基于全局对比度的显著性区域检测
基于全局对比度的显著性区域检测
Ming-Ming Cheng1Guo-Xin Zhang1 Niloy J. Mitra2 Xiaolei Huang3Shi-Min Hu1
1TNList, Tsinghua University 2 KAUST 3 Lehigh University
摘要
视觉显著性的可靠估计能够实现即便没有先验知识也可以对图像适当的处理，因此在许多计算机视觉任务中留有一个重要的步骤，这些任务包括图像分割、目标识别和自适应压缩。我们提出一种基于区域对比度的视觉显著性区域检测算法，同时能够对全局对比度差异和空间一致性做出评估。该算法简易、高效并且产出满分辨率的显著图。当采用最大的公开数据集进行评估时，我们的算法比已存的显著性检测方法更优越，具有更高的分辨率和更好的召回率。我们还演示了显著图是如何可以被用来创建用于后续图像处理的高质量分割面具。
1 引言
人们经常毫不费力地判断图像区域的重要性，并且把注意力集中在重要的部分。由于通过显著性区域可以优化分配图像分析和综合计算机资源，所以计算机检测图像的显著性区域存在着重要意义。提取显著图被广泛用在许多计算机视觉应用中，包括对兴趣目标物体图像分割[13, 18]、目标识别[25]、图像的自适应压缩[6]、内容感知图像缩放[28, 33,30, 9]和图像检索[4]等。
显著性源于视觉的独特性、不可预测性、稀缺性以及奇异性，而且它经常被归因于图像属性的变化，比如颜色、梯度、边缘和边界等。视觉显著性是通过包括认知心理学[26, 29]、神经生物学[8, 22]和计算机视觉[17, 2]在内的多学科研究出来的，与我们感知和处理视觉刺激密切相关。人类注意力理论假设人类视力系统仅仅详细处理了部分图像，同时保持其他的图像基本未处理。由Treisman和Gelade [27]，Koch和Ullman [19]进行的早期工作，以及随后由Itti，Wolfe等人
提出的注意力理论提议将视觉注意力分为两个阶段：快速的、下意识的、自底向
上的、数据驱动显著性提取；慢速的、任务依赖的、自顶向下的、目标驱动显著
性提取。
我们通过图像对比度来关注自底向上的数据驱动显著性检测。人们普遍认为，人类大脑表皮细胞在其接受域可能是硬编码的，为的是优先响应高对比度刺激[21]。基于以下观察结果，我们提出了对提取的高分辨率全局显著图的对比度分析：
●基于全局对比度的方法能够将一个大规模目标从它周围的环境
中分离出来，相对于只在轮廓附近产生高显著值的基于局部对比度的方
法更优越。
●全局考虑能够实现将相近的显著值分配到相似的图像区域，并且
可以均匀的突出整个目标。
●一个区域的显著性主要依靠它与相近区域的对比度，而与远区域
的对比度相对没有那么重要。
●显著图应该是能够简单快速的生成，为了实现大图像集合的处理
和促进图像分级与检索的高效率进行。
我们提出了一种基于直方图对比度的方法（HC）来测量显著性。HC-maps
依据与所有其它图像像素的色彩差异来分配像素显著值，以此来产生全分辨率的显著图。我们使用直方图的方法来高效处理，同时使用一种平滑操作来控制量化缺陷。值得注意的是我们的算法是针对自然场景，对高纹理图像场景可能要弱些（见图12）。
图 1 输入图像（上），经全局对比度分析得到的高分辨率的显著图（中），显著图可以进一步被用来产生感兴趣物体区域（下）
作为HC-map的改进，我们结合空间关系创造出了基于区域对比度的（RC）显著性图，我们首先把输入的图像分割为数区域，然后赋予他们显著值。现在一个区域的显著值是通过全局对比度值来计算的，全局对比度值是通过此区域与图
像中的其他区域的对比以及与其他区域的空间距离来度量。
我们在公开的基准数据集上广泛地评估我们的方法，并且将我们的方法与最先进显著性方法[17, 21, 32, 14, 15, 1, 2, 12]以及人工标注的参考数据进行对比1。实验表明，我们的方法比以往的方法在精度和召回率上都具有明显的改进。总的来说，与HC-map相比，RC-map具有更高的精度和召回率，不过是以增加计算量为代价的。令人欣慰的是，我们注意到用我们的显著图提取的显著性分割在绝大多数情况下是符合人工注释的。我们也呈现了显著图在图像分割、内容感知图像缩放和非真实感渲染中的应用。
2 相关工作
我们主要关注把下意识的自底向上的显著性检测作为目标的相关文献，这可能是基于生物学激励，或者是纯粹的计算，抑或是兼顾这两个方面。这些个方法利用低水平的处理来决定图像目标与它们周围的对比度，用到了像亮度、颜色和边缘这样的特征属性。我们把这些算法概括得分为局部方案和全局方案。
基于局部对比度的方法研究图像区域相对于局部邻域相关的稀有度。Koch 和Ullman [19]提出的早期模型受到生物学激励的高度影响，在这个基础上Itti等人[17]用贯穿多尺度图像特征的中心-周围差异来定义图像目标显著性。Ma和Zhang [21]提出了一种可供选择的局部对比度分析法来产生显著性图图像，后来通过模糊增长模型被扩充。Harel等人[14]将Itti等人的特征图进行标准化来突出显著部分，并且允许和其它重要的显著图像组合。Liu等人[20]通过将高斯图像金子塔中的对比度线性地组合找到多尺度对比度。最近更多，Goferman等人[12]同时地做出局部底层线索模型、全局考虑模型、视觉组织规则模型和表层特征模型来强调显著的目标随同其环境。这些使用局部对比度的方法趋向于产生边缘附近的更高显著值，而非一致地强调显著的目标（见图2）。
图 2 （b-i）是由不同的最先进方法计算出的显著图，（j）和（k）分别是我们提出的HC和RC方法得到的显著图。绝对多数结果突出了边缘或者低分辨率。也可见图6（以及项目网页）。
基于全局对比度的方法，通过与整体图像的对比度评估一个图像区域的显著性。Zhai和Shah [32]通过某个像素与其他所有像素的对比度较来定义像素级显
著性。然而，出于效率考虑，他们仅仅使用亮度信息，因此忽略其它渠道中与众不同的线索。Achanta 等人提出一个谐频的方法，直接使用与平均图像颜色之间的色差来定义像素显著性。然而，这个方法仅仅考虑了一阶平均颜色，并不能充分地分析自然图像中常见的复杂变量。在图6和图7中，我们展示出这些方法中定性的和定量的缺陷。此外，这些方法忽视了图像各部分之间的空间关系，而这个因素是可以对可靠的和一致的显著性探测产生决定性作用的。
3 基于直方图的对比度
生物学视力系统对于视觉信号的对比度很敏感，在对这个生物学视力观察的基础上，我们提出了一种直方图对比度方法(Histogram Contrast, HC)来为用输入图像颜色统计特征的图像像素定义显著值。明确说是，一个像素的显著值是通过与图像中的所有其它像素的色差来定义的。比如，图像I 中的像素k I 的显著值被
定义如下：
()(,)i k k i
I I S I D I I ?∈=
∑ , (1) 其中(,)k i D I I 是空间L*a*b 中的像素k I 和i I 之间的颜色距离度量。方程1经
过扩展像素等级得到以下形式，
12()(,)(,)(,)k k k k N S I D I I D I I D I I =++???+, (2) 其中N 是图像I 中的像素数量。很容易察觉在这种定义之下，由于测量没有考虑空间关系，同样颜色值的像素具有相同的显著值。因此，从具有相同颜色值j c 的像素被组合在一起的角度重新整理方程2，我们就得到每个颜色的显著值如
下，
1
()()(,)n
k l j l j j S I S c f D c c ===∑， （3）
其中，l c 是像素k I 中的颜色值，n 是不同像素颜色的数量，j f 是图像I 中像
素颜色j c 出现的频率。需要注意的是，为了避免显著区域颜色统计受到其他区域
相似颜色的破坏，可以使用变化的窗口面具来开发一个相似的方案。然而，考虑到高效率的要求，我们使用简单的全局方法。
基于直方图的加速。如果简简单单的使用方程1来评估每个图像像素的显著值的话，所花的时间2()O N 算起来即使针对中等大小的图像也是很多的。然而如果采用方程式3中的等价的表示形式，所花的时间是2()()O N O n +，意味着如果2()()O n O N ≤，那么计算效率可以被提高到()O N 。因此，加快速度的关键在于
减少图像中的像素数目。然而，真彩色空间包含了3256种可能的颜色，这比图像的像素数量要多的多。
