显著特征区域范文（精选8篇）
显著特征区域 第1篇
图像/视频检索技术已广泛应用于各个领域。随着图像数据爆炸式的增长,如何在海量图像/视频数据中进行检索受到了越来越多的关注。作为图像/视频检索技术的基础,图像的局部特征提取算法,能有效提取图像的特征信息以供图像或视频帧间的检索,在图像检索引擎、网络过滤等系统中被广泛使用。
图像/视频的检索算法主要可以分成两个阶段,特征提取阶段将图像的特征,包括图像的颜色特征、纹理特征,或图像中的特征点等,提取出来。特征匹配阶段以比较两幅/帧图像的特征来判断两幅/帧图像是否匹配。但是,研究人员发现对于整张图像作局部特征提取将产生大量特征信息,造成图像匹配阶段处理时间较长。由于人们通常只对图像中部分关键的区域感兴趣,而忽略非关键区域上的特征点。于是常用的实现过程是首先利用图像显著区域检测算法检测图像的显著区域,再对图像显著区域上的特征进行提取,以此减少局部特征提取算法产生的特征信息。但是,常用的图像显著区域检测算法本身复杂度较高,虽然能够有效减少特征信息,但会造成在局部特征提取阶段的额外时间开销。因此,我们需要设计一种高效的显著区域检测算法,不但能够有效检测出图像的关键区域,并且只带来很小的时间开销。
针对引入显著区域检测后图像局部特征提取效率降低的问题,本文提出一种快速的基于图像局部特征的显著区域检测算法。算法先利用局部特征提取算法得到的图像特征点的分布,再根据标准差将分布矩阵变换为适应矩阵,最后利用动态规划算法求适应矩阵的最大子矩阵和,使得算法在准确度损失较小的情况下快速检测出图像的显著区。此算法在准确度上与同类显著区域检测算法接近,能有效减少40%的特征信息,并将特征提取的时间缩短为原来的60%,而计算开销只是常用显著区域检测算法的1/25。
1 图像局部特征描述算法
在对图像进行匹配前,首先需要使用图像特征提取算法对图像进行特征提取。作为图像匹配中重要的基础算法,图像特征提取算法可以分为两类:1)基于全局特征的算法:用一个特征来描述一幅图像或视频中的一帧,通常基于颜色特征、纹理特征等。2)基于局部特征的算法:用成百上千个特征来描述一幅图像。全局特征由于只用一个特征来表示,因此处理速度较快。但它的精确性太低,不能满足实际需求。相反的,局部特征用成百上千个特征来描述一幅图像或视频的一帧,常用的算法有SURF(Speeded-Up Robust Features)[15]、SIFT(Scale-invariant feature transform)[16]及其变种等。相对于全局特征,局部特征可以进行细粒度的识别,精确性高,能够比较好地适应光线、视角、颜色、对比度、焦距、缩放等变化,在现有系统中得到越来越广泛的应用。但由于局部特征提取算法特征信息量较大,因而在图像特征描述和特征匹配方面的速度都比较慢,往往不能满足系统的实时处理要求,需要进一步的优化才能得到实际应用。
现有的基于局部特征提取算法主要由两个阶段组成,特征检测和特征描述:1) 特征检测阶段首先将图像转化为灰度图像。为了使提取出来的特征不受到伸缩变换的影响,特征检测阶段将对灰度图像计算它在不同大小情况下的视图,生成金字塔。然后根据对比度在金字塔的每层中找出图像中的特征点,如图1所示。2) 特征描述部分需要为每个特征点计算一个对于特征区域稳定不变的描述器来描述特征。特征描述部分是整个算法最耗时的部分,计算量与检测出的特征点数量呈正比。因此减少特征点的数量能够加速特征提取算法的处理时间。
2 图像显著区域检测技术
通常对整张图像作特征提取会产生大量特征点,然而不论是人脑还是计算机它们关心的只是整个视野范围内较显著的区域。因此在对图像进行特征提取前,可以先利用显著区域检测算法得到图像的显著区域,避免非关键区域上的处理。目前图像显著区域算法已经成功的应用于自适应图像传输[1,2]、基于关键区域的自适应图像压缩、图像分割、物体识别、自适应的图像缩放[3]等应用。
目前最常用的显著区域检测方法[4,6,7]是基于灰度、对比度和运动变化等低级别视觉特征的。其原理与人脑感知方式一致。通常显著区域检测算法包括特征检测、显著性计算和显著区域选取三个步骤,如图2所示:1) 特征检测首先生成图像金字塔,用于检测图像的不同层次中多种低级别的视觉特征,诸如灰度,颜色,方向,纹理和运动变化等。2) 显著性计算利用多种特征计算每个像素点的显著性生成显著性图。3) 最后根据显著性图得到显著区域。为了提高准确度,通常计算显著性图需要使用多种特征,因此计算比较耗时。
最常用的显著区域算法是基于文献[1,4]的。文献[4]的显著图是综合图像不同层次的亮度,颜色和方向三种特征。而文献[1]的显著图只是在图像的单层上根据颜色对比度得到的,因为理论上使用过多的特征并不会明显增强显著图的准确性,而对于人脑或是计算机,对比度属性又是最重要和基本的特征[1]。另一方面,不论是显著区域检测算法还是局部特征提取算法,本质上都是在计算图像金字塔上对比度特征。因此,是否可以设计出一种新的算法避免这样的重复计算以减小显著区域检测的开销成为研究的一个切入点。
3 基于局部特征的显著区域检测算法
传统的利用显著区域优化局部特征提取算法的过程如图3(a)所示。首先根据图像每个像素点的亮度、颜色和方向特征,得到三张显著图,再综合三张显著图生成图像的显著区域。在得到图像的显著区域后,利用局部特征提取算法检测显著区域内的特征点,即对比度高的点,最后在描述阶段计算出每个特征点的特征向量。
传统的显著区算法会考虑图像的颜色、纹理和形状等特征。但是一个对象或者区域是否被关注,本质上取决于它与周围环境的差异度,实际上三个特征计算显著区域的背后是对象或区域与周围环境的对比度差异。另一方面常用的显著区域检测算法的对比度特征检测阶段与局部特征提取算法特征检测阶段类似,本质上都是为了寻找图像上与周围差异最大的点。于是,我们考虑能否只计算一次对比度特征,在减少局部特征提取算法得到的特征点数量的同时,减少引入显著区域算法带来的时间开销。
本文提出一种快速的基于图像局部特征的显著区域检测算法:根据局部特征提取算法特征检测阶段得到的图像特征点分布和分布的标准差生成一个适应矩阵,再利用动态规划算法得到适应矩阵的最大子矩阵和,即特征点分布最集中的区域。我们认为图像上特征点分布最集中的区域就是图像的显著区域。整个算法能够在损失较小的准确度的情况下快速检测出图像的显著区。在有效减少特征信息的同时减少了显著区域检测算法的计算开销,算法流程对比如图3(b)所示。
因为局部特征提取算法检测出的特征点通常是图像上亮点中的暗点或暗点中的亮点,所以认为特征点分布最多的区域就是图像的显著区域。可以将寻找显著区域的问题转化成寻找图像中特征点分布最集中的区域的问题。首先对图像进行分块,每块包含的特征点的数量记录在一个矩阵里。为了能求得特征点分布最集中的区域,考虑到可以利用矩阵中寻找元素和最大的连续区域的算法,即求得最大子矩阵和。但是因为分布矩阵的元素都是自然数,最大子矩阵和永远是矩阵本身,所以需要对矩阵进行处理使它包含负数。一种简单的方式是将分布矩阵中的每一个元素减去一个常数,这样就能通过寻找最大子矩阵和找到显著区域。如图4所示。
3.1 计算特征点分布矩阵
算法首先需要得到一个m×n的特征点分布矩阵B:1) 将图像分割成m×n块,利用局部特征检测算法对图像进行特征检测。2) 根据特征点所在的位置,将每个区域包含特征点的数量记录分布矩阵B中。
3.2 计算适应矩阵
为了求得矩阵B中特征点分布最集中的区域R,首先定义区域R为该区域中单位面积特征点数量大于整张图像单位面积特征点数量p倍的最大子区域, 一般p>1。即:
其中b[i][j]表示第i行j列分块中特征点的数量,SR表示当前区域R的面积,Sall为图像的总面积。
但是对于求解这个问题算法需要遍历这个矩阵所有可能的子矩阵,算法复杂度高为O(m3×n3)。因此,我们考虑是否可以将寻找特征点最密集的最大子区域问题转化成已存在较好解决的算法模型。
最大子矩阵和问题
在一个整数矩阵A中寻找一个和最大的子矩阵,即
可以将式(1)转化为:
将∑i,j∈allb[i][j]*p×SR/Sall=K后,则式(2)变换为:
定义K为适应因子,即对分布矩阵B中每个元素减去一个适应因子。因此可以利用最大子矩阵和算法求特征点分布最集中区域。P的值决定了适应因子K的大小。当K的值取越大时,找到的子矩阵就越小,相反,当K变小时,找到的子矩阵将变大。
适应函数
测试发现对于特征点数量和分布情况不同的图像,适应因子K的值(或者p的值,但这里从K的取值来分析)应该有所不同,如图5所示。为了使K随图像特征点数量变化,定义
