基于Gestalt视觉心理学和最小F-范数的图像显著区域检测和分割

根据Gestalt视觉心理学说,提出了一种新的图像显著区域检测方法。通过不同程度降低双对立颜色或亮度的特征图像对比度来抑制图像中次要特征对应的区域,增强主要特征对应的显著性区域;通过矩阵的最小F-范数确定符合Gestalt视觉心理学的特征图像的合成方案,并利用Gestalt视觉心理学的核心理论来检验和自适应修改组合方案,得到最佳的显著图;利用Otsu法对显著图像进行二值化操作来完成图像的分割。实验结果表明,算法可以从复杂的自然彩色图像中较为完整地提取并分割显著目标,实验结果与MSRA数据库手工分割结果相一致,在满足实时性需求的基础上能比传统方法更加准确、完整地提取图像的显著性区域。

南极治理中的规范更替

南极治理的不同阶段依次出现了不同的显要规范。显要规范是经规范倡导者框定后受到集体瞩目而强势扩散的规范。来自国际社会的需求与压力促成规范更替。南极治理中出现两次显要规范更替的现象,即从科研合作规范转变到资源利用规范,再由资源利用规范转变到环境保护规范。南极治理中的规范更替决定南极治理的走向。当前,以生物勘探为代表的资源利用规范再次悄然兴起,将对南极治理造成一定影响。

基于加权Schatten-p范数与树结构稀疏分解的目标显著性检测

近年来,目标显著性检测引起了众多学者的极大关注,并涌出了一些基于低秩矩阵恢复理论的检测方法.在这些方法中,人们一般使用核范数约束低秩部分.但是,由于秩函数是非凸且不连续的,由此导致核范数不能很好地逼近秩函数,使得检测效果往往不佳.为解决上述问题,现提出基于加权Schatten-p范数与低秩树结构的稀疏分解模型.一方面,利用加权Schatten-p范数对图像背景进行低秩约束.另一方面,采用具有树结构稀疏特性的l2,1范数和图像拉普拉斯正则化对显著性目标进行稀疏约束,以此提高显著性检测精准度.经过与4种已有的常用显著性检测方法在3个不同数据库中的实验结果对比,证实现提出的方法具有更好的检测性能.