感兴趣区域提取方法的研究

合集下载

新的图像感兴趣区域的提取方法

新的图像感兴趣区域的提取方法在计算机视觉领域中，图像感兴趣区域的提取一直是一个重要的研究方向。

随着技术的不断发展和应用的不断推广，传统的图像感兴趣区域提取方法已经难以满足实际需求。

因此，研究人员提出了一种新的图像感兴趣区域提取方法，该方法结合了深度学习和卷积神经网络的优势，能够更准确地提取图像中的感兴趣区域。

传统的图像感兴趣区域提取方法通常基于图像的低层特征，如颜色、纹理和边缘等。

然而，这些低层特征往往无法准确地描述图像中的复杂结构和语义信息。

相比之下，深度学习和卷积神经网络具有强大的学习能力和表达能力，能够从大量数据中学习到高层次的抽象特征。

新的图像感兴趣区域提取方法主要基于深度学习和卷积神经网络的思想，通过训练一个特定的神经网络模型，来实现对图像中感兴趣区域的准确提取。

首先，需要构建一个大规模的图像数据集，包含大量的正样本和负样本。

正样本是指包含感兴趣区域的图像，而负样本是指不包含感兴趣区域的图像。

然后，利用这个数据集对神经网络模型进行训练，使其能够准确地判断一个图像中是否包含感兴趣区域。

训练完成后，就可以将这个神经网络模型应用到新的图像中，实现对感兴趣区域的提取。

具体而言，可以将输入的图像分割成多个小块，并将每个小块输入到神经网络模型中进行预测。

根据神经网络模型的输出结果，可以确定每个小块是否包含感兴趣区域。

最后，将所有包含感兴趣区域的小块合并起来，就得到了整个图像的感兴趣区域。

与传统的方法相比，新的图像感兴趣区域提取方法具有以下优势：1.准确性：新的方法基于深度学习和卷积神经网络，具有更强的学习和表达能力，能够更准确地提取图像中的感兴趣区域。

2.自适应性：新的方法通过训练自适应能力强的神经网络模型，能够适应各种不同的图像场景和特征，提高感兴趣区域提取的鲁棒性。

3.效率性：新的方法可以利用并行计算的优势，快速地提取图像中的感兴趣区域，适用于大规模图像处理和实时应用场景。

综上所述，新的图像感兴趣区域提取方法在计算机视觉领域具有广泛的应用前景。

基于感兴趣区域特征提取技术的情感语义研究

ＡｂｔａｔＩｇｆｃｉｅｓｍａｔｃｇｉｏｄ１ＳｄｌａｅｎＲＯＩｅｔｒｘｒｃｉｎｔｃｎｑｅ．Ｉｄｓｕｓｓｈｃｕｓｔｎｓｒｃ：ｍａｅａｅｔｖｅｎｉｒｏｎｔｎｍｏｅｍｏｅｓｄｏｃｅｉｉａｂａｕｅｔａｔｈｉｕｓｔｉｓｅｅａｑｉｉｏｆｅｏｅｃｔｉ
方法。仿真实验结果表明，该模型所实现的底层特征到高层情感语义映射准确率比传统的颜色特征提取技术的图像情感语
义识别模型有很大的提高。关键词：兴趣区域；情感语义；颜色特征提取；颜色直方图；自组织映射；情感聚类感
Ｋｅｒｓｅｉｎｆｎｅｅｔ（Ｏ）ａｅｔｅｓｍａｔ；ｃｌｒｅｔｒｅｔｃｉｎｃｌｉｏｒｍ；ｓｌｏｇｎａｉｐｉｙｗｏｄ：ｒｇｏｓｔｒｓＲＩ；ｆｃｖｅｎｉｏｉｆｉｃｏｏａｅｘａｔ；ｏｏｈｓｇａｆｕｒｏｒｔｅｆｒａｉｔｎｍａｐｇ－ｚｏｎ（Ｏ；ａｆｔｅｌｔＳＭ）ｆｃｉｕｅｅｖｃｓｒ
ｃｕｔｒｇａｇｒｔｍｆｈｉｈｅｏｏｉｔｇａｌｓｅｉｌｏｉｎｈｏｔｅｗｅｇｔｄｃｌｒｓｏｒｍ，ａｌａｅｕｔｔｆｅｔｅａｐｏｃ．Ｓｍｕａｉｎｒｓｌｏｔａｅｍｏｅｈｓｗｅｌｓｈｌｍａｅａｆｃｉｐｒａｈｔｉｖｉｌｔｕｔｓｗｔｄｌｏｅｓｈｈｔｈｏｅｕｄｒｙｎｈｒｃｅｉｉｓｏｅｒａｉａｉｎｏｉｈｌｖｌｆｅｔｅｓｍａｔｐｉｇａｃｒｃｈｎｔｅｔｄｔｎｌｏｏｓｏｅｆｈｎｅｌｉｇｃａａｔｒｔｆｔｅｌｔｆｇ —ｅｅｆｃｉｅｎｉｍａｐｎｃｕａｙｔａａｉｏａｌｒｆｔｓｃｈｚｏｈａｖｃｈｒｉｃｈｔ

基于感兴趣区域半自动提取的图像压缩的研究

ａｇｉｔｎｒｃｉｓｌｏｒｔｕｅｅｖｅｍｏｅｒｐｒｃｓｒｇｏｏｆｉｅｅｔｅｉｅｅｉｎｎｔｒｓ．Ｔｈｅｐｅｍｅｈｏｓｔｔｔｅｅｘｒｉｎｔｓｗｈａｈｍｅｈｃｎｏｅｖｅｓｆｌｎｆｒａｉｔｏｄａｃｎｓｒｕｅｕｉｏｍｔｏｎａｅｅｏｎｔｕｔｄｍａｅａｄｙｎｄｅｅｔｌ．ｎｄｇｔｒｃｓｒｃｅｉｇｓｒｐｉｌａｆｃｉｙｖｅ
摘
要：了减少图像数据的存储空间和传输时间，出一种基于感兴趣区域半自动提取的图像压缩方法。已有算法不为提与
同，算法在对图像进行感兴趣区域分割时，不是完全人工或者自动分割，该并而是基于手动的基础上结合区域生长的方法
ａｔｍａｃｌ，ｂｔｅｎｓｍｅｈｄａｅｎｈｆｔｒｆｓｍｉａｔｍａｏｅｔｃｏｒｏｆｉｔｅＬｈｎｗｕｏｔａｙｕｉｌｄｆｅｉｔｏｂｓｄｏｔｅｅｕｅｅ — ｕｏｔｎｘｍｔｎｅｎｏｎｅｓａｏｉｉｉｇｒＴｅｅ
基于感兴趣区域半自动提取的图像压缩的研究
王圆妹，陈琳许，劲
４４２；３０３（．江大学电子与信息学院，北荆州１长湖
ቤተ መጻሕፍቲ ባይዱ
２长江大学计算机科学学院，．湖北荆州
４４２；３０３
２２１）６７４
３胜利清河采油厂井下作业部作业二队山东东营．