当前图像确定其K后,将分布矩阵每个元素减去适应因子K,得到适应矩阵。
3.3 求解最大子矩阵和
此步骤将把寻找图像显著区域的问题转换成寻找图像特征点最密集区域的问题。将分布矩阵转换成包含负数的适应矩阵后,再将寻找特征点最密集的区域的问题转换成寻找适应矩阵A的最大子矩阵和。利用最大子矩阵和的动态规划解法将问题的复杂动从O(n6)降到O(n3)。对于整个计算流程来说这部分计算的复杂度可以忽略,从而大大简化显著区域检测的时间。
最大子矩阵和是最大子段问题向二维的推广, 即在二维数组 a[1 : m][1 : n] 中寻找一个子矩阵, 使之各元素和最大。
最大子段和算法
在一维数组A[1…n]中,取连续的m个元素A[i…i+m],其中1<=i<=i+m<=n,使得A[i…i+m]的和最大。最高效的算法是采用动态规划的思想,用sum[i]来表示到i为止的最大子段和,扫描到第i个元素时,其最优子段和递归式是:sum[i]=max{A[i],sum[i-1]+A[i]}。代码如下所示,该算方法复杂度为O(n)。
最大子矩阵和算法
在一个矩阵A[m×n]中,任意截取一个矩形区域,使得截取的元素和最大。这个问题可以看作最大子段和问题向二维的推广:将从第r行到第k行的每一行中相同列的加起来,可以得到一个一维数组如下:(ar1+…+ak1,ar2+…+ak2,…,arn+…+akn)。用最大子段和算法可以求出从第r行到第k行的矩阵中最大子矩阵和,这样任意两行间的矩阵有O(n2)个。由此可以看出最后所求的就是一系列一维数组的最大子段和问题,到此已经将问题转化为上述已解决的问题,算法复杂度降为O(n3)。
最大n子矩阵
利用最大子矩阵和算法可以求出适应矩阵的子矩阵,即特征点分布最集中的区域。同样还能继续通过最大子矩阵和算法找到次最大子矩阵。测试发现一般图片最多只存在两个最大子矩阵。
3.4 特征点描述
最后,利用局部特征提取算法对显著区域内的特征点进行特征描述,有效地过滤掉显著区域外的特征点,减小图像的局部特征提取算法计算的复杂度。
4 评 估
采用Radhakrishna图像数据库[13]对算法进行评估,Radhakrishna的图像数据库是对文献[9]图像数据库的修改。文献[9]用长方形标识图像的显著区域,因此误差较大。于是Radhakrishna对其中1 000张图片手动标识出显著物体的轮廓,如图6所示。
将算法与六种流行的显著区域方法做比较,这六种实现分别是文献[4],文献[1],文献[6],文献[5],文献[14],以及文献[13]分别表示为IT,MZ,GB,SR,AC以及IG,我们基于局部特征的快速显著区域检测算法记为MSR。
为了评估算法的准确性,将Radhakrishna标识出的区域定为正确的显著区域,算法描述的特征点应该在Radhakrishna标识的区域内。算法的准确性采用如下指标:
Precision=当前算法正确描述的特征点数量/当前算法描述的总特征点数量。
Recall=当前算法正确描述的特征点数量/(当前算法正确描述的特征点数量+当前算法在标识区域内没有描述的特征点数量)。
F-Measure=(1+alpha)*Precision*Recall/(alpha*precision+recall) 。考虑到Precision和Recall 同样重要,取alpha=0.5。
本文采用流行的OpenSurf作为局部特征提取算法的实现,其特征检测阶段的核心数据结构和方法如下所示:
各种实现评估结果如表1所示。
在认为Precision和Recall同等重要的情况下,该算法得到54%的F-measure,同常用的6种算法相比,有一定竞争力。
同样,测试比较该算法与Radhakrishna[13]显著区域算法的运行时间,发现前者的实现速度是后者的25.9倍以上。
从表1中可以知道基于局部特征的显著区域检测算法与常用的显著区域算法相比在Precision上有所不足。但在Recall和F-Measure上却有相当大的竞争力。可以用基于局部特征的显著区域检测算法达到过滤掉图像中非显著区域特征点的效果,如图7所示。虽然算法在精确度上不及其他显著区域算法,但在引入算法后产生的计算开销却远小于其他常用算法。
5 结 语
本文提出了一种全新的基于图像局部特征的显著区域快速检测算法,利用局部特征提取算法特征检测阶段得到的图像上特征点的分布,然后根据分布标准差更新分布矩阵得到适应矩阵,再利用动态规划算法求快速求出矩阵的最大子矩阵和,我们认为求得的子矩阵就是图像的显著区域。一方面与传统的显著区域作用一样,在求得显著区域后可以减少特征提取算法产生的特征信息,提高算法速度。另一方面,利用这种算法能在损失较小的准确度的条件下快速检测出图像的显著区,与传统的显著区域过滤特征点相比,执行时间仅为常用算法的1/20,可以有效减少显著区域检测算法的计算开销。
优秀教师的11个显著特征 第2篇
1、永不自满
高素质教师的第一个特征是，他本身是一个优秀的学习者。他们总是渴望学习新东西，扩展自己的知识基础，尝试更好的方法来获取成功。他们是终身学习者，因而他们也培养终身学习者。因此，好教师的第一个特征就是永不满足于现状。换句话说，最好的教师永远是学生。
2、高期待，严要求
高期待，严要求是优秀教师的第二个特征。有人认为，期望越大，失望也就越大。有这样思想的人怕引来家长的抱怨，不愿意对学生高要求。但事实上，高标、严要求带来的是学生的最佳状态和最佳成绩，并让他们体验成就感。他们会变得更加自信，更加自立，不自满自傲，为进入成人世界作好更充分的准备，应对不可避免的竞争。当然，高标准不是不切实际的标准，尽管它可能会让学生感到不舒服。
3、培养学生的独立精神
优秀教师善于对学生的进步以及出现的问题进行监控，在必要的时候采取纠正的补救措施。他们不是教室的中心，而是鼓励学生自己寻求帮助和答案。他们并不热衷于“教”而热衷于为学生的学习提供辅助。正如一名优秀的经理有一个优秀的团队，即便他不在时也能很好地运转，优秀的教师培养学生的独立精神，这会让他们终身受益。
换句话说，优秀教师并不是在教课程内容，而是在力促学生的深入理解以及思维和学习习惯的养成，把学生培养成独立的学习者。
4、知识渊博且了解学生
优秀教师对所教学科的内容有深入的了解，有能力对学科知识进行各种处理，如重组、简化、个性化等。由于他们精通自己的学科，因而能做到游刃有余。要做到这一点，他们不仅需要付出努力，还需要付出激情。他们还要能够理解那些不喜欢本学科的学生，有针对性地变换呈现知识的方式，以克服他们的兴趣缺乏。学生会评价说：“这个教师总有新点子。”
5、有洞察力
优秀教师的第六个特征是对学生的作业进行快速、准确的评估。他们能及时评判学生的试卷和其他功课。他们不一定把学生的作业本填满红色的批发记号，或用“金星”来鼓励学生，但一定让学生知道哪些是正确的，哪些还需要提高。如果没有教师不间断的评估，学生的学习就缺乏必要的指导，便不会取得圈套的进步。一名对学生有很大帮助的教师不会限制他们的新颖想法，但会要求学生必须对之进行证明。在任何时候，最好的教师看重的都是学生的推理过程，而非最终答案。换句话说，教师评学生，也是在评自己。通过评估，知道学生和自己在哪些地方还需要改进。
6、有幽默感
一流的教师有很强的幽默感。他们和学生开玩笑，也接受玩笑。他们虽然不是喜剧赏，但却是很愉悦的人。他们给学生讲故事，指出一些蠢事，在大家遇到困难时给大家带来欢声笑语，且不担心自己成为大家的笑柄。换句话说，优秀教师为了抓住学生的注意力而无所顾及。
7、有灵活性
优秀的教师在整个社区寻求资源，他们心中的教育超越了教室四壁。他们是民权组织的积极分子，活跃在各个组织，并利用自己的社会关系促进学生的学习。例如，他们为学生请来嘉宾演讲者，向社区募捐，组织学生展示他们的伤口供大众欣赏和批评。（班主任工作 ）他们将技术人微言轻一个延伸手段，寻找各种新的资源把课上得更加精彩。报纸和时事新闻是他们开阔学生视野的工具，小小教室与世界相联，任何时候都不放过教育的契机。只要学生表现出对某事物的兴趣，便利用这个时机来激励他们的学习。正因为如此，在谈怎样上好一堂课时，他们从来都不会提到教学计划，因为优秀的教师不靠教学计划来上课，他们在课堂上随时捕捉更有激励性的导引线索。如果认为孩子们都是空罐头盒，个个一样，只管把知识倒进去，然后封上口，那就是对教育和教育工作者的极大误解。
8、办法多样