Zhai 和Shah [32]仅仅使用亮度来减少颜色的数目n 。用这种方法，22256n =（显然，2256N <<）。可是他们的方法具有一个弊端，就是颜色信息的差异被忽略了。在研究中，我们用全颜色空间代替了仅使用亮度。为减少需要被考虑的颜色数量，我们首先将每个颜色通道量化为12个不同值，这就讲颜色的数量减小到了3121728=。考虑到自然图像中的颜色仅仅包含了全颜色空间中很小的一部分，我们通过忽略出现频率较低的颜色来进一步减少颜色数量。通过选择高频颜色并且保证这些颜色覆盖图像像素不低于95%的颜色，我们最终达到了n=85个颜色（请见第五部分的实验细节）。剩下的像素颜色，包含不高于5%的图像像素，这部分颜色被直方图中最邻近的颜色替代。图3中为典型的量化样例。再此提醒，出于效率要求，我们选择了简单的直方图量化而非最优化一幅图像的特殊颜色。
图3 输入图像（左），我们计算出图像的颜色直方图（中）。直方图中每一个bin 对应的颜色显示在下方的条形中。量化后的图像（右）仅仅使用了43种直方图bin 色彩并且依然保留了显著性检测所需的足够的视觉质量。
颜色空间平滑。 尽管通过使用颜色量化和选取高频颜色来建立紧凑的颜色直方图我们可以高效率地计算出颜色对比度，但是量化本身可能带入瑕疵。一些相似的颜色可能被数量化为不同的值。为了减少这类由于随机性给显著结果引入的噪声，我们采取一套平滑程序来改善每个颜色的显著值。我们用相似颜色的显著值加权平均来代替每个颜色（以L*a*b*距离测量）的显著值。实际上这是一个对颜色特征空间的平滑处理。我们选择m=n/4个最近的颜色作为代表来改善颜色c 的显著值，如下：
11()((,))()(1)m i i i S c T D c c S c m T
='=∑， （4） 其中，1(,)m i i T D c c ==∑是颜色c 和它的m 个最近的颜色i c 之间的距离之和，
归一化因数来自公式1((,))(1)m i i T
D c c m T ==∑。值得注意一下，我们使用一个线性变化的平滑权值((,))i T D c c 来为颜色特征空间中与c 相近的颜色赋予较大的权值。在我们的实验中，
我们发现这样的线性变化的权值比衰减过于剧烈的高
斯权值要好。图4是颜色空间平滑后的效果，按显著值降序排列。注意，相似的柱状图在经过平滑过后彼此非常相近，这表明相似的颜色更可能来被赋予相似的显著值，因此减少了量化的瑕疵（见图7）。
图4 颜色空间平滑前（左）、后（右）每种颜色的显著性值（归一化为范围[0,1]）。相应的显著图显示在相应的插图中。
实现细则。为了把颜色空间量化为312种不同的颜色，我们同样把每个颜色通道分为12个不同标准。尽管对于颜色的量化是在RGB 颜色空间中进行的，但是为了与人类感知更加符合，我们在L*a*b*的颜色空间中测量颜色的距离。然而，我们没直接在L*a*b*的颜色空间中进行量化，因为不是所有在范围[]L*0,100∈，[]a*,b*127,127∈-中的颜色都与实际颜色必然对应。实验中，我们观察到使用直接的L*a*b*颜色空间量化得到较差的效果。通过在RGB 颜色空间中量化，而在L*a*b*的颜色空间中测量距离，我们得到最好的结果，然而，无论单独在RGB 颜色空间或单独在L*a*b*颜色空间中同时进展量化和距离计算，都得到最差的结果。
图 5 通过Felzenszwalb 和Huttenlocher 的分割方法[11]产生的图像区域（左一），基于区域对比的带距离加权分割图像（左二）、基于区域对比的不带距离加权分割图像（右二）。整合空间内容，我们得到一个高质量的显著性切割图（右一），能比得上人工分割结果。
4 基于区域的对比度
人们对于与周围环境具有强烈对比的那些图像目标区域更注意。除了对比度，空间关系也在人类注意力中扮演了重要角色。通常一个目标区域的显著性，与周围目标区域的高对比度要比与远处目标区域的高对比度更显著。既然当计算像素等级对比度时直接引入空间关系算起来很耗时，我们引进了一个对比度分析方法：
区域对比度(Region Contrast, RC)，为的是将空间关系整合到区域等级对比度计算当中。在RC 当中，我们首先把输入图像分割成数个目标区域，然后计算区域等级上的颜色对比度，并且用这个区域与图像中其他目标区域对比度的加权和为每个区域定义显著性。权值的设置是依照区域空间距离来的，空间距离较远的目标区域被赋予较小的权值，
由稀疏直方图对比得到区域对比度。我们首先使用一种基于图形的图像分割方法把输入图像分割为数个区域[11]。然后我们采用第3部分的方式为每个区域建立颜色直方图。对于一个区域k r ，我们通过测量其与图像中的其他区域的颜色
对比度来计算它的显著值，如下：
()()(,)k i
k i r k i r r S r w r D r r ≠=∑，
（5） 其中()i w r 是区域i r 的权值，(,)r k i D r r 是两个区域间的颜色距离度量。这里我们使用i r 中的像素数目()i w r 来强调与更大区域的颜色对比度。区域1r 和2r 之间的颜色距离被定义如下：
12
12121211(,)(,)(,)(,,,)n n r i j D r r f c i f c j D c i c j ===∑∑ （6）
其中(,)k f c i 是第i 个颜色,k i c 在第k 个区域k r 中的所有的k n 个颜色中的出现
频率。注意，我们使用一个颜色出现在这个区域中的频率作为这个颜色的权值，来更多的反映这个颜色与主要颜色之间的差别。
由于每个区域只包含整个图像的颜色直方图里的一小部分颜色，因此为每个区域存储和计算正则矩阵是低效率的。我们使用一个稀疏直方图表示法来高效的存储和计算。
空间加权的区域对比度。通过在方程式5中引入的一个空间加权条款，我们进一步包含空间信息，以此来增加较近区域的影响并减少较远区域的影响。特别地，对于任何区域k r ，基于空间加权区域对比度的显著性是这样定义的：
2()exp((,)/)()(,)k i
k s k i s i r k i r r S r D r r w r D r r σ≠=-∑ （7）
其中，(,)s k i D r r 是区域k r 和区域i r 之间的空间距离，s σ控制空间权值的强度。越大的s σ值越能减少空间权值的影响，使得较远的区域更有助于当前区域的显著性值。两个区域之间的空间距离被定义为与各自区域的重心之间的欧几里得距离。在我们的试验中，我们使用20.4s σ=，其像素坐标归一化为[0,1]。
5实验比较
我们用由Achanta等人[2]提供的公开数据集评估了我们方法得到的结果。这是我们所知道的最好的数据库，这一套数据库是那一类中最大的，并且拥有人类精确标注了的显著性区域。我们比较了所提出的基于全局对比度方法和现今最先进的显著性检测方法。紧接着[2]，我们依据以下来选择其他方法进行对比：引证的数量（IT[15] and SR[13]），新近(GB[12], SR, AC[1],FT[2] and CA[10])，种类（IT是生物学激励，MZ是纯粹计算的，GB是混合法，ST在频域进行处理，AC和FT输出全分辨率显著性图），还有与我们的方法接近的（LC[32]）。
我们用我们的方法和其他方法计算数据库中所有1000张图片得到了显著性图。表1比较了每种方法所用的平均时间。我们的算法HC和RC是用C++做的。对于其他方法，即IT、GB、SR、FT和CA，我们用作者的实现方法，而对于LC这种算法，由于我们没有找到作者的实现方法，我们是用C++来实现的。对于典型的自然图像，我们的HC方法需要O(N)的计算时间，这对于实时应用是足够高效率的。比较起来，我们的RC转化要慢一点，由于它需要图像分割[11]，
表1 通过Achanta 等人的方法计算数据库中图像的显著图所用的平均时间。数据库（见项目网页）中绝大部分图像的分辨率为400 300。用一个双核2.6GHz和2GB RAM的机器对算法进行了测试。
图7 在1000张公开基准图像上经过各种方法得到的显著图经过简单阈值分割得到结果的精度-召回曲线。（左，中）我们的方法中的不同选项与GB[12], MZ[19], FT[2], IT[15], SR[13], AC[1], CA[10], and LC[29]的对比。NHC表示出我们禁用颜色空间平滑的HC方法
的天然版本，NRC表示出我们的禁用空间加权的RC方法。（右）精度-召回柱状图展示我们的显著性切割算法，使用的是不同的显著图作为初始值。我们的方法RC显示出1000个图像
数据库中的高查准率、高精度和高F