用c++对感兴趣区域的提取

一. 设计目的和意义通过设计，较全面地掌握各种图像提取算法的基本理论、原理和实现手段，并能分析感兴趣区域（ROI）提取效果及对进一步处理的影响，使学生具有一定综合分析问题和解决问题的能力。

二．设计内容和要求原始数据：所获取二值图像。

技术要求：（1）完成题目所要求技术：全面掌握与区域提取算法相关的基本理论、原理和实现手段；（2）通过仿真（实验）验证，编程实现对处理实景图像进行感兴趣区域提取的算法和实现手段，并进行结果分析。

设计要求：课程设计的目的在于培养学生的综合素质，要求学生做到：（1）根据题目要求查阅有关资料，确定方案，写出设计方案；（2）根据对选题的理解，消化查阅资料，给出相关的实现算法和理论根据；(3) 在Matlab或C++或VC环境下，实现算法，并给出仿真结果；(4) 对结果进行分析总结三．设计工作任务每个成员单独用一种方法，在Matlab或VC环境下运行程序，达到对图像感兴趣区域的提取的目的。

四．每种特征提取的代码和运行结果1 通过腐蚀实现轮廓提取（1）程序代码// DibImage.cpp: implementation of the CDibImage class.// DIB(Independent Bitmap) 函数：//// PaintDIB() - 绘制DIB对象// CreateDIBPalette() - 创建DIB对象调色板// FindDIBBits() - 返回DIB图像象素起始位置// DIBWidth() - 返回DIB宽度// DIBHeight() - 返回DIB高度// PaletteSize() - 返回DIB调色板大小// DIBNumColors() - 计算DIB调色板颜色数目// CopyHandle() - 拷贝内存块//// SaveDIB() - 将DIB保存到指定文件中// ReadDIBFile() - 重指定文件中读取DIB对象//////////////////////////////////////////////////////////////////////#include "stdafx.h"#include "TemplateTrans.h"#include "DibImage.h"#include "math.h"#ifdef _DEBUG#undef THIS_FILEstatic char THIS_FILE[]=__FILE__;#define new DEBUG_NEW#endif//////////////////////////////////////////////////////////////////////// Construction/Destruction////////////////////////////////////////////////////////////////////// CDibImage::CDibImage(){}CDibImage::~CDibImage(){}//////////////////////////////////////////////////////////////////////// function////////////////////////////////////////////////////////////////////// BOOL CDibImage::Enhance(LPSTR lpDIBBits,LONG lWidth,LONG lHeight) {//边缘检测LPSTR lpSrc;LPSTR lpDst;LPSTR lpNewDIBBits;HLOCAL hNewDIBBits;long i,j;unsigned char n,e,s,w,ne,se,nw,sw;unsigned char pixel;hNewDIBBits=LocalAlloc(LHND,lWidth*lHeight);if(hNewDIBBits==NULL){return FALSE;}lpNewDIBBits=(char *)LocalLock(hNewDIBBits);lpDst=(char *)lpNewDIBBits;memset(lpDst,(BYTE)255,lWidth*lHeight);for(j=1;j<lHeight-1;j++){for(i=1;i<lWidth-1;i++){lpSrc=(char*)lpDIBBits+lWidth*j+i;lpDst=(char*)lpNewDIBBits+lWidth*j+i;pixel=(unsigned char)*lpSrc;if(pixel!=255&&pixel!=0)return FALSE;if(pixel==0){*lpDst=(unsigned char)0;nw=(unsigned char)*(lpSrc+lWidth-1);n=(unsigned char)*(lpSrc+lWidth);ne=(unsigned char)*(lpSrc+lWidth+1);w=(unsigned char)*(lpSrc-1);e=(unsigned char)*(lpSrc+1);sw=(unsigned char)*(lpSrc-lWidth-1);s=(unsigned char)*(lpSrc-lWidth);se=(unsigned char)*(lpSrc-lWidth+1);if(nw+n+ne+w+e+sw+s+se==0){*lpDst=(unsigned char)255;}} } }memcpy(lpDIBBits,lpNewDIBBits,lWidth*lHeight);LocalUnlock(hNewDIBBits);LocalFree(hNewDIBBits);return TRUE; }（2）运行结果源图像处理后的图像2自定义FCm函数对图片进行提取（1）程序代码data=imread('cameraman.tif'); %读入图片的像素矩阵 %data=ima();data=double(data);data=data/1000.0;%由于函数的需要，需将data矩阵中的数值转换格式，否则出错figure,imshow(data)%显示原始图片title ('原始图像')%将图片的像素矩阵转换为样本矩阵，该样本矩阵有65536行（把每个像素点作为一个样本% ，65536个样本值）；%有1列（把像素点的灰度值作为样本的特征值）A=zeros(65536,1);%初始化A，为其分配空间A(1:65536)=data(1:65536);%将256*256的矩阵转化成为65536*1的矩阵data=A;% 转换结束后得到样本矩阵cluster_n=2;%标量,表示聚合中心数目,即类别数options=[2;257;1e-5;1]%初始化操作参数y=FCMClust(data, cluster_n, options)%调用模糊C子函数 FCMClust.m子程序1：% FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类function [center, U, obj_fcn] = FCMClust(data, cluster_n, options) % 用法：% 1、[center,U,obj_fcn] = FCMClust(Data,N_cluster,options);% 2、 [center,U,obj_fcn] = FCMClust(Data,N_cluster);% 输入：% data ---- nxm矩阵,表示n个样本,每个样本具有m维特征值% N_cluster ---- 标量,表示聚合中心数目,即类别数% options ---- 4x1矩阵，其中% options(1): 隶属度矩阵U的指数，>1 (缺省值: 2.0)% options(2): 最大迭代次数 (缺省值: 100)% options(3): 隶属度最小变化量,迭代终止条件 (缺省值: 1e-5)% options(4): 每次迭代是否输出信息标志 (缺省值: 1)% 输出：% center ---- 聚类中心% U ---- 隶属度矩阵% obj_fcn ---- 目标函数值if nargin ~= 2 & nargin ~= 3, %判断输入参数个数只能是2个或3个error('Too many or too few input arguments!');enddata_n = size(data, 1); % 求出data的第一维(rows)数,即样本个数in_n = size(data, 2); % 求出data的第二维(columns)数，即特征值长度% 默认操作参数default_options = [2; % 隶属度矩阵U的指数257; % 最大迭代次数1e-5; % 隶属度最小变化量,迭代终止条件1]; % 每次迭代是否输出信息标志if nargin == 2,options = default_options;else%分析有options做参数时候的情况% 如果输入参数个数是二那么就调用默认的option;if length(options) < 4, %如果用户给的opition数少于4个那么其他用默认值; tmp = default_options;tmp(1:length(options)) = options;options = tmp;end% 返回options中是数的值为0(如NaN),不是数时为1nan_index = find(isnan(options)==1);%将denfault_options中对应位置的参数赋值给options中不是数的位置.options(nan_index) = default_options(nan_index);if options(1) <= 1, %如果模糊矩阵的指数小于等于1error('The exponent should be greater than 1!');endend%将options 中的分量分别赋值给四个变量;expo = options(1); % 隶属度矩阵U的指数max_iter = options(2); % 最大迭代次数min_impro = options(3); % 隶属度最小变化量,迭代终止条件display = options(4); % 每次迭代是否输出信息标志obj_fcn = zeros(max_iter, 1); % 初始化输出参数obj_fcn ,将其初始化为max_iter 行矩阵U = initfcm(cluster_n, data_n); % 初始化模糊分配矩阵即隶属矩阵,使U满足列上相加为1% Main loop 主要循环for i = 1:max_iter,%在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值;[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo);if display,fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i));end% 终止条件判别if i > 1,if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro,break;end,endenditer_n = i; % 实际迭代次数obj_fcn(iter_n+1:max_iter) = [];center;%显示最后的C值矩阵U;%显示最后的隶属度矩阵%通过隶属度矩阵和聚类中心实现图像的二值化，首先将图像的样本点的特征值聚类成两类for i=1:65536if (U(1,i)>U(2,i))data(i)=center(1);elsedata(i)=center(2);endend%恢复图像的像素矩阵---即由二值化后的样本矩阵回归像素矩阵b=zeros(256,256);b(1:65536)=data(1:65536);data=b;figure,imshow(data)%显示模糊C均值处理后的二值化图像title ('模糊C均值后的二值化图像')子程序2：% 子函数function U = initfcm(cluster_n, data_n)% 初始化fcm的隶属度函数矩阵% 输入:% cluster_n ---- 聚类中心个数% data_n ---- 样本点数% 输出：% U ---- 初始化的隶属度矩阵U = rand(cluster_n, data_n); %产生一个cluster_n*data_n的矩阵，其产生0-1之间的随机数col_sum = sum(U);% 返回包含A各列元素之和的一行，data_n列矩阵U = U./(ones(cluster_n,1)*col_sum);;%U点除以sum(U)为行向量的%cluster-n行矩阵以实现每列的元素之和为1即对其进行归一化处理子程序3：% 子函数function [U_new, center, obj_fcn] = stepfcm(data, U, cluster_n, expo)% 模糊C均值聚类时迭代的一步% 输入：% data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值% U ---- 隶属度矩阵% cluster_n ---- 标量,表示聚合中心数目,即类别数% expo ---- 隶属度矩阵U的指数% 输出：% U_new ---- 迭代计算出的新的隶属度矩阵% center ---- 迭代计算出的新的聚类中心% obj_fcn ---- 目标函数值mf = U.^expo; % 隶属度矩阵进行指数运算结果center = mf*data./((ones(size(data, 2), 1)*sum(mf'))') ;% 新聚类中心dist = distfcm(center, data); % 计算距离矩阵obj_fcn = sum(sum((dist.^2).*mf)); % 计算目标函数值tmp = dist.^(-2/(expo-1));U_new = tmp./(ones(cluster_n, 1)*sum(tmp)); % 计算新的隶属度矩阵子程序4：% 子函数function out = distfcm(center, data)% 计算样本点距离聚类中心的距离% 输入：% center ---- 聚类中心% data ---- 样本点% 输出：% out ---- 距离out = zeros(size(center, 1), size(data, 1));for k = 1:size(center, 1), % 对每一个聚类中心% 每一次循环求得所有样本点到一个聚类中心的距离out(k, :)=sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1)); end（2）运行结果源图像处理后的图像3通过调用FCM函数，采用模糊C均值处理对图像进行提取（1）程序代码data=imread('1.jpg'); %读入图片像素矩阵 %data=ima();data=double(data);data=data/1000.0; %由于函数的需要，需将data矩阵中的数值转换格式，否则出错figure,imshow(data)%显示原始图片title ('原始图像')%将图片的像素矩阵转换为样本矩阵，该样本矩阵有19600行（把每个像素点作为一个样本% ，19600个样本值）；%有1列（把像素点的灰度值作为样本的特征值）A=zeros(19600,1);%初始化A，为其分配空间A(1:19600)=data(1:19600);%将140*140的矩阵转化成为19600*1的矩阵data=A;% 转换结束后得到样本矩阵[center,U,obj_fcn]=fcm(data,2);%调用fcm函数center;%显示最后的C值矩阵U;%显示最后的隶属度矩阵%通过隶属度矩阵和聚类中心实现图像的二值化，首先将图像的样本点的特征值聚类成两类for i=1:19600if (U(1,i)>U(2,i))data(i)=center(1);elsedata(i)=center(2);endend%恢复图像的像素矩阵---即由二值化后的样本矩阵回归像素矩阵b=zeros(140,140);b(1:19600)=data(1:19600);data=b;figure,imshow(data)%显示模糊C均值处理后的二值化图像title ('模糊C均值后的二值化图像')（2）运行结果源图像处理后的图像4通过设置门限进行二值化处理对图像进行提取（1）程序代码data=imread('cameraman.tif');%读入图片的像素矩阵 %data=ima(); data=double(data);data=data/1000.0;%由于函数的需要，需将data矩阵中的数值转换格式，否则出错imshow(data)%显示原始图片title ('原始图像')data%通过设置门限值对它进行二值化处理for i=1:65536if (data(i)>0.1)data(i)=1;elsedata(i)=0;endendfigure,imshow(data)%二值化图像title ('二值化图像')（2）运行结果源图像处理后的图像五. 实习总结及心得“多维信息处理实践”是电子技术课程的实践性教学环节，是对我们学习电子技术的综合性训练。