一流教师为学生提供丰富多样的教学方法。他们能把不同学科的课事例起来上，引导学生写研究论文，创作诗歌或美术作品，甚至把体育作为课堂教学的一部分。例如，学生要学习历史上的探险家，教师会引导学生研究他们每小时走多少英里，画出一张他们所需的卡路里图表，绘制传说中他们探险的路线图，根据他们的所见所闻写出探险日记，绘制他们在途中所见动植物的图片，并发表演讲，说出他们对这次探险的感受。换句话说，教学行家通过各种各样的途径为学生追求卓越创造条件。
9、精益求精
一位优秀教师总是精益求精，不会敷衍了事。他们总是争取最好的效果，从不接受借口。因为这个特点，他们不是最宽容的教师。要使下一代有教养，便要求教师有此特征。教育本质上是对心智的训练。一个懂规矩的学生，知道什么是该做的，什么是正确的。最好的教师，即是持有培养学生良好习惯的恰当标准的教师。换句话说，优秀的教师知道孩子现在需要什么，以及将来需要什么。
10、不循规蹈矩
一名优秀的教师会让学生永不“安心”，这也许是最有趣的一个特点。他不会让学生感到厌烦，而是让学生感到被挑战。
范文网
如果教师有很高超的手掌技能，学生放学回家后就会讲他们在课堂上做了什么。他们的内心被教师搅动着、鼓动着，且知道自己要为这些意想不到的挑战作好准备。优秀的教师会穿套装上课，给学生观看录像，带他们去图书馆，要求他们完成研究项目，相互布置、批发作业，发明在课间玩的游戏。他们不会让学生度过相同的两天。
11、沟通能力高超
显著特征区域 第3篇
图像的显著区域是指图像中最能表达图像语义的部分,提取图像的显著区域可以忽略图像中不容易引起人眼兴趣的次要部分,对于图像压缩、图像检索等研究都有重要意义。为了获取图像的显著区域,研究人员总结出一种自底向上的区域生长方法。即先使用分水岭等方法将图像分成细小的子区域,再对子区域进行筛选、合并等方法[1]以最终得到人眼感兴趣的显著区域。
为了克服传统区域生长算法存在的显著区域过生长、欠生长和空洞等缺陷,该文提出一种改进的方法:选择符合人眼视觉感知的颜色空间,对初始分割前的图像计算彩色分量的梯度图,以克服传统方法利用灰度图像进行分割而忽略人眼对图像的颜色感知所带来的不足;对梯度图利用分水岭分割算法,将图像预分割成子区域;综合评价显著度和边界强度,选取得分较高的子区域作为种子区域;对得到的种子区域进行区域生长,利用区域的低层特征和邻域间的相互关系等多种因素决定生长的尺度和方向,得到最终的符合人眼视觉特征的显著区域。
2 本文算法详述
2.1 彩色图像的梯度计算
由于分水岭分割以梯度图像作为输入,且彩色图像的梯度较亮度分量的梯度具有更完整的信息,故本文首先计算图像的彩色信息梯度图。该方法借鉴文献[1],彩色信息梯度公式定义如(1)所示:
式中∇(Ii)(i=1,2,3)分别代表RGB彩色空间三个颜色分量梯度,其中最大的分量梯度即为该图像的彩色信息梯度。
2.2 图像初始分割
本文采用L.Vincent[2]提出的分水岭分割算法进行初始分割。该算法以2.1节得到的梯度图像作为输入,将图像上的每一个局部极小值及其影响区域视为集水盆,当局部极小值的影响域逐渐外扩,汇合形成分水岭,算法最终所得到的封闭的集水盆即为图像分割区域。虽然分水岭分割算法对噪声、细纹敏感,易产生过分割现象,但其得到的分割区域封闭,且边缘连续,有利于后期合并等处理。
经过以上两步,就得到分水岭分割的结果。图1中a显示的是原图像,b是灰度图的梯度图,c是b的分水岭分割结果,d是本文方法得到的梯度图,e是d的分水岭分割结果。可以看出本文方法得到的分水岭分割结果明显优于传统方法。
2.3 种子区域选取
分水岭算法将图像分割成大量子区域,为了得到图像的显著区域,需要选择显著区域所在的种子区域进行后续的区域生长。传统的选取种子区域的方法存在许多不足:衡量标准单一或标准之间不具备互补性,不符合人眼显著特征[3],设置参数过多等导致计算复杂度较高[4]。
本文在选取种子区域的过程中,选取两个特征作为衡量标准——显著度与边界强度。综合考虑这两个特征可以较好地符合人眼显著特征。
2.3.1 衡量显著度
对于显著度,该文采用程明明等[5]提出的基于区域对比度的视觉显著区域检测算法(RC算法)。该算法同时考虑全局对比度和空间相干性,可以简单有效地产生全分辨率的显著性图。图2是RC方法生成的显著图,显著度的值越大则亮度越大。
本文选择RC算法是因为用该算法得到的显著图用于图像分割,不论是固定阈值二值化还是迭代应用GrabCut[6]方法进行显著性物体分割,在Achanta等[7]提供的公开测试集上测试准确率和召回率都能达到90%以上。
本文改进了RC算法,将区域的显著值进行排序,记录前10个显著值最大的区域作为候选的种子区域,记录它们的几何中心点P(x,y)和显著度值λs。
2.3.2 衡量边界强度
对于边界强度,该文采用式(2)定义:
其中Ri表示经过分水岭分割算法得到的子区域,RB表示子区域的边界区域,∇ˉ(∙)表示相应区域的平均梯度。
2.3.3 综合衡量显著度与边界强度
对上文得到的前10个显著值最大的子区域,利用它们的中心点P(x,y)定位所属的分水岭分割子区域,计算该子区域的边界强度值λe。为了在选取种子区域时综合考量显著度与边界强度,定义种子区域选取准则如式(3):
Rseed的值越大,表明该区域显著度越高且远离物体边缘,即越有可能被选为种子区域。
如图3显示了本文方法得到的前3个Rseed值最大的区域(矩形框框中的区域),即选出的用来进行下一步区域生长的种子区域。实验结果表明选出的种子区域能较好地符合人眼视觉注意机制。
2.4 种子区域的生长
种子区域的生长即是由种子区域出发,迭代地合并相似的邻域。而判断区域之间的相似性,就需要设计恰当的区域相似度度量方法。该文的度量方法既考虑区域间低层特征的相似性,又考虑了区域是否位于物体边界以及区域间的可合并度。
为了衡量区域间低层特征的相似性,该文选取颜色和面积两个特征,借鉴文献[7]中衡量区域间颜色均值的相似性的方法,综合考虑面积因素,该文定义衡量公式(4):
其中,Rmg与Ri分别表示当前合并区域与当前合并区域的某个邻域,后文中相同的变量表示相同的涵义,S(Rmg)和S(Ri)是分别代表Rmg与Ri的区域面积大小,Cmg与Ci分别表示它们在Lab空间的颜色平均值,之所以选取Lab颜色空间是因为它更符合人眼视觉系统的特点[8]。
为了衡量区域是否位于物体边界,该文借鉴文献[9]提出的相对边界强度,定义衡量公式(5):
其中,∇ˉ(Rmg),∇ˉ(Ri),∇ˉ(Rmg,i)分别表示Rmg和Ri的平均梯度以及Rmg和Ri边界的平均梯度。
为了衡量相邻区域是否可合并,该文认为可以考虑相邻区域公共边界占区域总边界长度的比例,比例越大,则相邻区域合并的可能性越大。由此定义衡量公式(6):
其中,L(Ri)表示区域Ri的边界长度,可以用边界像素个数近似;L(Rmg,Ri)表示Rmg和Ri的公共边界长度,同样可以用边界像素个数近似。
种子区域生长的方法即由种子区域出发,利用公式(4)~(6)(对每一个公式选取恰当的阈值),迭代地合并相邻的可合并区域,得到最终的区域生长结果。
3 实验及结果讨论
3.1 实验结果
为比较衡量本文区域生长算法的性能,将本文算法与几种分割方法进行了对比实验。这里介绍一下Achanta等[8]的Frequencytuned(FT)显著区域检测算法。FT算法首先利用Mean-shift对图像进行初始分割,通过获取图像的频率、颜色及亮度信息计算各个区域的显著值,最后将各个区域的显著值与整幅图像的显著值进行比较,将较大于平均值的区域块归为显著区域部。图4列出了本文方法的分割结果与其他几种方法的比较。
3.2 实验结果评价
为评测本文算法的有效性,我们从文献[8]中获取400幅图像的人工分割结果(Ground Truth)作为基准数据集。基准数据集是经两个阶段获取的,首先用户对显著物所在区域绘制矩形框,接着再在矩形框内人工分割出显著物体并保存成二值图。人工分割的二值图能准确地标注出图像中单个或多个显著物体。
将基准数据集中的二值图记为G,将算法提取的显著图记为A,我们用准确率和召回率来检测算法的有效性。进一步,为了更准确地计算算法的平均正确率和召回率的性能,我们引入Fb测量:
其中∑xgxax表示二值图和提取的显著图的公共部分。该文取β2=0.3来使准确率的权重高于召回率,实验结果如表1所示,其中,Fb测量1是将数据库中的所有图像的Fb值求平均得到的,而Fb测量2,则是通过列一和列二代入式(7)得到的。
通过表1可以看出本文算法具有很强的适用性,能够较准确地提取图像中人眼感兴趣的区域。