β值。（请参考项目网页寻求相应的结果图像。）
为了全面地评估我们用于显著性图像分割的方法的精确度，我们采用不同的客观比较措施来进行两个实验。在第一个实验中，为了分割显著的目标并且计算精度和召回率曲线，我们使用了每一种可能的固定阈值将显著性目标进行二值化，类似于[2]中的固定阈值法实验。在第二个实验中，我们反复迭代应用GrabCut算法来分割显著的目标，算法是使用定限的显著性图像来初始化的。我们也采用得到的显著性图作为调整内容敏感的图像缩放和非真实感渲染的重要的权值。
通过固定阈值分割。得到显著目标图像的二值分割图的最简单方法是设定阈值[0,255]
f
T∈来限定显著性目标图像。为了可靠的比较各种显著性检测方法高亮显著性物体的效果，我们设定阈值
f
T的值在0到255之间变化。图7显示出精度召回率曲线结果。我们也介绍了加入颜色空间平滑和空间加权方案的好处，连同与其他显著性目标提取方法的客观比较。各种方法所得到的显著性图的视觉比较可以在图2和图6中看出。
图6 显著图的视觉比较。（a）原始图像，通过以下方法得到的显著图：（b）Zhai and Shah，（c）Goferman等人，(d) Achanta等人，(e) 我们的HC方法，(f)我们的 RC方法，（g）基于RC的显著性切割结果。我们的方法生成均匀突出的显著性区域（见项目网页中全基准数据集中的所有结果）
精度和召回率曲线清楚地说明我们的方法要比其他八种方法优越。曲线端点是有趣的：在最大召回率处
f
T=0，所有的像素都保持正数，被认为是前景，因
此所有的方法具有相同的精度和召回值；点（1.0,0.2）暗示，平均来看，20%的图像像素属于基准显著区域。在另一个端点，我们的方法的最小召回值要比其它方法的大，因为通过我们的方法计算出的显著性图更平滑并且包含了更多显著值为255的像素。
显著性切割。我们接下来考虑使用计算的显著性图像来帮助显著物体分割。显著图过去就被用来分割非监督物体：Ma和Zhang[21]通过在他们的显著性图中进行模糊区域扩增发现了矩形的显著区域。Ko 和Nam[18]使用了一种在图像分割特征上训练的支持矢量机器来选择显著的区域，然后聚集这些区域来提取显著的物体。Han等人[13]用颜色、纹理和边缘特点建立马尔可夫随机场模型，以此从显著图的种子值中获取到显著性物体区域。更近一点，Achanta等人[2]在由均值偏移法分割产生的分割图像中对显著值进行平均，然后通过识别分割图像来发现显著的目标，这些图像区域具有的平均显著值高于整幅图像均值显著值两倍大小的阈值。
在我们的方法中，我们反复的应用GrabCut方法来改善最初由阈值化的显著性图像得到的分割结果（见图8）。传统GrabCut方法是由人工选中矩形区域进行初始化操作，而我们使用固定的阈值二值化后的显著性图像得到的分割图像来自动地初始化GrabCut，这个阈值是从我们的固定阈值实验中凭经验选出来的能够得到95%的召回率的阈值。
图8 显著性区域切割。（从左到右依次是）首次分割图、第一次迭代后的子分割图、第二次迭代后的子分割图、最终分割图，人工标记的基准数据。在分割的图像中，蓝色是前景，灰色是背景；在子分割图中，前景是红色，背景是绿色。未知区域没做改动。
一旦初始化了，我们反复的运行GrabCut方法来改善显著性切割结果（在我们的实验中至多进行四次迭代）。每次迭代过后，我们通过膨胀腐蚀方法作用于当前分割结果，以此得到一个用于下一个GrabCut迭代的子分割图Trimap。如图8所示，膨胀后仍然落在外面的区域被设置为背景，在被腐蚀的区域内的区域被设置为前景，剩下的部分被设置为子分割图的未知区域。GrabCut，其自身就是一个使用高斯模型和图片切割法的迭代过程，在每一个步骤中都帮助改善显著的图像目标区域。更靠近初始显著性物体的福分比距离远的更容易成为那个显著性物体的一部分。因此，我们的新初始化使GrabCut包含附近的显著性区域并且依
照颜色特点差异排除非显著区域成为可能。在实施过程中，我们设置一个狭窄边界区域（15个像素宽）一直存在于背景中，为的是提高边界区域的收敛速度。
图8展示了两个我们的基于视觉显著性的图像分割算法的例子。在旗帜的例子中，在GrabCut 的迭代期间，不想要的区域被准确的排除在外。在花朵的例子中，我们的显著性切割方法成功地将最初的显著区域扩大（直接从显著性图像目标中获得）并且收敛得到一个精确的分割结果。
为了客观地评估我们用RC-map 作为初始值的新显著性切割方法，我们将我们的结果与由结合迭代GrabCut 方法得到的结果相比较，后者采用的初始值是从由其它方法计算得到的显著性图像中得到的。为了一致性，我们使用在相应的固定阈值实验（见图7）中得到95%召回率的阈值将每个这种显著性图像二值化。图9显示出了结果的视觉比较。平均精度precision 、召回率Recall 和F-measure 在整个基准数据库中进行比较，其中F-measure 被定义如下：
22(1)Pr Re F =Pr +Re ecision call ecision call
βββ+?? （8） 我们使用Achanta 等人建议的2β=0.3，相对召回率来更多的加权精度。从比较结果（见图7右和图9）中可以看出，使用我们的RC 和HC 显著图进行的显著区域分割要明显优于其他方法。与数据库中由Achanta 等人得到的最先进的结果(precision = 75%， recall = 83%)相比较，我们结果的准确性更高(precision = 90%， recall =90%)（演示程序可以在项目网页中找到。）
图9 用不同的显著图作为初值的显著性切割结果。相应的显著图在图6中。
内容感知图像缩放。在图像重新定位中，显著图常常被用来指定图像部分的相对重要区域（也可以见图3）。我们尝试将我们的显著图用于Zhang 等人提出的图像缩放方法2中，其方法分散变形能量于图像中的相对不显著区域，然而保留全局和局部图像特征（使用公开可用的作者的实施方法）。图10比较了使用我们的RC-maps 和使用CA[12]显著图的缩放结果。我们的RC 显著图能产生更好的缩放结果，因为显著目标区域是分段光滑的，这对于基于能量的缩放方法是重要的。CA 显著图在目标边界具有更高的显著值，这不太适于像缩放这样的应用，由于这些应用需要整个显著性物体被一致突出。
图10使用CA[12]显著图和我们的RC显著图的内容敏感图像缩放[33]结果的对比
非真实感渲染。艺术家常常抽象化图像，突出图像中有意义的部分同时掩蔽掉不重要的区域[31]。受此启发，一系列用显著值进行非真实感渲染（NPR）的方法产生并且产生有趣的效果[7]。我们尝试性地将我们的工作与在最近NPR技术[16]背景下最相关的、最先进的显著性检测算法[2]相比较（见图11）。我们的RC-maps得到更好的显著性掩饰，这帮助NPR方法更好的保留重要的图像部分和区域边界中的细节，而掩蔽掉其他的部分。
图11 （中，右）FT和RC显著图分别以风格化渲染输入图像（左）。我们的方法生成更好的显著图，见插图，在投和栅栏周围产生改进的细节保留等。
图12 这是具有挑战性的例子，基于我们的直方图的方法涉及用相似颜色作为显著部位的非显著区域（顶部），或者一个使用纹理背景的图像（底部）。（从左到右依次是）输入图像，HC-map，HC显著性切割图、RC-map，RC显著性切割图。
6 总结和展望
我们提出了基于全局对比度的显著性计算方法，也就是直方图对比度法（HC）
和基于空间信息增强的区域对比度法（RC）。HC方法是高效的，并且产生的结果具有精细的细节；RC方法生成空间增强的高质量显著图，但是计算效率相对较低。我们在最大的公开数据集上测试了我们的方法并且将我们的方案与其他八种最先进的方法进行比较。实验表明，提议的方案在精度和召回率两个方面都优越，而且简单又高效。
在未来，我们打算研究能够将空间关系与显著性图像计算结合同时保留结果显著图中的细节的高效算法。同时，这需要研究能处理杂乱纹理背景的显著性检测算法，以克服这类背景在我们的全局直方图方法中引入的缺陷（尽管我们没有在数据库中遇到这样的图像）。最后，整合类似人脸、对称性等高水平元素到显著图中可能更有利。我们相信我们提出的显著性图可以用于高效的目标检测[13]，可靠的图像分类，提高图像检索效果。
参考文献
[1] R. Achanta, F. Estrada, P. Wils, and S. S¨usstrunk. Salientregion detection and segmentation.