图像感兴趣区域提取技术研究

ｄａａ．ｔ
Ｋｅｏｄ：ｅｉｎｆＩｔｒｓＲＩｉｇｎｌｓ；ｎｒｙｉｇ；ｄｅｄｔｔｒｓｌｎｙｍａｙｗｒｓＲｇｓｎｅｅｔＯ）ｍａｅａｙｉｅｅｇｏｏ（；ａｓｍａｅｅｇｅｅｏ；ａｅｃｐｃｉ
有针对性。
１概述２Ｒ提取技术ＯＩ
第１卷第４０期
２１１月１年２０
广东交通职业技术学院学报
ＪｏＵＲＮＡＬＯＦＧＵＡＮＧＯ１ＧＤ＂４ＣＯＭＭＵＮｌＣＡＴＩＮＳｏＰＯＬＹＴＥＣＨＮｌＣ
Ｖ＿．ＯＮｏ．０１１４Ｄｅｅｂｅ１ｃｍｒ２０１
进行了深入探讨，详细研究了当前几种较具代表性的感兴趣区域提取技术，并对其提取效果做了评价。总结了它们的优缺点以及适用场景，为用户选取合适的感兴趣区域提取方法，提供了实验依据。关键词：感兴趣区域；图像分析；能量图；拐点检测；显著图中图分类号：Ｔ９．１Ｐ３１４文献标识码：Ａ
随着科学技术的发展，图像已经成为了信息
的一个重要来源。一方面对于传递信息给我们带
目前，多种ＲＩＯ自动提取算法已经被国内外
研究者提出。主要包括以下几类：
来了很大的方便，但另一方面其与日俱增的庞大
ＴｅｈｎｉａｓａｃｏｔｃｉｇｏｆＩｅｅｔｃｃｌＲｅｅｒｈｎＤｅｅｔｎｇＲｅｉｎｓｏｎｔｒｓ
ＣＨＥＧｎ１ＮＬｉｉｎ

opencv——感兴趣区域（ROI）的分析和选取[详细总结]

opencv——感兴趣区域（ROI）的分析和选取[详细总结]引⾔在利⽤OpenCV对图像进⾏处理时，通常会遇到⼀个情况，就是只需要对部分感兴趣区域进⾏处理。

因此，如何选取感兴趣区域呢？（其实就是“抠图”）。

在学习opencv的掩码运算后，尝试实现⼀个类似halcon的reduce_domain功能，对于实现抠图的过程中，需要掌握的要点就是位运算符和copyTo函数位运算符的相关API：void bitwise_and(InputArray src1, InputArray src2, OutputArray dst); //dst = src1 & src2 “与”操作void bitwise_or(InputArray src1, InputArray src2, OutputArray dst); //dst = src1 | src2 “或”操作void bitwise_xor(InputArray src1, InputArray src2, OutputArray dst); //dst = src1 ^ src2 “异或”操作void bitwise_not(InputArray src, OutputArray dst); //dst = ~src “⾮”操作copyTo函数它的定义OpenCV中image.copyTo()有两种形式：1、image.copyTo(imageROI)，作⽤是把image的内容复制到imageROI；2、image.copyTo(imageROI，mask),作⽤是把原图(image)和掩膜(mask)与运算后得到ROI区域(imageROI)。

mask就是位图，如果mask像素的值是⾮0的，我就拷贝它，否则不拷贝。

（⾮零的位置就是原图中的那些需要拷贝的部分)正⽂部分对于感兴趣区域(Region of Interest, ROI)的选取，⼀般有两种情形：1)已知ROI在图像中的位置；2)ROI在图像中的位置未知。

一种新的图像感兴趣区域的提取方法

Ｊｎ２１ｕ．００
一
种新的图像感兴趣区域的提取方法
曹红兵，陈蕴
２０１）３０２
（．阳师范学院计算机与信息学院，徽阜阳２６４；１阜安３０１
２中国科学技术大学计算机系，徽合肥．安
摘
要：对于Ｉｉ显著图模型的感兴趣区域检测方法中，在的检测结果与视觉感知有差异以及转移过程中同一目ｔ的ｔ存
标内出现多个感兴趣区域检测结果等问题，引入灰度尺度变化特征和Ｃ模型，Ｖ以使感兴趣区域检测结果更符合人的视觉感知。实验结果表明，算法检测到的感兴趣区域与人的视觉感知结果吻合率为７．，于Ｉｔ模型的７．。该７６高ｔｉ２８／／０关键词：感兴趣区域；著图；觉特征；度尺度显视灰
ｐｒｅｔｎ，ａｄｍｏｅｔａｎｅｅｔｎｒｓｌｍａｐｅｒｉｈａｂｅｔｄｒｎｒｎｆｒｐｏｅｓｒｙｓａｅｖｒａｅｃｐｉｏｎｒｈｎｏｅｄｔｃｉｅｕｔｙａｐａｔｅｓｍｅｏｊｃｕｉｇｔａｓｅｒｃｓ．Ａｇａｃｌａｉ— ｏｎ
中图分类号：Ｐ９．１Ｔ３１４
文献标识码：Ａ
文章编号：０４１６（０００— ０９０１０ —０９２１）２０１ —４