4 结束语
本文提出了一种基于区域生长的彩色图像显著区域提取算法。首先将颜色梯度图应用于分水岭算法,得到较优的初始分割区域。之后结合RC显著区域检测算法与边界强度信息定位最有可能符合人眼视觉特点的若干个种子区域。最后通过综合考虑区域间颜色面积等低层特征的相似性、区域是否位于物体边界以及区域间的可合并度,设计衡量函数,迭代地完成区域生长算法,得到图像的显著区域。实验结果表明,该文的方法能提取到相对于其他算法更加准确、完整和空洞较少的符合人眼视觉注意机制的显著区域。
摘要：提出了一种改进的基于区域生长的彩色图像显著区域提取算法。该算法在颜色梯度图上应用分水岭分割算法,改进了图像初始分割的效果。综合考虑分割区域的显著度和边界强度,选取恰当的种子区域。在区域生长时考虑分割区域间低层特征的相似性、区域是否位于物体边界以及区域间的可合并度,设计了三个区域可生长度评价函数。实验结果表明,该算法简单、快速,且能提取出更符合人眼视觉特征的显著区域。
关键词：显著区域,彩色分量梯度图,分水岭分割,区域生长,可生长度评价
参考文献
[1]王艳娟,陈晓红,邹丽.图像感兴趣区域自动提取算法[J].科学技术与工程,2007,7(12):2867-2871.
[2]郑剑锋.基于感兴趣区域的图像分割及其在图像检索中的应用[D].上海:上海交通大学,2008.
[3]Luc Vincent,Pierre Soille.Watersheds in Digital Spaces:An Efficient Algorithm Based on Immersion Simulations[J].IEEE transactions onpattern analysis and machine intelligence,1991,13(6):583-598.
[4]Jia-Nan Wang,Jun Kong,Ying-Hua Lu,et al.A Region-Based SRG Algorithm for Color Image Segmentation[C].International Conferenceon Machine Learning and Cybernetics,Hong Kong,2007:1542-1547.
[5]Itti L,Koch C,Niebur E.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis[J].IEEE Transactions on Pattern Analysisand Machine Intelligence,1998,20(11):1254-1259.
[6]Ming-Ming Cheng,Guo-Xin Zhang,et al.Global Contrast Based Salient Region Detection[C].IEEE Conf on Computer Vision and PatternRecognition,2011:409-416.
[7]C.Rother,V.Kolmogorov,A.Blake.Grabcut:Interactive Foreground Extraction Using Iterated Graph Cuts[J].ACM Transactions on Graph ics,2004,23(3):309-314.
[8]R.Achanta,S.Hemami,F.Estrada,et al.Frequency-tuned Salient Region Detection[C].IEEE Conf on Computer Vision and Pattern Recog nition,2009:1597-1604.
[9]刘友明,刘希顺,等.一种基于LUB均匀颜色空间的彩色分割方法[J].微型电脑应用,2000,16(12):27-29.
基于边缘检测的显著区域提取方法 第4篇
在当今数字化信息飞速发展的今天,图像信息已成为社会的主要数据资源。在海量的图像信息中,如果能够准确把握图像的显著区域,将有限的资源应用到对图像的处理过程中,将能够节约大量的资源、提高工作的效率。现有的图像显著区域检测提取技术大致可分为两类:1)由于显著区域与周围背景灰度显著不同,使用图像分割技术提取显著区域;2)基于人眼的视觉特性,模拟人眼的识别模式,将视觉敏感的区域作为显著区域。
视觉关注作为视觉系统的重要功能之一,主要作用是帮助人们以最有效率的方式获取外界信息。认知心理学家对此做了大量的研究并提出了许多模拟视觉注意的模型。这些模型主要可以分为两类:1)基于任务的与人的主观意识有关且受到意识控制的自上而下的模型;2)与任务无关且不受意识控制的自下而上的模型[2]。目前大部分的研究都是基于自下而上的模型。其中最具影响力的是Itti和Koch等人利用视觉感受野、侧抑制神经网络理论提出的Saliency模型[3,4]。但是该模型存在着漏检测以及最终的显著区域的范围是固定形状的缺点。
本文借鉴Itti模型算法,在综合其优缺点的基础上,结合相关领域的研究成果提出一种改进型的显著区域提取算法。在Itti模型的基础上加入底层边缘特征提取来改善显著区域检测效果并实现显著区域的提取。
1 Itti模型原理
Itti模型首先对图像进行多尺度变化并提取图像底层特征构建底层特征的多尺度图像,然后利用中央周边操作算子得到底层特征图,再跨尺度合并及归一化计算得到底层特征的显著图,最后利用线性融合得到图像的显著图。此时再利用神经网络“胜者全取”(Winner-Take-All)的方法就能得到图像的显著区域。
2 Itti模型视觉特征的提取
Itti模型提取图像的亮度、方向和颜色三个方面的底层特征,其中各个底层特征的提取方法为:
2.1 亮度特征的提取
亮度特征的计算公式为:
式中:r(t),g(t)和b(t)分别表示原始图像中的红、绿和蓝三色的通道,t表示图像的尺度(原始图像的尺度定为0)。
2.2 方向特征的提取
图像的方向特征可以由Gabor滤波器得到。Gabor滤波器对某些特征方向及频率的信号高度敏感,将图像投影到Gabor滤波器,能够提取到该图像在Gabor滤波器上对应频率及方向上的特征[5]。其表达式为:
式中,x0和y0为感受野的中心位置,I(x,y)为输入图像。当图像在某一频率和方向上有最明显特征时,Gabor滤波器将会有最大响应。从而实现对图像方向特征的提取。
通常采用二维Gabor滤波器(0,π/4,π/2,(3π)/4)对图像I(x,y)进行卷积,将输出作为图像的方向特征图。
2.3 颜色特征的提取
所谓显著区域,就是指图像中变化明显的区域,也就是频谱中的高频成分。因此,可以用Achanta等人提出的频域调和(Frequency-tuned)的显著性检测方法来获取图像的颜色特征图[6,7]。先将颜色变化到均匀的CIELab颜色空间,再对变换后的图像进行高斯低通滤波,最后求原图与滤波后的图像的差的平方作为颜色的显著图,记为C(x,y):
式中:Iu为像素值的算术平均;Iwhc为原始图像经过高斯模糊得到的。
3 对Itti模型的改进
人眼在观察一幅图片的时候最先注意到的是图像的颜色、亮度、方向特征。但在这三个特征都不是很明显的情况下,人眼也能够根据图像的其他特征找到自己感兴趣的区域或者特定的物体。这是因为人眼对物体的轮廓形状信息也具有很强的感知能力,所以物体的轮廓特征也一样能够帮助人眼进行识别。
人眼是基于物体与周围的亮度差别来感知物体边界,而边缘检测依据的是图像边缘的对比度,两者具有相似性。此外,利用边缘信息所提取的特征能够很好地描述图像中物体的轮廓形状信息。根据人眼的这一视觉特性对Itti模型进行改进,在原有的颜色、亮度、方向特征的基础上加入轮廓特征用以描述物体的轮廓信息。以期在显著图中准确描述出物体轮廓信息,实现对显著区域更加完整的分割。
常用的边缘检测方法有:Prewitt边缘检测、Sobel边缘检测以及Canny边缘检测等。本文所选用的是Canny边缘检测[8]。
3.1 Canny边缘检测算子
图像的边缘是图像亮度变化最为显著地部分,如果将这部分区域的灰度值在很小的区域内急剧增加,变化幅度很大。图像的边缘区域包含着图像的绝大部分信息,所以边缘的检测与提取对于整个图像的识别和理解起着重要的作用。Canny边缘检测算子是当前应用较为广泛的边缘检测技术,同时也是最优的阶梯型边缘(Step Edge)检测算子[9]。能够实现有效的噪声抑制效果以及尽量精确的边缘定位。
