【正文】 如果你的周圍充滿了對(duì)你的成功感興趣而又希望你成功的人，你在工作中就會(huì)充滿與別人合作的熱情。給人留下好的第一印象外表漂亮的人更受人歡迎，更容易獲得他人的青睞，這就是“光環(huán)效應(yīng)”的作用。相反他們總是把所有的“失敗”都看作“尚未成功”在遭遇一次次失敗的時(shí)候，他們會(huì)始終以一種積極的心態(tài)來面對(duì)。他們相信凡事都會(huì)有方法解決，而且是總有更好的方法。和成功人士在一起，有助于我們?cè)谏磉呅纬梢粋€(gè)“成功”的氛圍，在這個(gè)氛圍中我們可以向身邊的成功的人士學(xué)習(xí)正確的思維方法，感受他們的熱情，了解并掌握他們處理問題的方法。當(dāng)然，同許多其他重要的事情一樣，執(zhí)行計(jì)劃并不是一件簡(jiǎn)單容易的事。善于集思廣益、博采眾議一件事物往往存在著多個(gè)方面，要想全面、客觀地了解一個(gè)事物，必須兼聽各方面的意見，只有集思廣益，博采眾長(zhǎng)，才能了解一件事情的本來面目，才能采取最佳的處理方法。結(jié)果發(fā)現(xiàn)，大家認(rèn)同的杰出人物，其核心能力并不是他的專業(yè)優(yōu)勢(shì)，相反，出色的人際策略卻是他們成功的關(guān)鍵歷練說話技巧有人說：“眼睛可以容納一個(gè)美麗的世界，而嘴巴則能描繪一個(gè)精彩的世界。高效地搜集并消化信息當(dāng)今世界是一個(gè)以大量資訊作為基礎(chǔ)來開展工作的社會(huì)。注重準(zhǔn)備工作一個(gè)善于做準(zhǔn)備的人，是距離成功最近的人。掌握工作與生活的平衡真正的高效能人士都不是工作狂，他們善于掌握工作與生活平衡。在紛繁復(fù)雜的現(xiàn)代社會(huì)，只有保持內(nèi)心平靜的人，才能保證身體健康和高效能的工作。好的習(xí)慣是你的朋友，他會(huì)幫助你成功。善于傾聽，是一個(gè)高效能人士的一項(xiàng)最基本的素質(zhì)。有效溝通人與人之間的交往需要溝通,在公司,一個(gè)高效能人士絕不會(huì)是一個(gè)性格孤僻的人,相反他應(yīng)當(dāng)是一個(gè)能設(shè)身處地為別人著想充分理解對(duì)方能夠與他人進(jìn)行桌有成效的溝通的人。不斷學(xué)習(xí)一個(gè)人,如果每天都能提高1%,很多時(shí)候,它們之間的區(qū)別就在于你是否每天都在提高你自己。善于休息休息可以使一個(gè)人的大腦恢復(fù)活力,提高一個(gè)人的工作效能。習(xí)慣1換位思考在人際的相處和溝通里，“換位思考”扮演著相當(dāng)重要的角色。如果沒有了對(duì)手，缺陷也不會(huì)自動(dòng)消失。凡事在事業(yè)上有所成就的人，幾乎都是能有效地利用零碎時(shí)間的人。運(yùn)用20/80法則二八法則向人們揭示了這樣一個(gè)真理，即投入與產(chǎn)出、努力與收獲、原因和結(jié)果之間，普遍存在著不平衡關(guān)系。要事第一創(chuàng)設(shè)遍及全美的事務(wù)公司的亨瑞?！卑褑栴}想透徹把問題想透徹，是一種很好的思維品質(zhì)。相反，如果他抓住了主要矛盾，解決問題就變得容易多了。：“一次做好一件事的人比同時(shí)涉獵多個(gè)領(lǐng)域的人要好得多。特別真摯的感謝我的父母，他們的養(yǎng)育和教導(dǎo)之恩是我立身行事的根本。鄭慶慶導(dǎo)師是位學(xué)識(shí)淵博、親切和藹的一名教師，在她這里我們不僅掌握了此次論文的相關(guān)技能和知識(shí)，而且從她身上學(xué)到了很多做人的道理。參考文獻(xiàn)[1] Gonzalez R C，Richard E W．Digital image processing．2nd ed．Beijing：Publishing House of Electronics Industry，2003，460521 ．[2] 章毓晉．圖象分割．北京科學(xué)出版社，2001．[3] 邊肇祺，張學(xué)工等．模式識(shí)別(第二版)．北京：清華大學(xué)出版社，2000．[4] K．Karu，A．K．Jain，R．M．Bolle．Is there any texture in the images．PatternRecognition，1996，29(9)：1437—1446[5] Fabien S，Wojciech P．Parameter estimation in hidden fuzzy Markov random fields and image segmentation． Graphical Models and Image Processing， 1997，59(4)：205220 [6] Zhang Y Y，Stephen S，Michael B．