基于感兴趣区自动提取的红外图像压缩研究

具体实现，通过图像实验充分验证了该方法的有效性、实时性，具有重要的应用价值。
关键词：红外图像；兴趣区；图像压缩；ＰＧ００感ＪＥ２０
中图分类号：Ｔ３１４Ｐ９．文献标志码：Ａ文章编号：１０ — ６５２０）２３６．４０１３９（０８１ —６１０
Ｒｅｅｒｈｏｎｒｒｄｉｇｏｒｓｉｎｓａｃｎｉｆａｅｍａｅｃｍｐｅｓｏ
ｂｓｄｏｅｉｎｏｔｒｓａｔｍａｉｅｅｔｄａｅｎｒｇｏｆｉｅｅｔｕｏｔｄｔｃｅｎｃ
ＹＡｈｎ—ｈ，Ｉｉ－ｎ，Ｕｉ — ｎ，ＨｕＵＮＳｅｇｚｉＸＥＸａｆｇＧＯＱｎｆｇＺＵＲｉｏａｇｅ
Ｋｅｏｄ：ｉｆｒｄｉａｅｒｇｎｏｔｅｔＲＩ；ｉａｅｃｍｒｓｏ；ＰＧ００ｙｗｒｓｎｒｅｇ；ｅｉｆｎｅｓＯ）ｍｇｏｐｅｓｎＪＥ２０ａｍｏｉｒ（ｉ
பைடு நூலகம்
随着无人机、巡逻攻击导弹等武器装备不断出现，了完为成目标的自动检测、识别及跟踪，需要将图像数据（见的类常
１红外图像感兴趣区域的自动提取
在复杂环境下得到的红外图像细节较多，目标和背景界限
型包括红外图像、Ｒ图像等）缩后在有限带宽的信道上传ＳＡ压
输。基于感兴趣区域的图像压缩编码技术能对一幅图像的不

roi提取方法

roi提取方法ROI提取方法是一种常用的图像处理技术，它可以帮助我们从图像中提取出感兴趣的区域，从而实现图像分割、目标检测等应用。

本文将介绍ROI提取方法的原理、常用算法以及应用场景。

一、ROI提取方法的原理ROI提取方法的原理是基于图像的像素值进行分析和处理。

在图像中，每个像素都有一个对应的灰度值或颜色值，这些值可以用来描述像素的特征。

ROI提取方法就是通过对图像像素值的分析，找到感兴趣的区域，并将其从图像中分离出来。

二、常用的ROI提取算法1. 阈值分割法阈值分割法是一种简单而常用的ROI提取算法。

它的原理是将图像中的像素值与一个预设的阈值进行比较，将大于阈值的像素标记为目标区域，将小于阈值的像素标记为背景区域。

这样就可以将目标区域从背景区域中分离出来。

2. 区域生长法区域生长法是一种基于像素相似性的ROI提取算法。

它的原理是从一个种子点开始，将与该点相邻的像素逐个加入到目标区域中，直到达到一定的相似性阈值为止。

这样就可以将目标区域从背景区域中分离出来。

3. 边缘检测法边缘检测法是一种基于图像边缘特征的ROI提取算法。

它的原理是通过检测图像中的边缘，将目标区域从背景区域中分离出来。

常用的边缘检测算法包括Sobel算子、Canny算子等。

三、ROI提取方法的应用场景1. 图像分割图像分割是指将图像分成若干个互不重叠的区域，每个区域内具有相似的像素特征。

ROI提取方法可以帮助我们从图像中提取出感兴趣的区域，从而实现图像分割。

2. 目标检测目标检测是指在图像中检测出特定的目标物体。

ROI提取方法可以帮助我们从图像中提取出目标物体的区域，从而实现目标检测。

3. 医学影像分析医学影像分析是指对医学影像进行分析和处理，以帮助医生进行诊断和治疗。

ROI提取方法可以帮助我们从医学影像中提取出感兴趣的区域，从而实现医学影像分析。

ROI提取方法是一种非常重要的图像处理技术，它可以帮助我们从图像中提取出感兴趣的区域，从而实现图像分割、目标检测等应用。

基于MSD的图像感兴趣区域自动提取方法研究

这必然造成直接度量每点感兴趣程度的困难，由于一点的信息量总是十分稀少的，若还考虑噪声的影响，将使得问题难上加难。即使人们可以考虑图像中每点与它的邻域之间的关联，并通过点的邻域来判断它的感兴趣程度，但仍然没有】摆脱点点考虑的范畴，从而没有摆脱度量每点感兴趣程度的困难。为了较好地避免这一困难的出现，不妨将考虑的对象从图像中的点转变为图像中的块，那么此时便可将需要考虑的点间的关联转化为不同图像块之间的关联，使得问题变得
这必然造成了判读过程中具有很大程度的主观性，并且使得结果强烈地依赖于人们的经验认识。
面一般需要选取较多的项。因此有大量的文献在研究既能有效地表示图像特征，又能具有较少项的图像数据表示新方法。这里针对图像特征的多样性，给出了一种图像最优分解方法，它是一种特征向量方法，基本思想是将二维图像自Ｊ适应地分解为一维向量的有效综合。由于自适应性和较少参数表示，使其可以获得较好的分解效果。事实上若选取同样个
维普资讯
第３卷第２期２４
Ｖ１２ｏ．３
Ｎｏ２．４
计
算
机
工
程
２０年１０６２月
Ｄｅｅｂｒ２０ｃｍｅ０６
ＣｏｐｔｒＥｎｉｅｒｎｍｕｅｇｎｅｉｇ
・人工智能及识别技术・
ｐｅｉｉｎｌｃｔｎｏｅｒｇｏ－ｆｉｔｒｓａｅｄｎｔｄ．ｅｅａｌｓｖｌａｅｔｅｆａｉｉｔｎａｉｉ．ｒｃｓｏｏａｉｆｔｅｉｎｏ－ｎｅｅｔｎｂｅｏｅＴｘｍｐｅａｉｔｅｓｂｌｙａｄｖｌｄｔｏｈＣｈｄｈｉｙ

多媒体移动用户的感兴趣区域的提取方法

多媒体移动用户的感兴趣区域的提取方法在当今数字化的时代，多媒体内容如潮水般涌来，而对于多媒体移动用户而言，能够从海量的信息中准确提取出他们感兴趣的区域，无疑具有重要的意义。