Canny边缘检测算子首先使用高斯滤波器对图像进行平滑滤波;然后使用导数算子对滤波后的图像进行微分,计算梯度的幅值和方向;然后对梯度使用“非极大值抑制”得到图像全部疑似边缘点;最后利用双阈值法得到图像边缘。
3.2 改进型Itti模型的实现
原Itti模型为描述图像显著区域提取图像底层特征,构建显著区域。改进型Itti模型则是在对图像进行多尺度化后提取图像颜色、亮度、方向、边缘四个底层特征,然后构建四个底层特征的底层特征图,后续步骤基本与Itti模型一致。
4 实验结果和分析
为了验证本文方法的正确性和有效性,在Inter(R)Core(TM)i3 CPU、2.53GHz、2G内存的微机上,利用matlab2012a分别对单一目标在简单背景下的自然图像进行了实验。如图2所示。
(a)原图;(b)Itti模型所得显著图;(c)加入Canny检测结果;(d)为改进型模型显著区域提取效果
由上述实验结果所示,在Itti模型基础上加入轮廓特征后(c)相对于(b)能够更好地描述物体的形状信息。而且(d)所显示的显著区域分割也较为完整地保留了全部感兴趣区域。
基于分形理论的显著区域检测 第5篇
分形理论是欧氏几何相关理论的扩展, 是研究不规则图形和混沌运动的一门新科学, 它描述了自然界物体的自相似性, 这种自相似性可以是确定的, 也可以是统计意义上的。如树木, 群山, 河流, 湖泊及海岸线等, 无不具有近似的或统计意义的自相似性。自然图像的背景具有近似或统计意义上的相似性, 而目标不具有这种自相似性。因此, 从原则上讲, 分形模型可以描述海、陆、空多种自然背景环境, 适合于多种类型的目标检测。
综上所述, 本文基于分形理论提出一种图像显著性区域的检测算法。将图像分割, 得到多个小区域。基于文献[9]的思想, 确定窗口的分形维数阈值。计算小区域的质心, 通过以质心为中心的窗口内的分形维数与其阈值的比较, 保留大于阈值的窗口, 此窗口包含目标的可能性较大, 相关的区域作为候选显著性区域。对于候选显著性区域, 利用RC算法计算其与相邻区域的显著性对比度, 实现显著性区域的检测。该算法简单, 高效, 并且可以产生全分辨率的显著性图。在国际上现有的公开测试集MSRA-B上, 该方法在显著区域检测上取得很好的效果。
一、相关工作
(一) 分形特征及计算。图像的分形特征有多种:分形维数, 分形拟合误差, 几何度量空间变化率, D一维面积, 多尺度分形特征和复合分形特征等等。其中, 分形维数是非常重要的一个分形特征, 它也是其他特征计算的基础。图像的分形维数与人们所感觉的纹理粗糙度有很强的关联性。分形维数越大, 对应的图像纹理越粗糙;反之, 分形维数越小, 对应的图像表面越光滑。在一帧图像中, 目标表面的分形维数较低, 自然背景分形维数较高, 而目标边缘的分形维数最高。本文分形特征选取分形维数。
目前, 分形特征的计算方法主要有:频谱法, 差分计盒法, 地毯覆盖法, 快速地毯覆盖法, 扩展分形法等。不同的分形特征适用于不同的算法, 关于算法的比较可详见文献[H>]�本文采用差分计盒法来计算分形维数。
将M x M大小的图像分割成s xs的子块�M/2>s>l�s为整数) , 令r=S/M�将图像想象成三维空间曲面, x�;y表示平面位置, z轴表示灰度值, xy平面被分割成许多s x s的网络, 在每个网格上, 是一列s x s x s的盒子, 设图像灰度在第 (i�j) 网格中的最小值和最大值分别落在第k和第1个盒子
参考文献
[1].L.Itti, C.Koch, and E.Niebur.A model of saliency based visual attention for rapid scene analysis[J].IEEE TransPAMI.1998, 20 (11) :1254~1259
[2].Jonathan Harel, Christof Koch, Pietro Perona.Graph-Based Visual Saliency.Neural Information Processing System[J].In NIPS, 2006:545~552
[3].M.-M.Cheng, G.-X.Zhang, N.J.Mitra, X.Huang, and S.M.Hu.Global contrast based salient region detection[J].In CVPR, 2011:409~416
[4].X.Hou and L.Zhang.Saliency detection:A spectral residual approach[J].In CVPR, 2007
[5].T.Liu, Z.Yuan, J.Sun, J.Wang, N.Zheng, X.Tang, and H.-Y.Shum.Learning to detect a salient object.IEEE Trans.Pattern Anal[J].Mach.Intell, 2011, 33 (2) :353~367
[6].S.Goferman, L.Zelnik-Manor, and A.Tal.Context-aware saliency detection[J].In CVPR, 2010:2376~2383
[7].K.-Y.Chang, T.-L.Liu, H.-T.Chen, and S.-H.Lai.Fusing generic objectness and visual saliency for salient object detection[J].In ICCV, 2011:914~921
[8].Huaizu Jiang, Jingdong Wang, Zejian Yuan ect.Salient Object Detection:A Discriminative Regional Feature Integration Approach[J].In CVPR, 2013
[9].潘聪.自然背景中人造信息的检测算法综述[D].天津大学, 2008
汉英语言显著特征的对比研究 第6篇
语言的思维基础
语言是思维的物质外壳, 思维模式影响和决定着语言的表达方式和组织内容。汉英两个民族在思维方式上存在着一定的差异, 连淑能教授在这方面作过非常深刻与细致的研究, 我们选取以下几个方面来略加探讨:
1. 整体性与分析性
中国的传统哲学强调以“天人合一”、“万物一体”等为基础的整体思维观 (holistic thought) , 把人与自然、个体与社会看作是不可分割、相互依存的有机整体。整体包含部分, 各部分之间密切联系;部分与整体又密不可分。
西方哲学强调“主客两分”的主导原则。二元世界观使西方人的思维具有分析性特征, 明确区分主体与客体、人与自然、精神与物质、思维与存在、现象与本质, 并把两者对立起来, 对其突出现象及属性作深入的分析研究。
2.直觉性与逻辑性
中国传统思维注重实践经验知识 (experiential knowledge) , 强调借助直觉体悟从总体上模糊而直接地把握认识对象的内在本质和规律。直觉思维重直观内省, 轻实测论证, 重直觉领悟, 轻逻辑推理。
西方思维传统注重科学、理性, 重视分析、实证, 强调实验论证, 借助逻辑推理, 在辩论、论证和推演中认识事物的本质和规律。从古希腊哲学家、“逻辑之父”亚里士多德的形式逻辑到近代科学巨匠爱因斯坦, 都是逻辑推理的典型代表。
3.模糊性与精确性
模糊性是古代思维的共同特征。中国传统思维方式的模糊性经过长期延续而得到丰富和发展, 直至现代, 中国思维虽然吸收了西方思维的精确性, 但仍有古代思维模糊性的特征。反映在语言使用上, 中国人说话措词追求一种模糊性的意境, 规避精确性的概念描述。
精确性是西方近代思维方式的一大特征。十五世纪以后, 随着西方近代自然科学的发展, 思维的模糊性逐渐被分析性、精确性和实证性所代替。严谨的精确性是科学的特点, 明确的概念是科学的细胞, 严密的推理是科学的手段, 定量的分析是科学的法宝。西方智者的这些素质促成了西方近代自然科学的迅猛发展。
语言类型差异
1. 分析语与综合语
根据语言学家的研究与分类, 汉语属于分析性语言, 单词的形态没有变化, 语法功能通过词序和虚词来表示, 而英语基本属于综合语, 强调通过单词的形态曲折变化来表达语法关系。例如:
(1) 我正在忙着撰写学期论文。
I am busy writing my term paper.
