detect a salient object[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2011,33(2):353-67.

[14] 刘志民.基于小波变换的全变分模型的图像去噪[D].合肥:安徽大学,2013.

[15] 路雅宁,郭雷,李晖晖.带限剪切波变换与全变差结合的图像去噪[J].光子学报,2013,42(12):1430-1435.