这不仅能提升用户的体验，还能为相关的服务和应用提供更有针对性的支持。

要理解如何提取多媒体移动用户的感兴趣区域，首先得明确什么是“感兴趣区域”。

简单来说，就是在多媒体内容中，能够吸引用户注意力、引起用户兴趣的那部分。

它可以是一张图片中的特定物体，一段视频中的某个情节，或者一篇文章中的关键段落。

那么，如何去发现和提取这些区域呢？一种常见的方法是基于用户的行为数据。

比如，用户在浏览图片时的停留时间、放大缩小操作，在观看视频时的重复播放、快进快退行为，以及在阅读文章时的滚动速度、停留位置等。

通过对这些行为数据的分析，可以大致判断出用户对哪些部分比较关注。

以图片为例，如果用户在某一区域停留的时间较长，或者频繁进行放大操作，那么这个区域很可能就是用户感兴趣的。

对于视频，若用户多次重复观看某一段，或者在这一段的播放过程中几乎没有进行其他操作，那么这段视频内容就可能是其感兴趣的部分。

除了行为数据，用户的主动选择和标记也是提取感兴趣区域的重要依据。

很多多媒体应用都提供了用户标记、收藏、点赞等功能。

用户主动标记的区域或者点赞的内容，显然是他们感兴趣的。

另外，上下文信息也能为提取感兴趣区域提供线索。

比如，用户正在查看的是关于旅游的内容，那么与热门旅游景点相关的部分可能更容易引起他们的兴趣。

如果是在购物场景中，用户近期搜索和浏览过的商品类别相关的信息可能就是其关注的重点。

在实际的提取过程中，还需要考虑到多媒体内容的类型和特点。

对于图像，可能需要用到图像识别和处理技术，来识别出具有特定特征的区域。

比如，在一张风景图片中，色彩鲜艳、对比度高的区域可能更容易吸引用户的目光。

对于视频，不仅要考虑每一帧的图像内容，还需要结合音频信息。

比如，在一段有解说的视频中，用户可能会对解说重点对应的画面更感兴趣。

感兴趣区域提取的主要步骤

感兴趣区域提取的主要步骤嘿，咱今儿就来唠唠这感兴趣区域提取的主要步骤哈。

你想啊，就好像咱去果园摘果子，你得先知道自己想要摘啥果子，对吧？这就好比是确定感兴趣区域。

那怎么确定呢？这就是第一步啦。

首先得有个目标吧，就像你知道自己喜欢红苹果，那你就盯着红苹果去找呀。

在图像或者数据里，咱得明确自己到底对哪一块儿感兴趣。

这可不是随便说说就行的，得仔细琢磨琢磨呢。

然后呢，就像你找到了那棵长满红苹果的树，你得想办法把它们给圈出来呀。

这就是第二步啦，得把感兴趣区域给标记出来。

可以用各种工具呀，线条呀，颜色呀啥的，让它跟其他地方明显区分开。

接着呀，就好比你摘苹果得有个合适的方法，不能乱摘一通。

这第三步就是选择合适的算法或者方法来提取这个区域。

不同的情况可能要用不同的办法呢，就像摘不同的果子可能要用不同的工具一样。

提取出来后，你还得检查检查吧？这第四步可不能少。

看看是不是你想要的那个区域，有没有多了或者少了啥的。

要是有问题，那可得重新再来一遍呀。

你说这是不是挺像做一件精细的活儿？得一步步慢慢来，不能着急。

要是哪一步没做好，那后面可就麻烦啦。

就好像你摘苹果的时候标记错了树，那不是白忙活一场嘛。

再想想，要是咱这提取感兴趣区域是为了分析啥重要的数据，那可不得认真对待呀。

要是弄错了，那得出的结论不就全错啦？这可不行呀，咱得保证每一步都做得稳稳当当的。

而且呀，这每一步都得细心再细心。

就跟你挑果子似的，得挑个又大又红的，不能随随便便就拿一个。

这感兴趣区域提取也是一样，得做到最好。

你说，这感兴趣区域提取是不是还挺有意思的？虽然步骤不少，但每一步都很关键呀。

咱可得好好掌握这些步骤，才能把这活儿干得漂亮呢！就这么着吧，大家可得记住这些主要步骤哦！。

乳腺X射线数字影像中钙化点感兴趣区域提取方法

区域的像素值被保存下来。
合并成～个区域。反复执行上述操作，直至区域合并完成。
本文对１幅乳腺Ｘ线影像进行了乳腺区域的提取５试验。结果显示，绝大部分影像在选择合适的阈值参数
后，能够提取出包括孚腺皮肤在内的所有乳腺区域。Ｌ以图２为例，已排除大量背景及非乳腺区域，得
ｃｍｐｅｅｔｅｅｔａｔｏｆｃｃｆｃｔｎｒｇｏｆｉｅｅｔｈｌｉｇｔｍｐｏｅｔｅａｃｒｃｆｄａｎｓｓｏｏｌｔｘｒｃｉｎｏａｉｉａｉｅｉｎｏｒｓ，ｅｐｎｏｉｒｖｃｕａｙｏｉｇｏｉｆｈｌｏｎｔｈ
题。在对乳腺Ｘ射线图像进行基本的背景分割后，首先运用改进的区域扩张法实现了对乳腺图像中乳
腺区域的提取，然后对乳腺区域部分采用改进的反锐化掩模法进行图像增强，突出钙化点区域，再根
据含钙化点的特征选取合适的阈值提取出可能含有钙化点的感兴趣区域（ＯＩＲ）。试验表明，该方法可完成对乳腺影像的Ｒ提取处理，有助于提高乳腺疾病诊断的准确率。ＯＩ
Ａｂｓｒｃ：Ｔｏｐｅｒｃｓａｍｏｒｍｓｆｒｃｍｐｔｒａｄｄｄａｎｓｓｈｉａｅａｎｙｒｓａｃｅｅｅｔａｔｎｏｔａｔｒｐｏｅｓｍｍｇａｏｏｕｅ— ｉｅｉｇｏｉ，ｔｓｐｐｒｍｉｌｅｅｒｈｓｔｘｒｃｉｆｈｏｃｌｉｉａｉｎｒｇｉｎｉａａｃｆｃｔｅｏｎｍｍｍｏｒｒｓｏｇａｎ．Ａｆｅｅｂｃｇｏｎｅｍｅｔｔｎｔａｔｒｔａｋｒｕｄｓｇｎａｉｏｍｍｍｏａ，ｉｆｒｔｙｍａｅｈｏ￣ｍｔｉｓｌｋｓｈｉｋ－ｐｏｍｍａｙｒｇｏｙｕｉｇｔｅｉｐｏｅｅｘｅｓｏ，ａｄｔｅｓｓｔｅｍｅｏｆｔｅｐｃｕｆｔｅｍａｈｒｅｉｎｂｓｎｍｒｖｄａａｅｔｎｉｎｎｎｕｅｔｄｏｈｒｈｈｈｉｐｏｅｎｈｒａｋｉｇｆｒｉａｅｅｈｎｅｅｔｉｉｋｕｆｔｅｍａｍａｙｒｇｏ．ｔｈｇｌｇｔｅｍｒｖｄｕｓａｐｍｓｎｏｍｇｎａｃｍｎｎｔｐｃ — ｐｏｍｒｅｉｎＩｉｈｉｈｓｔｈｅｈｈ

