多重个性特征

2024-11-07

多重个性特征（精选7篇）

多重个性特征篇1

小说《了不起的盖茨比》 (The Great Gatsby) 是被称为“爵士时代”的代言人的美国著名作家菲茨杰拉德的代表作, 这篇带有菲茨杰拉德自传体的作品, 情节简单, 然而结构严谨、思想深邃。这部小说以独特的艺术技巧生动地再现了美国当时的时代风貌, 深刻反映了“美国梦”这一美国文学的传统主题。对人物的生动刻画, 尤其对女主人公黛西的性格淋漓尽致的描述是其独特的艺术技巧之一, 也许是使《了不起的盖茨比》成为一部不朽的文学名著的一个重要原因。20世纪末美国学术权威选出了100部最优秀的英语小说, 《了不起的盖茨比》高居第2位。著名文学评论家T.S.艾略特也称之为“自从亨利·詹姆斯以来美国小说迈出的第一步”。本文就《了不起的盖茨比》中女主人公黛西的多重个性特征进行探析。

一、外表上, 黛西美丽动人、举止优雅, 但浅薄、粗心大意、非道德。

尼克在第一章里介绍, 在一战期间, 黛西是一个来自肯塔基州路易斯维尔的漂亮姑娘。从外表上看黛西美丽迷人;她的声音抑扬动听, 她的声音里有一种激动人心的特质, 有一种抑扬动听的魅力, 那是为她倾倒过的男人都觉得难以忘怀的;她的脸庞忧郁而美丽, 有两只明媚的眼睛, 有一张明媚而热情的嘴。“Her face was sad and lovelywith bright things in it, bright eyes and a bright passionatemouth...”[1]在第四章里乔丹·贝克也对尼克叙述黛西的外表:她刚刚十八岁, 比我大两岁, 是路易斯维尔所有小姐中最出风头的一个。她穿的是白衣服, 开的是一辆白色小跑车, 她家电话一天到晚响个不停, 泰勒营那些兴奋的青年军官一个个都要求那天晚上独占她的全部时间。她总是穿白色沙裙, 显得干净神秘。“...She dress in white, and had a little roadster...”[2]

但是, 另一方面, 黛西, 浅薄、粗心大意、非道德。小说第七章, 尼克叙述了这样一个情景:尼克、汤姆和乔丹在灰谷的边缘处看到有一个人被汽车撞死了, 有个希腊男人告诉他们说:死者叫梅特尔, 一辆从纽约开来的小汽车撞上了她, 停了一下, 然后就很快地开走了。尼克意识到梅特尔肯定是被盖茨比和黛西开的车撞的, 他猜想, 开车的是盖茨比。回到汤姆家后, 尼克看到盖茨比藏在灌木丛中。盖茨比说, 他一直等在那里以便确保黛西不受汤姆的伤害。还告诉尼克, 撞上梅特尔的时候, 是黛西开的车, 不过他自己要承担这个责任, 因为他仍然担心着黛西。由此可见在黛西开车撞死梅特尔后, 盖茨比仍然表现出了他对她的不容置疑的爱, 要为她担当一切, 可屋里的黛西却在和汤姆一边吃着凉炸鸡一边策划着一场阴谋, 最后黛西接受了丈夫汤姆的劝告, 听任汤姆将车祸的责任转栽到盖茨比的头上。“Daisy and Tom were sitting opposite each other at the kitchen table...with a plate of cold fried chicken between them...she looked up at him and nodded in agreement.”[3]