(2) 关于那次案件已经写了长篇报告。
A long report has already been written about the case.
(3) 我昨天给父母写了一封信报告喜讯。
I wrote a letter to my parents to tell them the good news.
2. 语义型汉语与形态型英语
汉英句子结构最突出的区别在于汉语重“意合”, 而英语重“形合”。所谓“意合”, 指行文依靠句子内部的语义与逻辑衔接, 而缺乏形态标记与语法手段;所谓“形合”, 指句子的建构机制强调成分的形态变化, 以及依靠显性的语法手段和关联词语来标明成分间的关系。例如:
(1) 冬天临近, 白昼变短了。
As winter approaches, days are becoming shorter.
(2) 你早一点来, 就能见到她了。
If you had come earlier, you could have seen her.
(3) 她奶奶八十多了, 身体还很硬朗。
Although her grandma is over 80, she enjoys good health.
3. 左支语言与右支语言
汉语的基本句式容许很大限度的逆线性延伸, 形成汉语句首开放性与句尾封闭性的扩展模式, 句子成分呈左方向延伸, 如:
不对。
打人不对。
你不知道打人不对?
相比之下, 英语句子则大致相反, 呈首封闭性与尾开放性。很多英语句子可以向右方向延伸, 如:
The boy is playing.
The boy is playing with his toy gun.
The boy is playing with his toy gun under a tall tree.
4.动词优势与名词优势
汉语是动词优势语言, 叙事状物倾向于多用动词, 而英语是名词优势语言, 倾向于多用名词来表达静态的思想和看法。关于这方面的差异, 刘宓庆认为:“汉语以动词占优势, 可以以动词连用来表达动作概念;英语以名词占优势, 尤其在科技英语中, 名词化倾向非常突出。”
由于英语动词的使用受到形态变化规则的严格限制, 除并列谓语外, 一个英语句子仅限使用一个限定性谓语动词, 这就使得英语的表达更多地借助于名词, 名词优势又导致了介词的大量使用。例如:
(1) 他能吃能睡。
He is a good eater and a good sleeper.
(2) 火箭已经用来探索宇宙。
Rockets have found applications for the exploration of the universe.
(3) 中华人民共和国成立于1949年。
The year 1949 witnessed the establishment of the People’s Republic of China.
句法结构差异
1.“话题突出”与“主语突出”
汉语是话题突出性语言 (Topic-Prominent language) , “主题—述题”结构是汉语最普遍的句子框架, 主题是全句要描述的对象, 述题部分则补充和主题相关的内容和信息。充当主题的成分很多, 陈述的对象可以不是行为者或行为的承受者。主题和述题之间没有约束关系, 结构比较松散。例如:
(1) 关于春游, 你们说去哪儿好?
(2) 北京, 那是我梦寐以求的地方。
(3) 女儿的心事, 当娘的最清楚。
英语是主语显著性语言 (Subject-Prominent language) , 句子建构在主谓主轴上, 主语统领全句, 对谓语有一定的约束作用, 谓语受主语的影响和制约, 在人称和数上要和主语保持一致。例如:
(1) He hasn’t come.
(2) We have finished the task on schedule.
(3) An elephant has a long nose and two big ears.
2.人称主语与物称主语
汉民族注重主体思维, 往往从自我出发来叙述客观事物, 倾向于描述人及其行为或状态, 因而常用人称句, 用人或有生命的东西作为句子描述的对象。英语句子的描述对象可以是人或有生命的东西, 但也常用非人称表达法, 用抽象名词或概念作句子的主语。例如:
(1) 你出什么事啦?
What has happened to you?
(2) 一看到那可怜的孩子, 我就想起他死去的双亲。
The sight of the poor boy reminded me of her dead parents.
(3) 我兴奋得什么话都说不出来。
Excitement deprived me of all power of utterance.
3.无主句与完整句
汉语的句法结构比较松散, 句子不一定要有主语。在上下文和所指明确的情况下经常省略句子的主语, 而有些句子根据汉语的表达习惯根本就不需要主语。这些只有谓语部分而没有主语的句子通称为无主句, 在汉语中有很高的使用频率。
英语是主语突出型语言, 句型结构往往是围绕主语来展开的, 大部分英语句子都有齐备的主语和谓语。英语句子的主语有很强的句法功能, 除祈使句外, 一般不能省略, 并且对句子谓语部分的形式具有约束和限制功能。
4. 常态句与倒装句
通常情况下, 汉英句子的语序都是主语在前, 谓语在后, 但英语中使用大量的倒装句, 将主语移至谓语之后甚至句末。造成倒装的原因很多, 有的是语法结构要求, 有的是为了强调某一句子成分, 有时则是为了实现句子整体的平衡或满足上下文的衔接需要。例如:
(1) 我只有一样东西, 那就是对你的爱。
One thing alone I own and that is my love for you.
(2) 随着一声咆哮, 一只老虎自丛林间跳了出来。
(3) 邱吉尔不仅是一位政治家, 还是一位作家。
Not only Churchill was a statesman, but also a writer.
(4) 我的心不再年轻, 不再快活。
Gone are the days when my heart was young and gay.
对教学和学习的启示
不同的文化背景与思维模式造成了汉英语言之间的诸多差异, 这些差异不可避免地给中国学生的英语学习带来一定的影响和难度。无论是口语交际还是书面写作, 中国学生常犯的错误就是用汉语的思维模式和句法结构去套用英语单词, 组合出貌似符合语法的中国式英语表达。教师在教学过程中应该特别提醒学生注意汉英之间的语言差异, 培养学生养成用英语思考的习惯并掌握一些英语的惯用法和常用句式, 尽量弱化已习得的汉语结构和表达方式对英语学习所产生的负迁移作用, 不断提高学生正确运用英语去进行口语交际或书面表达的能力。
参考文献
[1]陈定安.英汉比较与翻译[M].北京:中国对外翻译出版公司, 2006.
[2]陈宏薇, 李亚丹.新编汉英翻译教程[M].上海:上海外语教育出版社, 2004.
[3]李昌银, 崔晓霞.简明英汉互译教程[M].北京:经济科学出版社, 2008.
[4]刘宓庆.文体与翻译 (增订版) [M].北京:中国对外翻译出版公司, 1998.
[5]连淑能.英汉对比研究[M].北京:高等教育出版社, 1992.