In ICVS, pages 66–75.Springer, 2008. 2, 4, 6
[2] R. Achanta, S. Hemami, F. Estrada, and S. S¨usstrunk.Frequency-tuned salient region detection. In CVPR, pages1597–1604, 2009. 1, 2, 4, 5, 6, 7
[3] R. Achanta and S. Susstrunk. Saliency Detection for Content-aware Image Resizing. In ICIP, 2009. 7
[4] T. Chen, M.-M. Cheng, P. Tan, A. Shamir, and S.-M.Hu. Sketch2photo: Internet image montage. ACM TOG,28(5):124:1–10, 2009. 1
[5] C. Christopoulos, A. Skodras, and T. Ebrahimi. The JPEG2000 still image coding system: an overview. IEEE Trans. on Consumer Electronics, 46(4):1103–1127, 2002. 1
[6] D. DeCarlo and A. Santella. Stylization and abstraction of photographs. ACM TOG,
21(3):769–776, 2002. 7
[7] R. Desimone and J. Duncan. Neural mechanisms of selective visual attention. Annual review
of neuroscience, 18(1):193–222, 1995. 1
[8] W. Eihhauser and P. Konig. Does luminance-constrast contribute to a saliency map for overt visual attention? European Journal of Neuroscience, 17:1089–1097, 2003. 4
[9] P. Felzenszwalb and D. Huttenlocher. Efficient graph-based image segmentation. IJCV,
59(2):167–181, 2004. 4, 5
[10] S. Goferman, L. Zelnik-Manor, and A. Tal. Context-aware saliency detection. In CVPR, pages 2376–2383, 2010. 2, 4,5, 6, 7
[11] J. Han, K. Ngan, M. Li, and H. Zhang. Unsupervised extraction of visual attention objects in color images. IEEE TCSV,16(1):141–145, 2006. 1, 6
[12] J. Harel, C. Koch, and P. Perona. Graph-based visual saliency. Advances in neural information processing systems,19:545, 2007. 2, 4, 6
[13] X. Hou and L. Zhang. Saliency detection: A spectral residual approach. In CVPR, pages 1–8, 2007. 2, 4, 5, 6
[14] H. Huang, L. Zhang, and T.-N. Fu. Video painting via motion layer manipulation. Comput. Graph. Forum, 29(7):2055–2064, 2010. 7
[15] L. Itti, C. Koch, and E. Niebur. A model of saliency-based visual attention for rapid scene analysis. IEEE TPAMI,20(11):1254–1259, 1998. 1, 2, 4, 6
[16] B. Ko and J. Nam. Object-of-interest image segmentation based on human attention and semantic region clustering. JOpt Soc Am, 23(10):2462, 2006. 1, 6
[17] C. Koch and S. Ullman. Shifts in selective visual attention: towards the underlying neural circuitry. Human Neurbiology,4:219–227, 1985. 1, 2
[18] T. Liu, Z. Yuan, J. Sun, J. Wang, N. Zheng, X. Tang, and H. Shum. Learning to detect a salient object. In CVPR,pages 1–8, 2007. 2
[19] Y.-F. Ma and H.-J. Zhang. Contrast-based image attention analysis by using fuzzy growing.
In ACM Multimedia, pages374–381, 2003. 2, 4, 6
[20] S. K. Mannan, C. Kennard, and M. Husain. The role of visual salience in directing eye movements in visual object agnosia.Current biology, 19(6):247–248, 2009. 1
[21] J. Reynolds and R. Desimone. Interacting roles of attention and visual salience in v4. Neuron, 37(5):853–863, 2003. 1
[22] C. Rother, V. Kolmogorov, and A. Blake. “Grabcut”– Interactive foreground extraction using iterated graph cuts. ACMTOG, 23(3):309–314, 2004. 5, 6
[23] U. Rutishauser, D. Walther, C. Koch, and P. Perona. Is bottom-up attention useful for object recognition? In CVPR,pages II: 37–44, 2004. 1
[24] H. Teuber. Physiological psychology. Annual Review of Psychology,6(1):267–296, 1955. 1
[25] A. M. Triesman and G. Gelade. A feature-integration theory of attention. Cognitive Psychology, 12(1):97–136, 1980. 1
[26] J. M. Wolfe and T. S. Horowitz. What attributes guide the deployment of visual attention and how do they do it? Nature Reviews Neuroscience, pages 5:1–7, 2004. 1
[27] O. S. Yu-Shuen Wang, Chiew-Lan Tai and T.-Y. Lee. Optimized scale-and-stretch for image resizing. ACM Trans.Graph., 27(5), 2008. 1
[28] S. Zeki. Inner vision: An exploration of art and the brain.Oxford University Press, 1999. 7
[29] Y. Zhai and M. Shah. Visual attention detection in video sequences using spatiotemporal cues. In ACM Multimedia,pages 815–824, 2006. 2, 3, 4, 5, 6, 7
[30] G.-X. Zhang, M.-M. Cheng, S.-M. Hu, and R. R. Martin.A shape-preserving approach to image resizing. Comput. Graph. Forum, 28(7):1897–1906, 2009. 1, 7
[31] Y.-F. Zhang, S.-M. Hu, and R. R. Martin. Shrinkability maps for content-aware video resizinresizing. Comput. Graph. Forum,27(7):1797–1804, 2008. 1
译文原文出处：Cheng Ming-Ming, Zhang Guo-Xin, Niloy J.Mitra, Huang Xiaolei, Hu Shi-Min.Global Contrast based Salient Region Detection.IEEE Conference on Computer Vision and Pattern Recognition,2011.
高三地理12月阶段性质量检测试题含答案解析