二、对待婚姻态度上, 黛西玩世不恭、不付责任、移情别恋。

黛西原本是一个追求美好爱情的纯洁少女。在一战期间, 黛西是肯塔基州北部城市路易斯维尔的一个漂亮姑娘, 当时镇上的军官都喜欢她, 盖茨比是其中之一。盖茨比使黛西相信他是最适合她的, 并最终赢得了黛西的爱。黛西在盖茨比出发参战时答应等他, 却在1919年嫁给了汤姆。当时战争已经结束, 盖茨比正在牛津大学学习。黛西是爱盖茨比的, 我们从以下两个情景叙述中可以感受到, 小说第四章里乔丹对尼克的叙述: (1) 她不顾母亲的反对要去送即将出国的盖茨比, 被母亲有效阻止后她有好几个星期不跟家里人说话;[4] (2) 在她与汤结婚的前夕, 她哭了、醉了, 她一手捏着盖茨比的信, 一手在拿到床上的字纸篓里乱摸了一会, 掏出了汤姆送给她的那串结婚珍珠, 叫告诉大家, 她改变主意了。“...Take’em down-stairs and give’em back to whoever they belong to Tell’em all Daisy’s change...Daisy’s change’her mind!”[5]这是她当时心境的写照, 表现出她对盖茨比的眷恋之情。可是最终黛西还是抛开内心的真实感受, 摆出姿态, 走进自己精心设计的虚幻生活。“她从屋子里走出来时, 项链好好地戴在了她的脖颈上, 风波过去了。第二天早晨五点钟她毫不犹豫地嫁给了汤姆”。[6]

小说第一章里, 尼克介绍了汤姆:他嘴边略带狠相, 举止高傲, 两只炯炯有神的傲慢的眼睛已经在他脸上占了支配地位, 给人一种永远盛气凌人的印象;除了擅长其他各种运动之外, 他曾经是纽黑文有史以来最伟大的橄榄球运动员之一, 也可说是个全国闻名的人物, 他家里非常有钱———还在大学时他那样任意花钱已经遭人非议。[7]这表明黛西和汤姆的婚姻是建立在金钱之上的婚姻, 黛西的移情别恋是她爱金钱、爱安逸、爱奢华的拜金主义个性的鲜明体现。

三、现实生活中, 黛西生活百无聊赖, 内心痛苦, 冷漠, 婚姻不幸福。

黛西的现实生活是空虚无聊的。当尼克第一次去黛西家时, 他见到的黛西是那么的慵懒, 生活除了为了打发时日的饮宴玩乐和无尽的饶舌之外, 没有其他的事情可做, 漫无目的是她的人生的真实面目。黛西自己也曾抱怨:“今天下午我们干些什么呢?”“还有明天, 还有今后30年呢?”他们总是“百无聊赖”, “东飘西荡”。尼克叙述黛西和她的丈夫汤姆“……在法国待了一年, 后来又不安定地‘东飘西荡’……就这样略有点怅惘地永远“飘荡”下去。”“...They had spent a year in France...then drifted here and there unrestfully wherever...”[8]

黛西对尼克说到了她的婚礼, 她举了一个小例子, 说明她的婚姻的不幸。黛西对尼克说到了她生小孩的情景, 她说反正一切都糟透了, 孩子出世还不到一个钟头, 汤姆就天晓得跑到哪里去了。当得知是个女孩时, 黛西哭了, 说很高兴是个女孩。而且希望她将来是个傻瓜, 当一个美丽的小傻瓜。“I’m glad it’s a girl.And I hope she’ll be a fool———that’s the best thing a girl can be in this world, a beautiful little fool.”[9]一个刚刚生过孩子的女人, 丈夫却不在身边, 说不定在哪个女人身边, 心里是多么失落啊。做一个“美丽的小傻瓜”是黛西的座佑铭。由此, 透过黛西轻浮的外表, 可以看到一个满是伤痕的内心世界。黛西的冷漠不仅体现在别人身上, 即使对自己的亲身骨肉, 她也表现出漠不关心。当尼可和黛西无意中谈到孩子时, 不像别的母亲说到孩子时的高兴, 她表现出的是漠然, 就好像她的女儿不是个真实的生命。她对家庭、婚姻甚至自己的亲生骨肉的自私、冷漠可窥见一斑。