一种基于感兴趣区域的红外目标提取方法

第35卷，增刊红外与激光工程2006年10月、，b1．35Sup pl eI r l ent I nf t a砌and La se r Engi nee血g0ct．2()06一种基于感兴趣区域的红外目标提取方法赵钦佩，姚莉秀，何虎翼，杨杰(上海交通大学图像处理与模式识别研究所，上海200240)摘要：针对复杂背景下的红外图像的小目标提取问题，提出了一种新的红外图像自动分割方法。

为了更好地控制计算复杂性及目标提取的准确性，本方法建立在通过自适应But t en)l，or t l l高通滤波器找到的感兴趣区域之上并充分地利用了该区域中背景信息比较简单、目标易被分割的特性。

同时，考虑到像素灰度是红处图像区分目标与背景的重要因素，而像素间的相邻度则能较好的防止虚警的产生，结合像素的灰度和相邻度的综合关系提出了一种新的分割原则。

实验证明，新算法取得了很好的效果。

关键词：红外图像；感兴趣区域；目标提取；相邻度中图分类号：1'P391文献标识码：A文章编号：1007．2276(2006)增D．026禾04TI ar get ext r ac t i on m et hod based on r e西on of i nt er estZ H A O Q i n pei，Y A o L i-xi u，H E H u-yi，Ⅵ蝌G Ji e(hI譬dnl位of I II lage pI D ccss i ng衄d Pan咖＆删曲n’shan曲【ai Ji∞￡oⅡg uni ve侣i劬Shanghai，2002加，al i na)A bst腿c t：I n t em s of m e i m por t加ce ofⅡl e m eⅡl o d o n t a唱e t e x仃a c t i on i n i n行眦d i m ages，A new ki nd of aut om at i c segm en伽on nl e m od i s pr es ent ed．I n or d er t o r educe t l le cornpu t at i o n c o s t aI l d e x仃a ct t al唱et ac cura t e l y'Ⅱl is m e m od i s bas ed o n i nt er e st ed r egi on i n w I l i ch ba c蚝round i s m uch s i m pl er al l d t a玛e t i s e asi e r t o be ex仃act ed．111i s i n衄est ed regi on衄D u曲ad印t i V eB u仕e刑onl l m gh-PaSs f i l t er is obt ai ned．A t t I le s锄e t iI ll e’consi d嘶ng吐latpi)【el’s V al ue i s an i n l por t aI l t fa c t or t o di s t i n gui sh t a唱e t and back gr ound，and adj acency is use f ul t o pr eV ent f a l s e al锄s，a noV el segm en雠on m l e i s p1．0pose d w l l i ch t a|∞s f uU u∞of m e r el at i ons hi p bet w een山em．I}】【】per i m朗t alr．esul tS s h ow t t l at it is ef!I-ect i ve．K ey w or ds：hf t ar e d i Ir嘴e；Re垂on0f i I l t ef est；Th玛et e加∽t i on；A dj acencyO引言图像分割是～个经典难题，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力，但到目前为止没有一个通用的方法，也不存在一个判断分割是否成功的客观标准。

图像感兴趣区域自动提取算法

图像感兴趣区域自动提取算法摘要：感兴趣区域(Regions of Interest)提取技术在图像处理和分析领域有着重要地位。

提出了一种ROI的自动提取算法。

在显著度图和相对位置指示图的基础上，采用基于子区域的区域生长法，以像素点的显著度、相对位置及颜色纹理信息作为生长条件，颜色、纹理信息的权重可以根据图像的内容自适应调整。

实验结果表明，该方法与现有算法相比在速度和ROI提取的准确性方面均有提高。

关键词：感兴趣区域，显著度图，区域生长Automatic Extraction of Regions of InterestAbstract:The extraction technique of ROI plays an important role in image analysis.In this paper an automatic extraction of ROI algorithm is proposed.Based on the saliency map and relative position map,use the subregion based region grow method,besides the saliency map and relative positions,this paper joined the information of color and texture.The power of color and texture can adjusted by image content automatically.The experiment prove this algorithm is efficient and effective.Key words:Regions of Interest,saliency map,region grow1引言感兴趣区域(Regions of Interest简称ROI)即图像中最能引起用户兴趣，最能表现图像内容的区域，如能提取出这些区域将会大大提高图像处理和分析的效率和准确度。

识别CT图像中感兴趣区域的方法

识别CT图像中感兴趣区域的方法引言CT（Computed Tomography）即计算机断层扫描，是一种通过断层扫描技术获取人体或物体内部结构信息的医学影像学技术。