高三阶段性检测地理试题 第I卷（选择题，共50分） 、选择题：本大题共25小题，每小题2分，共50分。在每小题列出的四个选项中，只有一项是 符合题目要求的。 2016年1月，我国火星探测任务启动，预计在成“绕、落、巡”三阶段探测任务。据此完成1?“火星探测卫星”在实施探测任务时 A. 可能会受到小行星的威胁 B. C.威胁其安全运行的太阳活动是黑子 D.2.火星上的大气非常稀薄，气压只有地球的 ①质量小②体积大③温差大④温度高 2021年左右发射一颗火星探测卫星。有望一次性完1-3 题。 属地内行星的卫星 利用GIS传输数据 1 %,可推测火星比地球 A. ①② B. ②③ C. ①③ D. ①④ 3?火星勘测轨道飞行器上的HIRISE相机拍摄到了火星北部平原的霜冻（干冰二氧化碳）沟壑。火 星上有该霜冻沟壑，说明火星具备生命存在的 A.大气B .合适的质量 C .合适的温度D .水 F图是陆地自然植被类型分布与水热条件关系图。完成4?5题。 4. 对图示自然植被分布规律影响因是 A. 沿x方向热量增加 B. 沿x方向降水增加 C. 沿Y方向热量增加 D. 沿Y方向降水增加 5. 甲、乙所表示的自然植被类型分别是 A.热带草原温带落叶林 B.热带草原亚热带硬叶林 C.热带雨林温带落叶林 D.热带雨林亚热带硬叶林 下图为世界某区域等高线地形图。左图为丙区域的放大图，其中实线为等高线（单位：米），虚线为地层界线。据此回答6?7题。 素的叙述，正确的 300 太 平 2 g 老Ft也层 M地层K40°S
6. 图中丙地的地质、地貌属于 A .背斜成岭 B .向斜成谷 C .向斜成岭 D .背斜成谷 7. 关于甲、乙两河特征的叙述正确的是 A .甲河东北岸冲刷严重 B .甲河的水能一定比乙河更丰富 C.与乙河相比，甲河径流量的季节变化更小 D ?与甲河相比，乙河的航运条件更好 劳动年龄人口 （ 15-59岁）变化会影响社会经济的发 为我国总人口和劳动年龄人口变化及预测图。完成 8. 2010-2015 年，我国总人口和劳动年龄人口变化 主要原因是 A.青少年比重明显增大 B. 人口死亡率明显下降 C. 国际人口迁移增多 D. 人口老龄化加剧 9. 为缓解劳动年龄人口变化对经济发展造成的不利影响，可采取的有效措施是 ①限制人口迁出 ②实施“二孩”政策 ③发展智能化产业④实施产业国内转移 A .①② B. ②⑧ C. ③④ D. ①④ 下图示意与铝相关的生产部门及其流程图， 我国的铝材加工企业集中分布于浙江、 广东等东部省份。 完成第10?11题。 10. 图示生产部门之间形成的联系是 A.信息联系 B. 商贸联系 C. 科技联系 D. 生产协作联系 11?影响我国铝材加工企业空间布局的主要因素是 展，下图 8?9题。 电扎口 W301L 冊時如 14 201$ 2020 WS < 年｝
区域地理中国地理综合测试题
区域地理-中国地理综合测试题2 第Ⅰ卷（选择题） 本题共25小题，每小题2分，共50分。在每小题给出的四个选项中，只有一项是符合题目要求的。 1．秦岭——淮河以南大部分属于( ) A．湿润区、亚热带B．湿润区、热带 C．半湿润区、亚热带D．半湿润区、暖温带 2．下列四大高原中，崩塌、滑坡、泥石流等地质灾害发生较频繁的是( ) A．云贵高原B．青藏高原C．黄土高原D．高原 读我国沿32°N地形剖面图甲和我国各类地形所占比例图乙，回答3～4题。 3．图甲中③山脉是( ) A．太行山脉B．巫山山脉C．秦岭山脉D．横断山脉 4．图甲中B所代表的地形类型是图乙中的( ) A．a B．bC．c D．d 读“鄱阳湖多年平均最高水位演变趋势图”，完成5～6题。
5．鄱阳湖多年平均最高水位逐步上升的主要原因是( ) A．湖水淹没围扩大B．泥沙沉积湖底抬高 C．流域多年降水量大增D．流域土壤含水率增大 6．近期，省计划在鄱阳湖湖口修建水闸。这种做法带来的影响有( ) A．调节湖泊汛期最高水位B．湖底会持续降低 C．减少本省水资源利用量D．增加长江下游水资源利用量 某大河的一条支流与干流之间存在“吞吐”关系．下图示意该支流出口处1970～2000年问年净径流量(输出径流量与输入径流量之差)和年净输沙量(输出泥沙量和输入泥沙量之差)．根据图文资料和所学知识，完成7～9题．
7．下列个时间段中，年净径流量与年净输沙量变化趋势最接近的是() A．1970年~1976 年B．1977年~1984年C．1980年~1989 年D．1989年~ 2000年8．该支流流入( ) A．黄河B．长江C．辽河D． 9．1983年以来，年净输沙量总体呈下降趋势，最可能的原因是该支流流域( ) A．建设用沙量增加B．兴建水库的森林覆盖率提高 C．矿产资源开发力度加大D．连续干旱 下图为1959～2009年秦岭山地1月0℃等温线位置变化图。完成10～11题。 10. 该地1月0℃等温线的位置总体上（） A.向亚热带地区偏移 B.向海拔较低地区偏移 C.向低纬度地区偏移 D.向落叶阔叶林带偏移 11. 根据图中等温线的位置及其变动可知（） A.甲地为山岭、冬季平均气温趋于下降
结合域变换和轮廓检测的显著性目标检测
第30卷第8期计算机辅助设计与图形学学报Vol.30No.8 2018年8月Journal of Computer-Aided Design & Computer Graphics Aug. 2018结合域变换和轮廓检测的显著性目标检测 李宗民1), 周晨晨1), 宫延河1), 刘玉杰1), 李华2) 1) (中国石油大学(华东)计算机与通信工程学院青岛 266580) 2) (中国科学院计算技术研究所智能信息处理重点实验室北京 100190) (lizongmin@https://www.wendangku.net/doc/5f5250453.html,) 摘要: 针对多层显著性图融合过程中产生的显著目标边缘模糊、亮暗不均匀等问题, 提出一种基于域变换和轮廓检测的显著性检测方法. 首先选取判别式区域特征融合方法中的3层显著性图融合得到初始显著性图; 然后利用卷积神经网络计算图像显著目标外部轮廓; 最后使用域变换将第1步得到的初始显著性图和第2步得到的显著目标轮廓图融合. 利用显著目标轮廓图来约束初始显著性图, 对多层显著性图融合产生的显著目标边缘模糊区域进行滤除, 并将初始显著性图中检测缺失的区域补充完整, 得到最终的显著性检测结果. 在3个公开数据集上进行实验的结果表明, 该方法可以得到边缘清晰、亮暗均匀的显著性图, 且准确率和召回率、F-measure, ROC以及AUC等指标均优于其他8种传统显著性检测方法. 关键词: 显著性目标; 卷积神经网络; 轮廓检测; 域变换融合 中图法分类号:TP391.41 DOI: 10.3724/SP.J.1089.2018.16778 Saliency Object Detection Based on Domain Transform and Contour Detection Li Zongmin1), Zhou Chenchen1), Gong Yanhe1), Liu Yujie1), and Li Hua2) 1)(College of Computer & Communication Engineering , China University of Petroleum, Qingtao 266580) 2) (Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190) Abstract: In order to solve the problem of edge blur and brightness non-uniformity of salient object in the process of multi-level saliency maps integration, this paper proposes a saliency detection method based on domain transform and contour detection. Firstly, we obtain initial saliency map by integrate three saliency maps using DRFI method. Then, the salient object contour of image are computed by convolutional neural network. Finally, we use domain transform to blend the initial saliency map and the salient object contour. Under the constraints of the salient object contour, we can filter out the errors in the initial saliency map and compensate the missed region. The experimental results on three public datasets demonstrates that our method can produce a pixel-wised clearly saliency map with brightness uniformity and outperform other eight state-of-the-art saliency detection methods in terms of precision-recall curves, F-measure, ROC and AUC. Key words: salient object; convolutional neural network; contour detection; domain transform fuse 人类视觉系统可以快速定位图像中的显著区域, 显著性检测就是通过模拟人类大脑的视觉 收稿日期: 2017-07-10; 修回日期: 2017-09-12. 基金项目: 国家自然科学基金(61379106, 61379082, 61227802); 山东省自然科学基金(ZR2013FM036, ZR2015FM011). 李宗民(1965—), 男, 博士, 教授, 博士生导师, CCF会员, 主要研究方向为计算机图形学与图像处理、模式识别; 周晨晨(1992—), 女, 硕士研究生, 主要研究方向为计算机图形学与图像处理; 宫延河(1989—), 男, 硕士研究生, 主要研究方向为计算机图形学与图像处理; 刘玉杰(1971—), 男, 博士, 副教授, CCF会员, 主要研究方向为计算机图形图像处理、多媒体数据分析、多媒体数据库; 李华(1956—), 男, 博士, 教授, 博士生导师, CCF会员, 主要研究方向为计算机图形图像处理. 万方数据
2019河南,高三地理阶段性测试卷