英语语言显著特征与其长句翻译研究 第7篇
1 英语语言的主要特点
对语言教育者来说, 由于其行业特点, 使其在对语言的研究全面了解并掌握上, 层次更深, 同时也更具多元化, 语言教育者必须全面了解并掌握所应用的语言, 这样才能高质量的完成语言教育工作, 为语言接受者建立良好的语言结构, 形成完善的语言意识, 从而引导学生学以致用。因此, 在实际的工作中, 需要详细了解语言特点。对于英语语言来说, 其主要特点包括以下两点:
(1) 树状分布特点:在具体的英语学习中, 对句子的分析主要分为主谓结构, 其是一个句子的主体结构, 也就相当于是树的根源。从这个根源出发, 又相继产生了许多不同的句型句式, 主要有S+Vi句型, S+Link V+P句型, S+Vt+P句型及S+Vt+IO+DO句型等, 由此组建成了英语句子的几种基础形式。而针对英语长句而言, 这些基本的句型则是作为整段句子的主语, 然后, 再通过相应的英语句式特点, 将一些短语、句子加在这些基本的英语主语形式上, 形成一段较为复杂的英语长句。这样分枝型的特点, 使其结构由大框化慢慢变的细致化, 逐渐复杂, 而在这种复杂化的架构中, 我们只需把握住基本的主体句型, 将其从整段的长句中抽离出来, 再对其中的句子、短语进行具体的分析, 以此完成英语长句翻译, 即可有效确保英语长句翻译的快速、准确。
(2) 句词结合特点:此特点是英语语言中长句的一种较为常见的组织形式, 也叫形合。通过对词汇和句法的了解, 研究其中的特点, 借助相关方式实施连接和组织, 将其有效地连接起来, 保证整段句子的逻辑性。通常采用的连接词主要有and、but、so、or、because等;常用的关系词包括who、what、which、how、why等;常用的介词包括of、in、to、on、with等。通过非谓语结构动词将词语连接成短语, 再将短语连接成分句, 最后将分句合成句子。
2 英语语言的长句翻译
(1) 英语长句的具体分析
对于当前的英语学习, 由于长句句式具有一定的复杂性, 使许多学生对英语中的长句学习产生惧怕心理。而这种心理的产生往往也会直接使学生在英语学习中出现困难, 导致英语水平止步不前。对此, 我们需要采取具体的解决措施。在英语长句学习时, 我们应当首先学会将其中的句法结构搞清楚, 找到句子的总体结构及大致想要表达的意思, 然后再分析其中的短句, 最后清楚地认识各短句之间的逻辑关系。翻译中采用汉语的表达方式来表达长句内容, 抛开英语的主观表达方式。对于英语长句的分析主要包括:语言层次结构、词性并列成分、修饰性词汇等。而主要的长句分析方法分为:1) 总体把握句子的主谓宾结构;2) 分析句子中的动词短语结构;3) 明确句子中从句和短语的功能;4) 分清句子中的短句和短语之间的关系;5) 了解插入语的用法;6) 明白句子中的固定性词组搭配。
(2) 基本长句翻译方法
在英语语言中, 长句翻译最基本的原则就是按照相应的顺序进行。在英语长句中, 会有许多针对动作的描述性词汇, 这些词汇会按照逻辑时间在长句中排列, 其与汉语表达形式大致相同, 在翻译这样的英语长句时, 需要根据其主语言叙述的层次性开展, 不需要调整变换, 直接按照顺序翻译, 与汉语语言表达意思基本相同。除了按照顺序翻译外, 还有一种翻译方法与其正常顺序正好相反, 就是逆序法。在翻译中颠倒英语长句顺序, 来实现翻译的语言表述正确, 逻辑反应合理。这样的翻译形式, 与汉语表述在逻辑上有很大出入, 因此, 我们要采用颠倒逆序的方法, 来分析英语的语言特点, 使句子意思变得更有汉语逻辑性。在分析了逆序法之后, 再研究分译法的具体特点。分译法主要指在长句翻译的过程中, 主句和从句、主句和修饰词具有密切关系, 所以翻译时, 将句子中的短语或从句从句子中挑出, 并将其放在翻译后的句头或句尾, 有时为了保证句意的连贯, 还可加用词汇。最后, 还有一种方法为综合法, 就是对上述方法进行综合运用。对于那些结构比较复杂的英语长句, 如果采用单一的方法翻译是行不通的, 需要对应句子中的具体部分进行相应分析, 结合其整段句子的结构, 将其按照汉语的逻辑语言顺序翻译出来。在英语语言学习中, 要首先加强短语词汇的学习, 稳固学习体系后, 再去分析长句, 只有学会长句的应用, 才能提高英语语言沟通能力。这在英语文章的学习中也非常重要, 由于英语文章的长句较多, 且各种连接词的使用较多, 句子的结构和内容也相对复杂, 因此, 在翻译时, 要重点掌握其内在的结构类型, 通过对结构的分析, 了解该采用什么样的翻译方法。同时, 还要注意在翻译的过程中, 不要拘泥于一种方法, 要依照具体的句式类型和内容进行灵活变通。按照不同的语言特点, 使其翻译语言更加自然、流畅。
(3) 英汉长句具体差异及解决措施
由于地域性人文特点, 英语与汉语有着各自不同的语言结构体系。英汉语言的差异性主要体现在结构和句法上。汉语句子的意义表达, 主要通过句子的前后排列顺序呈现, 英语语言更注重形式合理性。汉语表达常用主动句, 而英语恰恰相反, 被动句是其主要表现句式。另外, 汉语和英语在词汇的使用上差异也比较大。汉语主要以动词作为表达重点, 而英语则是以名词、介词为表达重点;汉语语言表达中, 谓语是中心, 而英语则是通过主谓语的形式构成, 对于不同词汇的表达也极具多样化。其中, 主要体现为名词可以用作动词, 形容词也一样可以, 而介词则是用来连接词汇的主要媒介, 所以在英语句子中, 名词和介词是其中心。还有就是汉语的动词没有英语的动词表现意义丰富, 形式较为单一。两种语言一个主动, 一个主静, 差异较为明显。针对这样的差异性, 英语翻译方法也较多, 掌握英语语言的基本特点, 能很好地把握各种英语的长句翻译逻辑性和准确性。为解决常见翻译的差异性, 具体方法包括:1) 分析整体句子架构, 把握句子中心;2) 明确句子的主谓结构及内在的词汇表现作用;3) 了解句子中各种短句类型;4) 掌握句子短语的固定搭配;5) 对定语从句中的词汇关系要加强认识。另外, 对长句的翻译, 还要根据实际的句子表达意思和自身结构特点, 采用灵活多变的方法, 加强句子翻译的合理性和准确性。
3 结束语
对语言的翻译, 使我们与外界的交流更加畅通, 跨越了不同种族、不同社会及不同阶级, 拉近了国际间的距离, 拓宽了人们的交流范围, 为人们了解世界、认识世界提供了必要的基础条件。英语语言的特点是多样的, 但也是固定的。在实际学习过程中, 我们只需要掌握其具体的语言特征及基本的知识体系, 再从语言的特点角度, 把握长句的翻译, 就能有效提升长句翻译的质量, 推动语言翻译不断进步。
参考文献
[1]丁晶华.从英语语言特点视角下解决英语长句翻译[J].中国科教创新导刊, 2014 (8) :74-75.
[2]罗志文.从英语语言特点视角下解决英语长句翻译[J].科技视界2012 (11) , 117-118+138.
[3]梅蓉.基于英语语言特点的英语长句翻译[J].黑龙江教育学院学报, 2014 (08) :130-131
[4]宁海霖.主干明晰枝繁叶茂啦业宣传材料中的长句译法[J].科教文汇 (上旬刊) , 2011 (9) :137-138.
[5]邵毅.从英汉语言对比探讨英语长句翻译[J].长春理工大学学报:社会科学版, 201l (7) :56.