在医学诊断、疾病治疗等领域，准确地识别和定位感兴趣区域对于提供高质量的医疗服务至关重要。

本文将介绍几种常用的识别CT图像中感兴趣区域的方法，包括阈值分割法、边缘检测法和机器学习方法。

一、阈值分割法阈值分割法是一种简单且常用的图像分割方法，根据像素灰度值与预先设定的阈值之间的关系将图像分为不同的区域。

在识别CT图像中感兴趣区域时，可以先对图像进行灰度预处理，然后根据感兴趣区域的特征选择合适的阈值进行分割。

阈值分割法的基本步骤如下：1. 灰度预处理：将原始CT图像转换为灰度图像，常用的方法包括灰度级缩放、直方图均衡化等。

2. 选择阈值：根据感兴趣区域的特征，选择合适的阈值。

常见的选择方法有全局阈值和局部阈值等。

3. 分割图像：将像素灰度值与阈值进行比较，将图像分为感兴趣区域和背景区域。

阈值分割法的优点是操作简单、计算速度快，适用于处理较为清晰的图像。

然而，由于阈值的选择对分割结果有较大影响，对于噪声较大或者目标区域与背景区域的灰度差异较小的图像，阈值分割法可能无法获得准确的结果。

二、边缘检测法边缘检测法是一种基于图像边缘信息来分割图像的方法。

在CT图像中，感兴趣的区域往往具有明显的边缘特征，因此边缘检测法可以有效地识别出感兴趣区域。

常用的边缘检测算法包括Sobel算子、Prewitt算子和Canny算子等。

这些算子基于图像的梯度信息，能够精确地定位边缘位置。

在边缘检测的过程中，可以通过调整算子的参数来优化边缘检测结果。

边缘检测法的优点是能够获得较为准确的边缘信息，适用于处理边缘清晰的图像。

然而，边缘检测法在处理噪声较多的图像时可能会引入多余的边缘或者错漏的边缘，导致分割结果不准确。

三、机器学习方法机器学习方法在图像分割中得到广泛应用，通过自动学习感兴趣区域的特征模型，可以对CT图像中的感兴趣区域进行准确的识别。

roi提取方法

roi提取方法ROI (Region of Interest)，即感兴趣区域，在图像处理中指定区域内的特定对象或目标，包括对象的轮廓、边缘和纹理等特征。

ROI提取方法因应用场景和需求不同而有所区别，以下列举几种常见的ROI提取方法。

1. 阈值分割法阈值分割法是指将图像分成相应的对象和背景两部分。

根据阈值分割法，将灰度值小于某个固定值的像素灰色预设为1，将灰度值大于某个固定值的像素灰度预设为0。

灰度值介于这两个固定值之间的像素则根据具体应用情况进行判断。

这样，就能将感兴趣区域中的目标从背景中分离出来，进而提取ROI。

2. 边缘检测法边缘检测法是指在图像中检测出目标对象的轮廓和边缘位置的方法。

常用的边缘检测方法有Sobel算子、Canny算子和Laplacian算子。

这些算子可以在图像中检测出边界，从而提取ROI。

3. 区域生长法区域生长法是指从图像中的某一点开始，逐步生长形成目标对象的一种方法。

该方法需要指定生长的基准点，以及生长的规则。

生长的规则可以是基于像素灰度值相似性、空间接近度等指标来判断像素是否应该被加入到ROI中。

该方法可以在不需要提前知道目标区域形状的情况下，自动生长提取ROI。

4. 基于模板匹配的方法对于某些具有特定形状的目标，可以通过在图像中搜索相应的模板来提取ROI。

该方法需要事先准备好一个与目标形状相匹配的模板，通过在图像中搜索相似区域，可以将目标从背景中提取出来。

总之，ROI提取方法相对较为复杂，需要根据具体需求选择合适的方法。

常用的方法有阈值分割法、边缘检测法、区域生长法和基于模板匹配的方法等。

在实际应用中，需要针对具体情况进行选择和优化。

图像感兴趣区域自动提取算法

根据图像中局部区域内的颜色分布来估计像素的相对位置，即点是处于物体内部还是靠近边缘。假设ｚ表示颜色类图像中的所有 Ⅳ 个像素点集合，假设＝（ｙ，，） ∈Ｚ，ｍ代表均值，用假定集合ｚ被分为Ｃ个颜色类Ｚ，＝１２ …… ，。假ｉｉ，，Ｃ
⑥ ２０ＳｉＴｃ．ｎｎ．０７ｃ．ｅｈＥｇｇ
图像感兴趣区域自动提取算法
王艳娟陈晓红邹丽
（大连交通大学软件学院，大连１６５１０２）
摘
要
感兴趣区域提取技术在图像处理和分析领域中有着重要地位。提出了一种ＲＩ的自动提取算法，显著度图和相Ｏ在
有点的注意度均值，代表其标准差，则种子区域Ｒ的点可以度量为：ＡＲ＝ｅ（ ”肿一ｅ ‘ －／￣一（）５
值越大，区域的注意度越大，置越靠近该位区域中心。因此，应的区域就更优先选为种子区对域。这里为了减少噪声的影响，择入×入的小区选域作为种子点。经实验入＝。５
１算法描述
区域生长是区域分割中一种简单而有效的方
（原始图像ａ）
法，而且种子点的选取很容易结合高层语义，这对提取感兴趣区域来说非常有效。与文献『］同，１不本文采用基于子区域的区域生长法，同时，生长准则在
１４颜色、．纹理特征描述
１４１颜色特征．．

胸部CT图像中感兴趣区域的提取与量化分析

胸部CT图像中感兴趣区域的提取与量化分析
陈坚;郭圣文;吴效明
【期刊名称】《中国医学物理学杂志》
【年(卷),期】2008(025)006
【摘要】目的:根据临床应用需求,研究了胸部高分辨率CT图像中感兴趣区域(region of interest,ROI)的提取与量化诊断问题.方法:首先由人工勾勒感兴趣区域边界,再应用Bresenham扫描线算法生成连续的区域边界,然后,应用基于四邻域的背景标记扫描线方法,对区域外像素作出标记,从而得到选定区域.最后,计算区域的量化参数,并根据肺气肿量化诊断标准,对感兴趣区域进行分析与辅助诊断.结果:计算得到肺气肿占整个肺部容积的百分比为39.2%,该患者属于3级重度肺气肿.结论:实验证明,该方法能快速、准确地提取任意形状的区域,并对给定区域进行统计分析,非常有利于医生的准确诊断.
【总页数】4页(P895-898)
【作者】陈坚;郭圣文;吴效明
【作者单位】华南理工大学,生物医学工程系,广东,广州,510006;华南理工大学,生物医学工程系,广东,广州,510006;华南理工大学,生物医学工程系,广东,广州,510006【正文语种】中文
【中图分类】TP391.4;R318
【相关文献】
1.CT图像感兴趣区域提取及参数测定 [J], 谭永强
2.一种基于胸部CT图像感兴趣区域提取的检索技术 [J], 陈琴;邰晓英
3.胸部CT图像中孤立性肺结节良恶性快速分类分析 [J], 谭双秀
4.模糊C均值聚类算法在肺部CT图像感兴趣区域特征提取中的临床应用研究 [J], 古新展;陈文天;战跃福
5.64排螺旋CT图像后处理技术在胸部模体病灶鉴别中的价值分析 [J], 杨德武; 隋岩
因版权原因，仅展示原文概要，查看原文内容请购买。