【高考模拟试卷】 2018?2019年度河南省高三年级阶段性检测(三) 地理 考生注意： 1.本试卷分第I卷(选择题)和第Ⅱ卷(非选择题）两部分，共100分。考试时间90分钟。 2.请将各题答案填在答题卡上。 3.本试卷主要考试内容：必修1、必修2、必修3、区域地理。 第I卷（选择题共44分） 一、选择题(本大题共22小题，每小题2分，共44分。在每小题给出的四个选项中，只有一项是符合题目要求的。） 太阳能光伏温室大棚是一种新型的温室，是在温室的部分或全部向阳面上铺设光伏太阳能发电装置的温室，它既具有发电能力，又能为一些作物或食用菌提供适宜的生长环境，此类温室在河南、山东、浙江等地已有少量在生产上应用。读图，完成1?3题。 1.光伏发电 A.能量密度大 B.清洁无污染 C.地域依赖性弱 D.稳定性好 2.图中k阳能光伏温室大棚 A.只适合发展喜光作物 B.建造成本低，回收期短 C.增大了大棚的电力消耗 D.可提高农业自动化程度 3.与传统日光温室大棚相比，发展太阳能光伏温室大棚可以 ①抵御寒潮②提高土地利用率③减少棚内水分蒸发④改变地表形态 A.①③ B.②④ C.②③ D.①④
下图为1989?2009年陕西省人口重心、经济(GDP)重心移动分布图。读图，完成4?6题。 4.陕西省人口重心移动 A.与经济(GDP)重心移动同步 B.与经济(GDP)重心移动方向相反 C.经度方向明显大于纬度方向 D.速度滞后于经济(GDP)重心 5.影响陕西省人口重心、经济(GDP)重心移动的因素可能是 A.陕北实施退耕还林还草 B.陕北能源、化工基地建设 C.南水北调工程建设 D.关中渭河平原自然灾害多发 6.陕西省人口重心、经济(GDP)重心一直位于关中渭河平原地区，其主要原因是该地区 A.自然条件优越，交通便利 B.水力资源丰富 C.矿产资源丰富 D.红色旅游业蓬勃发展 “两洋铁路”是指横跨南美洲大陆、连接太平洋沿岸及大西洋沿岸的铁路建设项目。读图，完成7?8题。 7.图中L河段的开发重点是 A.航运 B.灌溉 C.发电 D.旅游
基于全局对比度的显著性区域检测
基于全局对比度的显著性区域检测 Ming-Ming Cheng1Guo-Xin Zhang1 Niloy J. Mitra2 Xiaolei Huang3Shi-Min Hu1 1TNList, Tsinghua University 2 KAUST 3 Lehigh University 摘要 视觉显著性的可靠估计能够实现即便没有先验知识也可以对图像适当的处理，因此在许多计算机视觉任务中留有一个重要的步骤，这些任务包括图像分割、目标识别和自适应压缩。我们提出一种基于区域对比度的视觉显著性区域检测算法，同时能够对全局对比度差异和空间一致性做出评估。该算法简易、高效并且产出满分辨率的显著图。当采用最大的公开数据集进行评估时，我们的算法比已存的显著性检测方法更优越，具有更高的分辨率和更好的召回率。我们还演示了显著图是如何可以被用来创建用于后续图像处理的高质量分割面具。 1 引言 人们经常毫不费力地判断图像区域的重要性，并且把注意力集中在重要的部分。由于通过显著性区域可以优化分配图像分析和综合计算机资源，所以计算机检测图像的显著性区域存在着重要意义。提取显著图被广泛用在许多计算机视觉应用中，包括对兴趣目标物体图像分割[13, 18]、目标识别[25]、图像的自适应压缩[6]、内容感知图像缩放[28, 33,30, 9]和图像检索[4]等。 显著性源于视觉的独特性、不可预测性、稀缺性以及奇异性，而且它经常被归因于图像属性的变化，比如颜色、梯度、边缘和边界等。视觉显著性是通过包括认知心理学[26, 29]、神经生物学[8, 22]和计算机视觉[17, 2]在内的多学科研究出来的，与我们感知和处理视觉刺激密切相关。人类注意力理论假设人类视力系统仅仅详细处理了部分图像，同时保持其他的图像基本未处理。由Treisman和Gelade [27]，Koch和Ullman [19]进行的早期工作，以及随后由Itti，Wolfe等人 提出的注意力理论提议将视觉注意力分为两个阶段：快速的、下意识的、自底向 上的、数据驱动显著性提取；慢速的、任务依赖的、自顶向下的、目标驱动显著
高二区域地理综合检测精彩试题
标准文档 高二文科区域地理综合检测试题 一、单选题(本大题共25小题，共50分) 1. “一带一路”是圆梦之路，对密切我国与沿线国家和地区之间经济联系意义重大。 通过与西欧国家的合作，我国可以（） A.进口大量的石油资源 B. 输出大量的剩余劳力 C. 出口先进的工业技术 D. 拓宽产品的销售市场 扎龙国家级自然保护区位于乌裕尔河下游地区，区内湖泊星罗棋布，河道纵横，水质清澈、苇草肥美，沼泽湿地生态保持良好，被誉为鸟和水禽的“天然乐园”。黑龙江省政 府将扎龙自然保护区作为全省重要的保护对象。读下图，回答2～3题。 . 2.下列关于扎龙湿地形成条件的叙述，正确的是（） ①地势低平，排水不畅②纬度高，气温低，蒸发弱③有冻土分布，地表水不易 下渗④气候寒冷，地下水位低 A. ①②③ B. ②③④ C. ①③④ D. ①②④ 3.对扎龙湿地进行重点保护的主要目的是（） A. 涵养水源 B.调蓄洪水 C. 美化环境 D. 保护生物多样性 读图，回答下列问题。 . 4.图中反映的环境问题主要是由 A.自然原因引起的 B.人为原因引起的 C.不良消费引起的 D.全球变暖引起的 5.图中环境问题主要发生在 A.流水作用强的地区 B.流水作用弱的地区 C.风力作用强的地区 D.风力作用弱的地区 6.该问题多发地区发展种植业的优势条件是 A.耕地面积广大 B.地广人稀 C.热量充足.光照强 D.光照强.温差大 区域人口对资源压力指数是全国某资源人均占有量与区域该资源人均占有量之比，此比 值可作为判断区域人口规模适宜程度的指标之一。读表，完成第7～8题。
7.四省比较，叙述正确的是 A. 人均GDP水平越高，则城市化水平越高 B. 城市化水平越低，则人口对耕地压力越小 C. 人均GDP水平越高，则人口对水资源压力越大 D. 城市化水平越低，则人口对水资源压力越小 8.四省比较关于产业发展条件叙述正确的是 A.青海大力发展高科技产业条件最佳 B.黑龙江发展商品农业耕地条件最佳 C.浙江发展用耕地多的产业条件最佳 D.河南发展耗水较多的产业条件最佳 图为我国东、中、西部部分指标占全国比重示意图。读图完成9～10题。。 9.图中反映出制约我国西部地区经济发展的因素是（） ①人才缺乏②交通落后③资源短缺④外商投资少 A. ①②③ B. ②③④ C. ①②④ D. ①③④ 10.下列措施中，可使中西部地区吸引外资见效最快的是（） A. 加大铁路建设力度 B. 加大政策支持力度 C. 加大资源开发力度 D. 加大人才培养力度 读两区城图，回答下列各题。 . 11.图中M、N两河共同的水文特征 A. 水位季节变化大 B. 河网密，支流多 C. 有明显的冬夏汛 D. 结冰期非常长 12.对两图所示地区农业生产的叙述，正确的是 A. 两地农业生产都是水稻种植业 B. 农业都是国家重要的经济部门 C. 农产品加工工业缺少资金技术 D. 乙地草类茂盛，乳畜业比重大
山东省淄博市2020届高三3月新高考第二次网上阶段性检测地理试题(word含答案解析)
淄博市2020届高三3月第二次网上阶段性检测 地理 考生注意： 1．本试卷分第I 卷(选择题)和第Ⅱ卷(非选择题)两部分，共100 分。考试时间90 分钟。2．请将各题答案填写在答题卡上。 3．本试卷主要考试内容：高考全部内容。 第I卷(选择题共45 分) 一、单选题（本大题共15 小题，每小题3 分，共45 分，在每小题列出的四个选项中，只有一项是最符合题目要求的） 圣劳伦斯河（下图）是一条著名的“冰冻之河”。据此完成1-2题。 1．据图示信息推测，冬季可能不结冰的河段位于 A．安大略湖至普雷斯科特河段B．普雷斯科特至康沃尔河段 C．蒙特利尔至魁北克河段D．魁北克以下河口段 2．减少该河凌汛危害的可行措施是： ①加深河道②绿化河堤③分段拦冰④拓宽河道 A．①②B．②③C．③④D．①④ 下图示意一固定沙丘某年5-9月土壤水分含量（％）随深度的变化。该沙丘位于毛乌素沙漠的南缘，无人为扰动，多年保持稳定。据此完成3-4题。
3．6～8月，该固定沙丘土壤含水量明显不同于其他月份的原因是 ①风速较大②蒸腾量较大③气温较高④降水较少 A．①② B．③④ C．②③ D．①④ 4．为维护生态安全，毛乌素沙漠的南缘适合 A．植树 B．种草 C．栽灌木 D．自然演化 下图表明，河流流速不同搬运物质颗粒大小不同。读图，回答5-6题。 5．根据该关系图，河流能够搬运石块的流速至少是 A．100㎝/s B．200㎝/s C．300/s D．400㎝/s 6．当流速低于某一物质搬运速度时，该物质会发生沉积，据图可以推测在一般情况下，河流某一河段自上而下随着流速逐渐降低先后沉积的是 A．石块、砾石、粗砂、黏土B．黏土、石块、粗砂、砾石 C．石块、砾石、黏土、粗砂D．黏土、粗砂、砾石、石块 在天津市南部地区发现的贝壳堤，是贝壳及碎屑物受潮水搬运，在海边经较长时期堆积而形成的垄岗，可以作为当时海岸线的标志。读图，回答7-8题。
高中区域地理综合测试题(含答案)
高二地理 总分：100分考试时间：90分钟 第I卷选择题（50分） 一、选择题：(本题共有40题，1---30题每题1分，31---40题每题2分，共50分；每题只有一个正确答案) 1．四大洋中，跨经度最多的是： A 太平洋 B 北冰洋 C 印度洋 D 大西洋 2．下列各组大洲中均为北回归线穿过的是： A 亚洲、欧洲、南美洲 B 亚洲、欧洲、北美洲 C 非洲、亚洲、南极洲 D 非洲、亚洲、北美洲3．在下列4个国家首都中，最早迎到旭日东升的是： A 伦敦 B 纽约 C东京 D 开罗 4．2004年，“联合国亚洲及太平洋经济社会委员会”在上海召开了太平洋发展中岛国特别机构会议，参加会议的岛国目前面临最大的环境问题是： A 火山地震 B 大气污染 C 水体污染 D 海平面上升 5．关于中亚的经济，说法证确的是： A 种植业为主，盛产小麦 B 盛产棉花、黄麻，纺织业发达
C草地森林广阔，畜牧业发达 D 矿产丰富，采矿业占重要地位 读右图,回答6---7两题： 6．下列关于A国的叙述不正确的是: A 该国冬季盛行东北风 B 该国中西部的德干高原是茶叶的主要 种植区 C 该国的人口增长模式为过渡型 D 该国的高新技术产业主要分布在南部地区 7．我国哪个省的气候与A国的主导气候一致: A 海南省 B 山东省 C 浙江省 D 青海省 8．下列有关日本河流的水文特征的叙述不正确的是： A 流程短 B 含沙量大 C 水能丰富 D 流速急 9．关于欧洲地形的叙述正确的是： A 阿尔卑斯山地区地震火山是位于亚欧板块与印度洋板块的接触带 B 欧洲地势是北高南低 C 斯堪的纳维亚半岛西侧多峡湾是冰川作用形成的 D 是世界上海岸线最长的一洲