Segmentation of brain MR images using Markov random field．In：Proceedings of Medical Image Understanding and Analysis，1999，6568 [7] 葉俊勇，汪同慶，彭健等．基于小波分形的圖像分割算法．計(jì)算機(jī)科學(xué)，2002，29(12)：157159，149 [8] Sang H P，Dong Y，Sang U L．Color image segmentation based on 3D clustering: morphological approach．Pattern Recognition，1998，31(8)：10611076 [9] Philippe S ． Segmentation of digitized dermatoscopic images by twodimensional color clustering．IEEE Transaction On Medical Imaging，1999，18(2)：164171[10] Enno L，Helge R．Adaptive color segmentationa parison of neural and statistical methods．IEEE Transaction On Neural Networks，1997，8(1)：175185 [11] Kurugollu F，Sankur B，Harmanci A E．Color image segmentation using histogram multithresholding and fusion．Image and Vision Computing，2001，19(13)：915928 [12] Wong F ， Nagarajan R ， Yaacob S ． Fuzzy image segmentation via thresholding．Journal of the Institution of Engineer (india) Electronics and Telemunication Engineering Division，2006，86：6872 [13] Mao K Z， Peng Z， Tan P H． Supervised learningbased cell image segmentation for immunohistochemistry．IEEE Transactions on Biomedical Engineering，2006， 53(6)：11531163 [14] Blinn J F．What is a pixel．IEEE Computer Graphics amp。 明確了圖像預(yù)分割處理在圖像與視頻提取技術(shù)中起到的制約作用。但在現(xiàn)有的圖像與視頻分割系統(tǒng)中，往往不能滿足這樣的需求。多個(gè)有代表性的實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出算法的有效性。圖像運(yùn)行時(shí)間(s) 結(jié)論提出了一種基于區(qū)域合并的交互式圖像分割算法MSRM，它用Mean Shift算法對(duì)圖像作初步分割，分割結(jié)果的區(qū)域作為算法處理的基本單位。、6倍。當(dāng)然，近年來，隨著有關(guān)Mean Shift圖像分割算法的研究仍不斷，將會(huì)降低提出算法對(duì)Mean Shift分割的依賴性。．得到了相同的結(jié)果。因此，用戶輸入的標(biāo)記一定程度上會(huì)影響分割結(jié)果。該算法方法可容易推廣到多目標(biāo)提取。 實(shí)驗(yàn)結(jié)果MSRM算法本質(zhì)上是一個(gè)自適應(yīng)區(qū)域合并方法。標(biāo)記模塊的功能是：根據(jù)用戶鼠標(biāo)動(dòng)作所完成的輸入，在初始分割后的圖像上做好相關(guān)的標(biāo)記。4 系統(tǒng)設(shè)計(jì)及實(shí)驗(yàn)結(jié)果 引言MATLAB是矩陣實(shí)驗(yàn)室（Matrix Laboratory）的簡(jiǎn)稱，是美國(guó)MathWorks公司出品的商業(yè)數(shù)學(xué)軟件，用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計(jì)算的高級(jí)技術(shù)計(jì)算語(yǔ)言和交互式環(huán)境，主要包括MATLAB和Simulink兩大部分。