中国市场中商业广告显著特征的研究 第8篇
一、中国元素在广告中的运用
改革开放以来诸多国外商品进军中国大陆, 国外品牌进入千家万户。二十一世纪以来, 日风韩流欧美派越来越受到中国消费者, 尤其是年轻消费者的追捧, 这使得许多中国品牌盲目跟风, 丢失了不少中国元素。自2004年“中国元素”广告创意法被提出后, 无论是中国品牌还是国外品牌开始将目光放到中国本土文化上, 开始走符合中国大众心理诉求的路线。这一方法被越来越多的采用, 直至现在, 无论是平面广告还是立体广告都以“中国元素”强烈地冲击着受众目光。
世界上每个国家, 无论存在时间长短、种族差异大小均拥有其自身独特的文化特点。中国的五千年历史注定其具有深厚的文化底蕴和价值观念, 而中国元素包括了物质文化方面和精神文化方面的符号与思想。中国文化的特殊性体现在两个方面, 一是哲学观念, 二是价值观念。在哲学观念上, 中国人强调天人合一, 人与自然和谐相处, 因而中国人安土重迁、追求平淡祥和的生活, 这与西方人改造自然、注重个性的观念大为不同。在价值观方面, 中国人以中华民族五千多年的传统文化和悠久历史为荣, 重视情感维系, 赞扬诚信、勤奋、尊师重道等优良美德。在研究样本的日化产品部分, 87%都包含明显的中国元素, 主要体现在亲情 (家庭、母爱) 、爱情 (百年好合) 、其他 (功夫、戏剧、礼节、书法、成语) 等, 这种广告创意不仅体现在平面广告、视频广告还有广告语中。
四川舍得酒业有限公司的《围棋篇》广告融合了诸多中国元素符号, 深刻反映了中国文化中的大智慧, 提升了品牌文化。该广告抓住了中国悠久的饮酒文化与传统文化, 赋予了广告独特的中国定位, 其中的中国元素包括:中国古代酿酒坊、古装人物、中国印章、中国酒具、围棋、书法。其广告语也蕴含哲思, 如“天下智慧皆舍得, 智慧人生, 品味舍得, 舍得酒”、“舍与得, 感悟智慧人生, 舍得酒”, 这些广告语蕴含厚重的中国色彩, 其中儒家思想、中庸之道皆有体现。这则广告只是一个成功案例, 其他广告包括南方黑芝麻糊90年代版、重庆奥妮百年润发、李宁运动鞋等, 都抓住了中国消费者的心理, 迎合了观众对产品的心理诉求、符合中国群体的价值观念, 有效提升了品牌效应。
中国元素滥用误用的广告有极大的负面影响, 如耐克的《恐怖斗士篇》否定了“中国功夫”, 损坏了“龙的精神”, 颠覆了中国传统文化, 引起了观众的强烈反应, 最终停播。刊登在《汽车之友》的“丰田霸道”广告让具有中国象征的石狮子向一辆日本品牌的汽车“敬礼”、“鞠躬”, 引起了网友的强烈反应----“考虑到卢沟桥、石狮子、抗日三者之间的关系, 更加让人愤恨”, 最终《汽车之友》公开道歉。立邦漆的一个广告为了凸显其光滑特点, 将象征中华民族的龙从柱子上脱落, 激起民族仇恨感。中国元素在广告中的运用不应仅仅放在符号层面, 而应深挖文化底蕴, 让中国消费者感同身受, 引起共鸣, 这样才能带来良好的宣传效果。
二、洋化现象在广告中的运用
洋化现象是中国商业广告另一个尤为明显的特征, 研究样本中67%的广告均存在不同程度的洋化现象。洋化现象的形式一般为:外国名称及广告语, 外国模特, 外国广告等。以波司登品牌广告为例, 其不仅采用了洋化的名称, 且其平面和视频广告的也都使用了的西方背景和广告演员, 属于非常典型的洋化广告。波司登这一名称来自于美国的都城波士顿, 在品牌创始的九十年代初, 创始人期待用这个完全洋化的名字吸引消费者以取得一定的竞争优势。在波司登的平面及视频广告中, 其拍摄背景及选用的演员均来自西方, 作为投放中国市场的广告, 其唯一的中国元素仅仅在于画外音的语言, 给人外国品牌的错觉。另外, 服装品牌雅戈尔、圣得悉等也都存在有类似情况。
人们往往认为国产品牌不如外国品牌好, 对此, 国产品牌往往通过选用洋化的名称, 以及在广告片中安排西方面孔来提高身家地位, 以期吸引消费者的眼球。洋化现象实质上是商家取悦消费者, 迎合消费者崇洋心态的一种广告策略。广告中的洋化现象对于品牌的宣传和推广能起到相当的促进作用。随着市场经济的蓬勃发展, 洋化现象在中国的确有一方适合其生存和发展的土壤。广告中恰到好处的洋化现象, 可以给广告语言和画面注入新的元素, 增加广告的吸引力, 提高品牌认知度和接受度, 从而促进产品的销售。
在商家通过洋化策略获利的同时, 洋化现象将不可避免地对中国的市场和文化带来负面影响。一方面, 对于广告受众来说, 尤其是部分文化程度不高, 辨别能力不强的消费者, 广告中洋化现象将会使其受到误导, 过度洋化有欺骗消费者的嫌疑。另一方面, 洋化现象的泛滥也会对中国本土文化不利, 过度的洋化现象是对崇洋媚外的变相倡导和支持, 不利于社会主义精神文明建设。对于品牌自身来说, 过于追求标新立异, 刻意牵强地洋化, 反而会引起消费者的反感, 影响产品销售。洋化现象有利有弊, 适度洋化有利于国产品牌打开市场, 但是也要对过滥的洋化带来的弊端保持警惕。
三、名人效应在广告中的运用
名人效应是几乎所有大品牌青睐的广告策略, 目的在于利用名人本身的影响力, 来扩大产品的知名度, 增加销售量。研究样本中89%的广告均利用了名人效应。
名人效应这种商业策略的运用确实也取得了很大的成功。2004年8月到10月期间, 可口可乐公司推出了“为奥运英雄举杯喝彩”的广告, 邀请刘翔、滕海滨、马琳三位冠军运动员 (而后在雅典奥运会再次夺冠) 作为代言人, 取得了出大的成功。借助于全民关注奥运会的热潮, 尤其是刘翔夺冠并打破世界纪录的亮点, 以及国民对奥运冠军的敬佩与自豪之心, 可口可乐公司也同样再一次赢得了消费者的亲睐与支持。根据AC尼尔森CCT跟踪报道, 同期, 可口可乐品牌偏好度 (最受欢迎的品牌) 与2003年同期相比上升2点, 购买意向上升5点;星传媒体独立调查报告显示可口可乐的奥运主题广告成为提名率最高的广告, 获得百分之八十七的支持。
2005年, 乐事公司选择孙燕姿作为乐事薯片 (黄瓜清新口味) 的代言人, 其广告是乐事公司运用名人效应取得成功的一枚经典案例。首先, 孙燕姿率直俏皮的形象非常符合黄瓜口味薯片的清新, 爽口的特点;其次, 孙燕姿是一个少争议少话题、无绯闻无炒作的女生, 她的性格形象特点使其不但拥有大量歌迷, 而且赢得非影迷类的消费者的喜爱。据本课题所做的问卷调查显示, 百分之八十五的人认为孙燕姿所代言的乐事薯片很成功, 并且一定程度上激发影响了所调查者购买的欲望。类似的成功广告案例还有吴莫愁在2013代言的百事可乐;成龙在2005年代言的霸王牌洗发水;葛优在2006年代言的神州行广告;SHE在2007年代言的达芙妮产品等。
名人效应的优点在于影响力和号召力, 以此吸引更多的潜在消费者, 提高企业形象, 增强消费者对商品信任度, 而名人策略的本质是中国的文化因素。承载着五千年的文化历史, 受儒家思想影响较深的中国人的性格特点偏于稳重、保守, 较西方人而言, 中国人从众心理较强, 因而有名人基于自身形象与号召力的代言与产品介绍, 将会有效提升产品的知名度。
然则, 名人效应的广告宣传固然是好, 但是过度或者不恰当的名人效应的广告往往会引起反效果, 如周笔畅代言的太太口服液、罗纳尔多代言的金嗓子喉宝等案例, 不但没有达到预期的效果, 反而给产品形象带来反效果。
结束语
广告作为产品宣传的主力军, 对产品的销售和企业的未来是不可或缺的。企业只有了解中国消费者的心理需求与价值观念, 并结合中国传统文化特点, 才能设计出符合中国特色的广告。广告中的名人效应及洋化现象在使用时需要斟酌与推敲, 不能滥用与误用, 否则会引起中国消费者的质疑与批评。再之, 广告人使用中国元素时可适当挖掘内在价值, 只停留在表面上的符号语言可能无法更好地传达产品和企业的文化内涵。本文初步探究了我国商业广告的显著特征, 其作为未来广告业发展的基石, 将对今后创新具有重要意义。
参考文献
[1]何镇飚.全球经济一体化下的广告文化批评标准[J].当代传播.2003 (04) .
[2]黄小平.广告语言:语言艺术的狂欢[M].昆明:云南人民出版社, 2012.3.
【显著特征区域】相关文章：
视觉显著05-11
效果显著05-07
图像显著性06-01
差异显著性分析05-11
昆明市城乡统筹成效显著06-08
中国茶文化的显著特色06-04
旺苍扎实推进安全社区建设成效显著05-22
长庆事业部安全生产成效显著05-26
论石油地质类型与区域特征09-12