贵州省2020届高三3月“阳光校园空中黔课”阶段性检测地理【附答案】
贵州省“阳光校园.空中黔课”阶段性检测 高三地理 2020年3月注太事项: 1.本试卷满分100分。考试用时90分钟。 2.用黑已墨水墨字笔按照考试时间安排当堂完成答题。考试结束后，请对照参考答室 和评分建议，按照科任老师要求完成试卷批股和提文成績。 一.选择题:本卷共20个小题，每小题3分，共60分。在每小题續出的四个选项中。只 有一项是符合题目要求的，请把所选答案的字母序号填在第5页答题卡相应的位置上。 图1为我国西南某地区等高线示意图。读图完成1~3题。 1.图中山峰与村庄的高差最接近 A.450m B. 650m C.750m D.850m 2.图中四地海技可能相同的是 A.①和② B.①和③ C.②和③ D.②和④ 3.图中四地冬季采光较好。气温较高的是 A.① B.② C.③ D.④ 积云为常见的一类云，其形成受下垫面影响强烈。空气在对流过程中，气流携带来自下垫面的水汽上升，温度不断下降，至凝结温度时，水汽凝结成云。水汽开始凝结的高度即为积云的云底高度。据此完成4~5题。 4.在下垫面温度决定水汽凝结高度的区域，积云的云底高度高值最可能出现在 A.黎明 B.午后 C.黄昏 D.午夜 5.积云出现频率最高的地区可能是 A.西西伯利亚平原 B.东北平原 C.长江中下游平原 D. 亚马孙平原 2018年2月7日，五星红旗在恩克斯堡岛(图2)上徐徐开起，我国第五个南极科学考察站选址奠基仪式正式举行。据此完
成6~8题。 6.罗斯福岛位于恩克斯堡岛的 A东南方 B.东北方 C.西南方 D.西北方 7. 2月7日，当恩克斯盤岛上的五星红旗旗杆影长最短时，北京时间的为 A.2月7日9时 B.2月7日15时 C.2月7日17时 D.2月8日7时8该日贵阳市 A.昼比前一-天短 B.正午太阳位于正北方 C.昼长比北京短 D.正午太阳高度比前一天大 图3为某乌喀图，该岛降水量大多在1000m以上。东北部比西南邮降水多。据此完成9~10题。
高中区域地理综合测试题含答案
2013-2014学年下学期期末考试卷 高二地理 总分：100分考试时间：90分钟 第I卷选择题（50分） 一、选择题：(本题共有40题，1---30题每题1分，31---40题每题2分，共50分；每题只有一个正确答案) 1．四大洋中，跨经度最多的是： A 太平洋 B 北冰洋 C 印度洋 D 大西洋 2．下列各组大洲中均为北回归线穿过的是： A 亚洲、欧洲、南美洲 B 亚洲、欧洲、北美洲 C 非洲、亚洲、南极洲 D 非洲、亚洲、北美洲 3．在下列4个国家首都中，最早迎到旭日东升的是： A 伦敦 B 纽约 C东京 D 开罗 4．2004年，“联合国亚洲及太平洋经济社会委员会”在上海召开了太平洋发展中岛国特别机构会议，参加会议的岛国目前面临最大的环境问题是： A 火山地震 B 大气污染 C 水体污染 D 海平面上升 5．关于中亚的经济，说法证确的是： A 种植业为主，盛产小麦 B 盛产棉花、黄麻，纺织业发达 C草地森林广阔，畜牧业发达 D 矿产丰富，采矿业占重要地位 读右图,回答6---7两题： 6．下列关于A国的叙述不正确的是: A 该国冬季盛行东北风 B 该国中西部的德干高原是茶叶的主要种植区 C 该国的人口增长模式为过渡型 D 该国的高新技术产业主要分布在南部地区 7．我国哪个省的气候与A国的主导气候一致: A 海南省 B 山东省 C 浙江省 D 青海省 8．下列有关日本河流的水文特征的叙述不正确的是： A 流程短 B 含沙量大 C 水能丰富 D 流速急 9．关于欧洲地形的叙述正确的是： A 阿尔卑斯山地区地震火山是位于亚欧板块与印度洋板块的接触带 B 欧洲地势是北高南低 C 斯堪的纳维亚半岛西侧多峡湾是冰川作用形成的 D 是世界上海岸线最长的一洲 10．关于英国的叙述正确的是： A 是工农业均发达的资本主义国家，在欧洲中经济实力居第一位 B 由于北海油田的开发，目前是西欧地区最大的石油生产国 C 东南部园艺业发达，尤以出产葡萄、柑橘等着名 D 英国矿产资源丰富，品种齐全，为英国的工业发展奠定坚实的基础
显著性目标检测中的视觉特征及融合
第34卷第8期2017年8月 计算机应用与软件 Computer Applications and Software VoL34 No.8 Aug.2017 显著性目标检测中的视觉特征及融合 袁小艳u王安志1潘刚2王明辉1 \四川大学计算机学院四川成都610064) 2 (四川文理学院智能制造学院四川达州635000) 摘要显著性目标检测，在包括图像/视频分割、目标识别等在内的许多计算机视觉问题中是极为重要的一 步，有着十分广泛的应用前景。从显著性检测模型过去近10年的发展历程可以清楚看到，多数检测方法是采用 视觉特征来检测的，视觉特征决定了显著性检测模型的性能和效果。各类显著性检测模型的根本差异之一就是 所选用的视觉特征不同。首次较为全面地回顾和总结常用的颜色、纹理、背景等视觉特征，对它们进行了分类、比较和分析。先从各种颜色特征中挑选较好的特征进行融合，然后将颜色特征与其他特征进行比较，并从中选择较 优的特征进行融合。在具有挑战性的公开数据集ESSCD、DUT-0M0N上进行了实验，从P R曲线、F-M easure方法、M A E绝对误差三个方面进行了定量比较，检测出的综合效果优于其他算法。通过对不同视觉特征的比较和 融合，表明颜色、纹理、边框连接性、Objectness这四种特征在显著性目标检测中是非常有效的。 关键词显著性检测视觉特征特征融合显著图 中图分类号TP301.6 文献标识码 A DOI：10. 3969/j. issn. 1000-386x. 2017.08. 038 VISUAL FEATURE AND FUSION OF SALIENCY OBJECT DETECTION Yuan Xiaoyan1,2Wang Anzhi1Pan Gang2Wang Minghui1 1 (College o f Computer Science，Sichuan University，Chengdu 610064，Sichuan，China) 2 {School o f Intelligent M anufacturing, Sichuan University o f A rts and Science, Dazhou 635000, Sichuan, China) Abstract The saliency object detection is a very important step in many computer vision problems, including video image segmentation, target recognition, and has a very broad application prospect. Over the past 10 years of development of the apparent test model, it can be clearly seen that most of the detection methods are detected by using visual features, and the visual characteristics determine the performance and effectiveness of the significance test model. One of the fundamental differences between the various saliency detection models is the chosen of visual features. We reviewed and summarized the common visual features for the first time, such as color, texture and background. We classified them, compared and analyzed them. Firstly, we selected the better features from all kinds of color features to fuse, and then compared the color features with other characteristics, and chosen the best features to fuse. On the challenging open datasets ESSCD and DUT-OMON, the quantitative comparison was made from three aspects：PR curve, F-measure method and MAE mean error, and the comprehensive effect was better than other algorithms. By comparing and merging different visual features, it is shown that the four characteristics of color, texture, border connectivity and Objectness are very effective in the saliency object detection. Keywords Saliency detection Visual feature Feature fusion Saliency map 收稿日期:2017-01-10。国家重点研究与发展计划项目（2016丫?80700802,2016丫?80800600);国家海洋局海洋遥感工程技术 研究中心创新青年项目（2015001)。袁小艳，讲师，主研领域:计算机视觉，机器学习，个性化服务。王安志，讲师。潘刚，讲师。王 明辉，教授。
显著性区域检测matlab_code_20170412