然后詳細(xì)描述基于最大相似度的區(qū)域合并算法，MSRM分為兩個(gè)迭代地執(zhí)行的階段，直到?jīng)]有新的區(qū)域合并發(fā)生。一旦N停止減少，整個(gè)算法將停止，N中所有剩下的區(qū)域?qū)⒈粯?biāo)記為。如果P和另一個(gè)未標(biāo)記區(qū)域P’( P’∈N)有最大相似度，那么P與P’將在第二階段合并．即P= P’ P。我們有以下定理。否則返回到（21）。（23）計(jì)算。自適應(yīng)地合并未標(biāo)記區(qū)域。（14）更新和N。 （11）對(duì)于每個(gè)區(qū)域，構(gòu)成其鄰域集合。輸出：最后的分割圖。接著，重復(fù)地執(zhí)行第一階段和第二階段，直到?jīng)]有新的合并發(fā)生。計(jì)算和中每一個(gè)區(qū)域的相似度。為了完成目標(biāo)提取，第二階段將以第一階段剩下的未標(biāo)記區(qū)域N為處理對(duì)象，其中包含部分目標(biāo)特征，同時(shí)也包含部分背景特征。經(jīng)過第一階段，部分屬于背景的區(qū)域互相合并。如果和，滿足下式：那么和，合并成一個(gè)區(qū)域，新的區(qū)域?qū)⒑虰有相同的標(biāo)記，即：否則，和將不臺(tái)并。一旦合并完所有的背景區(qū)域，等價(jià)于提取了目標(biāo)。所以通常情況下，非標(biāo)記的目標(biāo)區(qū)域不會(huì)與背景區(qū)域相合并。雖然最值運(yùn)算操作對(duì)異常值敏感 ，但我們經(jīng)驗(yàn)發(fā)現(xiàn)算法工作良好。如果和的相似性為中最大的，我們就將和合并。這個(gè)懶惰的方法提出了對(duì)齊摳出方法[25] ，它結(jié)合了基于分水嶺初始分割的圖形切割，這實(shí)際上是一個(gè)采用最大流算法的區(qū)域合并方法。此外，也很難判斷何時(shí)該停止區(qū)域合并進(jìn)程。 基于最大相似度的區(qū)域合并機(jī)制經(jīng)過目標(biāo)/背景的標(biāo)記后，準(zhǔn)確地從背景中提的目標(biāo)輪廓仍然是一個(gè)具有挑戰(zhàn)性的問題，因?yàn)橛脩糁恢甘玖艘恍〔糠帜繕?biāo)/背景的特征。 （c）區(qū)域分割的結(jié)果。實(shí)際上，用戶的必要輸入越少，交互式算法就越方便越強(qiáng)大。含有目標(biāo)標(biāo)記像素的區(qū)域因此被稱為目標(biāo)標(biāo)記區(qū)域，而含有背景標(biāo)記像素的區(qū)域被稱為背景標(biāo)記區(qū)域。為了度量區(qū)域之間的相似性．選擇Bhatlacha系數(shù)測(cè)量區(qū)域R和Q的相似度： 式中，和分別表示區(qū)域R和Q的直方圖。其中(a)為原始圖像，(b)為EDISON System分割后得到的包含很多小區(qū)域的結(jié)果。本章的研究對(duì)象是彩色(自然)圖像的分割問題。如經(jīng)典的ACM方法，實(shí)際上也是一種半自動(dòng)圖像分割算法，適當(dāng)?shù)剡x擇初始曲線，是得到好的分割結(jié)果的必要條件；基于標(biāo)記驅(qū)動(dòng)的Watershed圖像分割方法[22]，它結(jié)合用戶的輸入信息，提高分割結(jié)果；在Graph Cut方法中，用戶的交互式信息也是影響算法的分割結(jié)果至關(guān)重要的因素。另一方面，也可以采用有效的預(yù)處理，去除噪音，使圖像適宜于Watershed或Mean Shift算法分割。而且，MSRM算法的另一個(gè)重要特性就是易于并行實(shí)現(xiàn)，這一特點(diǎn)也是非常復(fù)合現(xiàn)今對(duì)圖像分割技術(shù)的實(shí)時(shí)性、高效性要求的。盡管采用 LoG，Wavelets 等多尺度方法對(duì)其進(jìn)行改進(jìn)，降低對(duì)噪聲的敏感程度，但卻導(dǎo)致系統(tǒng)的計(jì)算復(fù)雜度大大增加。利用膨脹、腐蝕、開啟和閉合四個(gè)基本運(yùn)算進(jìn)行推導(dǎo)和組合，可以產(chǎn)生各種形態(tài)學(xué)實(shí)用算法，其中結(jié)構(gòu)元素的選取很重要。那么，模糊均值聚類就可以通過最小化關(guān)于隸屬度矩陣和聚類中心集合的目標(biāo)函數(shù)并繁復(fù)迭代來實(shí)現(xiàn)。在基于特征空間聚類的算法中，K均值聚類[17]、模糊C均值聚類(FC