1.Main_program %====test1 clear close all clc %img_in,输入的待处理的图像 %n，图像分块的patch的大小 %img_rgb:缩放后的rgb图 %img_lab：rgb2lab后的图 %h，w，图像高宽 %mex_store,存储矩阵 img=imread('test1.jpg'); % img=imread('E:\例程\matlab\显著性分割\假设已知均值\test picture\0010.tif'); max_side=120; yu_value=0.8; img_lab = pre_rgb2lab(img,max_side); [ img_scale_1,img_scale_2,img_scale_3,img_scale_4 ] = get4Scale( img_lab ); [ DistanceValue_scale_1_t1,DistanceValue_scale_1_exp,DistanceValue_scale_1_t1_rang,DistanceValue_scale_1_exp_rang] = distanceValueMap_search_onescale_2( img_scale_1,max_side ); [ DistanceValue_scale_2_t1,DistanceValue_scale_2_exp,DistanceValue_scale_2_t1_rang,DistanceValue_scale_2_exp_rang] = distanceValueMap_search_onescale_2( img_scale_2,max_side ); [ DistanceValue_scale_3_t1,DistanceValue_scale_3_exp,DistanceValue_scale_3_t1_rang,DistanceValue_scale_3_exp_rang] = distanceValueMap_search_onescale_2( img_scale_3,max_side ); [ DistanceValue_scale_4_t1,DistanceValue_scale_4_exp,DistanceValue_scale_4_t1_rang,DistanceValue_scale_4_exp_rang] = distanceValueMap_search_onescale_2( img_scale_4,max_side ); value_C_1=Center_weight( DistanceValue_scale_1_exp_rang,yu_value ); value_C_2=Center_weight( DistanceValue_scale_2_exp_rang,yu_value ); value_C_3=Center_weight( DistanceValue_scale_3_exp_rang,yu_value ); value_C_4=Center_weight( DistanceValue_scale_4_exp_rang,yu_value ); [h,w]=size(value_C_1); value_C_1_resize=value_C_1; value_C_2_resize=imresize(value_C_2,[h,w]); value_C_3_resize=imresize(value_C_3,[h,w]); value_C_4_resize=imresize(value_C_4,[h,w]); value_C_sum=(value_C_1_resize+value_C_2_resize+value_C_3_resize+value_C_4_resize)/4; figure, imshow(value_C_sum); figure, imshow(value_C_1_resize); figure, imshow(value_C_2_resize); figure, imshow(value_C_3_resize); figure, imshow(value_C_4_resize); 8888888888888888888888888888888888888888888888888888888888888888888888888888
高三地理阶段性性检测(三)
第I卷（选择题） 一、选择题（以下各小题只有一个正确答案，共25小题，每小题2分，共50分） 读某地区等高线（单位：米）示意图，完成1～2题。 1．图示区域最高处与乙村的高差最有可能为 A．658米B．876米C．1037米D．1203米 2．下列地点位于①处视野范围的是 A．③镇、乙村B．I山山顶、②镇C．④镇、II山山顶D．甲村、I山山顶台湾省台东市以东约33千米处的绿岛，是台湾东部的海上乐园。右图为绿岛等高线地形图。读图回答3～4题。 3．岛上夏季水量最大河流的流向为 A．西北流向东南B．西南流向东北 C．东南流向西北D．东北流向西南 4．关于该岛的描述正确的是 A．该岛面积约为20km2 B．M地点最适合夏至日观测海上日出 C．东南部地势平坦降水少，适宜晒盐 D．7月份该岛与澳大利亚西北部的风向相同 右图是不同地点6月22日的日出时刻与日照时数之间的关 系。读图回答5～7题。 5．下列地点位于同一半球的是
A．①②B．②④ C．②③D．③④ 6．造成①地日照时数少于②地的主要原因是 A．纬度因素B．大气环流 C．地面起伏D．天气状况 7．如果6月22日在①、②两地同时看到日出，那么9月23日当①地日落时，②地的地方时为 A．15：00 B．16：30C．19：30 D．21：00 从气候学上讲，连续五天日平均气温在10℃以下算作冬季。读我国冬始日期分布图，完成8～9题。 8．影响我国东部季风区冬始日期分布的主导因素是 A．地形B．海陆分布C．纬度D．光照 9．下列关于我国各地冬始日期分布规律及主要影响因素的叙述，正确的是A．C地入冬日期可能为11月25日 B．受地形影响，沿海地区比同纬度内陆地区入冬晚 C．海口一年中没有冬季，不存在季节更替现象 D．A地地势高，B地纬度高，入冬日期相近 下图为某区域地形图，R地分布两片沼泽，时常发生季节性离合现象。此时为7月份。完成10～11题。 10．7月，①、②两河下游 A．降水充沛B．水能丰富 C．处于枯水期D．甲地气温低于乙地 11．次年1月，R地两片沼泽可能发生的变化及主要原因是 A．分离，冰雪补给量小B．连片，降水量大
图像显著性目标检测算法研究
图像显著性目标检测算法研究 随着移动电子设备的不断升级与应用,使用图像来记录或表达信息已成为一种常态。我们要想快速地在海量图像中提取出有价值的信息,那么需要模拟人类视觉系统在机器视觉系统进行计算机视觉热点问题的研究。 图像显著性目标检测对图像中最引人注意且最能表征图像内容的部分进行检测。在图像显著性目标检测任务中,传统的方法一般利用纹理、颜色等低层级视觉信息自下向上地进行数据驱动式检测。 对于含有单一目标或高对比度的自然场景图像,可以从多个角度去挖掘其显著性信息,如先验知识、误差重构等。然而,对于那些具有挑战性的自然场景图像,如复杂的背景、低对比度等,传统的方法通常会检测失败。 基于深度卷积神经网络的算法利用高层级语义信息结合上下文充分挖掘潜在的细节,相较于传统的方法已取得了更优越的显著性检测性能。本文对于图像显著性检测任务存在的主要问题提出了相应的解决方法。 本文的主要贡献如下:为充分挖掘图像多种显著性信息,并使其能够达到优势互补效果,本文提出了一种有效的模型,即融合先验信息和重构信息的显著性目标检测模型。重构过程包括密度重构策略与稀疏重构策略。 密度重构其优势在于能够更准确地定位存在于图像边缘的显著性物体。而稀疏重构更具鲁棒性,能够更有效地抑制复杂背景。 先验过程包含背景先验策略与中心先验策略,通过先验信息可更均匀地突出图像中的显著性目标。最后,把重构过程与先验过程生成的显著特征做非线性融合操作。 实验结果充分说明了该模型的高效性能与优越性能。针对图像中存在多个显
著性目标或者检测到的显著性目标存在边界模糊问题,本文提出了一种基于多层级连续特征细化的深度显著性目标检测模型。 该模型包括三个阶段:多层级连续特征提取、分层边界细化和显著性特征融合。首先,在多个层级上连续提取和编码高级语义特征,该过程充分挖掘了全局空间信息和不同层级的细节信息。 然后,通过反卷积操作对多层级特征做边界细化处理。分层边界细化后,把不同层级的显著特征做融合操作得到结果显著图。 在具有挑战性的多个基准数据集上使用综合评价指标进行性能测试,实验结果表明该方法具有优越的显著性检测性能。对于低对比度或者小目标等问题,本文提出一种新颖模型,即通道层级特征响应模型。 该模型包含三个部分:通道式粗特征提取,层级通道特征细化和层级特征图融合。该方法基于挤压激励残差网络,依据卷积特征通道之间的相关性进行建模。 首先,输入图像通过通道式粗特征提取过程生成空间信息丢失较多的粗糙特征图。然后,从高层级到低层级逐步细化通道特征,充分挖掘潜在的通道相关性细节信息。 接着,对多层级特征做融合操作得到结果显著图。在含有复杂场景的多个基准数据集上与其它先进算法进行比较,实验结果证明该算法具有较高的计算效率和卓越的显著性检测性能。
高中区域地理综合试题
成都市石室天府中学高二年级零诊模拟地理试题(二) 命题、审题：覃绍均 本试卷分为第Ⅰ卷（单项选择题）和第Ⅱ卷（非选择题）两个部分。满分：100分，考试时间90分钟。 注意：1、考生务必将自己的姓名、考号、座位号填写在第Ⅱ卷相应位置。 2、将第Ⅰ卷单项选择题的答案填写在第Ⅱ卷相应位置。 3、考试结束时，监考员只将第Ⅱ卷收回。 第Ⅰ卷（单项选择题，共50分） 一、单项选择题：本大题共25个小题，每个小题2分，共50分。在每小题所给出的4个选项中，只有一项是符合题目要求的。 右图为某地年等降水量线图，读图回答1～2题。 1.导致图中L地与R地降水量差异的主要原因可能是 A．纬度位置 B．离海的距离 C．地形 D．植被 2.下列说法正确的是 A．M海区属于印度洋 B．Q湖是世界上最深的湖泊 C．该区域为热带草原景观 D．油橄榄是该区域主要农作物之一 读某区域部分地理信息图，回答3～4题。 3.近年来许多欧美游客把旅游目标锁定在他们认为即将会消失的地方，热衷于“末日旅游”，图中M地即是其中之一。你认为M地“末日旅游”产生的原因可能是 A．厄尔尼诺 B．生态失衡 C．全球变暖 D．臭氧层破坏 4.N河泛滥给下游地区带来了富饶，也造就了灿烂的古文明，其河水泛滥的原因是 A．11月到次年4月受西风带影响 B．6月至10月受赤道低气压带控制 C．6月至9月吹西南季风 D．10月到次年6月吹东北季风读世界某局部区域图，回答5～6题。 5.甲区域主要的农业地域类型与气候类型的正确组合是 A．大牧场放牧业——地中海气候 B．季风水田农业——亚热带季风气候 C．商品谷物农业——温带海洋性气候 D．乳畜业—--温带海洋性气候 6.鹿特丹港兴起的主要区位优势是 A．位于莱茵河的入海口 B．扼波罗的海航线要冲 C．地处亚欧大陆桥东端 D．西接英吉利海峡