司哥特·菲茨杰拉德 (F.S.Fitzgerald) 被称为美国“爵士时代”的歌手, 《了不起的盖茨比》发表于1925年, 这部小说一发表就引起了很大的轰动, 被喻为“美国小说史上的一部杰作”。小说以凝炼的艺术形式刻画了20世纪20年代“爵士时代”的社会风貌, 以及代表阶级的代表人物的特点和他们的矛盾冲突。小说也通过对女主人公黛西的塑造, 揭露了金钱至上的资本主义的社会本质, 女性表面的美丽掩饰不了她们扭曲的内心。黛西的形象, 一方面, 在很大程度上基于小说的作者菲茨杰拉德自身特殊的人生经历, 即他的妻子泽尔妲。菲茨杰拉德在1917年入伍, 驻防在亚拉巴马州蒙哥马利的谢里登兵营, 在那里他结识并爱上了一位名叫泽尔妲的年轻任性的女孩, 泽尔妲后来同意嫁给她, 但是她对财富、享乐与安逸的强烈欲望使他们的婚礼一直推迟到他能够证明自己是个成功者时才举行。随着小说《这一半天堂》于1920年出版, 菲茨杰拉德成了文学界的轰动人物, 赚到了足以说服泽尔妲嫁给他的金钱和名誉。另一方面, 黛西是体现当时社会资产阶级女性人生观、价值观的人物。《了不起的盖茨比》的故事发生在20世纪20年代, 也就是被菲茨杰拉德称为的“爵士时代”, 这时美国资本主义经济稳定, 而人们的价值观念发生着剧烈变化。放荡的行为成为时尚, 享乐主义成为人们追求的生活目标, 不择手段地追求物质, 传统的道德信念瓦解了, 带来的是精神颓丧和道德沦丧。生活在这样时代背景下的黛西原本是个清纯的女孩子, 使她颓丧、堕落的或许是当时物欲横流的社会风气。

参考文献

[1]Mieke Bal.Narratology:Introduction to the Theory ofNarrative.Toronto:University of Toronto Press, 1985.

[2]Callahan, J.F.“F.S.Fitzgerald’s Evolving AmericanDream.”Twentieth Century Literature, Hofstra University, 1996.

[3]Langman, F.H.Style and Shape in The Great Gatsby.Southern Review, 1973.6.

[4]Long, Robert Emmet.The Achieving of the GreatGatsby.Lewisburg:Bucknell UP, 1979.

[5]Seed, David.TheGreatGatsby—TheReviewofStud-ies, Oxford University Press, 1996.

[6]Brian Phillips著.张滨江译.哈佛蓝星双语名著导读:了不起的盖茨比.天津科技翻译出版公司, 2003.

生态文明的多维特征与多重视觉篇2

这些不同的宇宙次元之间的关系是“其上如其下, 其下如其上”。意思就是说所有的地维度宇宙都是从中心宇宙投影出来的, 中心宇宙是一个模版, 所有的次元宇宙都是从这个模版中创造出来的, 下层宇宙是对上层宇宙的降频版本, 而上层宇宙是对下层宇宙的升级版本。宇宙整体是这样一个存在方式, 那么我们这些小宇宙和自然万物同样具备这样的多维特征。既然如此, 要想全面把握一个物质或事物, 也必须从多维角度进行全面观察, 而不能只关注其中一个维度。

根据我多年的观察发现:若要准确地把握一个事物或物质的全面属性, 需要从自然属性、生命周期、时空矩阵、多重次元、存在意图这五个维度来开展研究。单独的物质如此, 一个世界或文明演进这样的时空事物也是如此。

这里只从自然属性这一个维度来谈谈生态文明。

我认为解读生态文明应该拥有以下三个视角:

一、从人类整体利益的视角来看生态文明建设。尽管世界上存在不同的国家、不同的民族、不同的信仰体系和意识形态, 但人类整体都共同拥有着对文明世界的美好期待, 所以建设生态文明需要以人类整体利益为讨论平台。

二、从文明周期跨越节点的视角来看生态文明建设。本人认为本次文明转型是从资源占有型文明模式向资源共享型文明模式的跨越。因此我们需要超越资源占有文明周期的意识形态, 但我们又不能用高度文明形态模版来对当前文明拨苗助长, 而是要准确把握文明周期跨越阶段的文化属性和社会特征。

多重个性特征篇3

随着信息技术的发展以及数字设备的普及,图像和视频等视觉信息作为主要信息载体,其数据规模呈现几何级增长,使得数据的存储、传输、分析、应用遇到巨大困难。因此,如何减少错误或者冗余数据,实现低数据处理量和高分析准确性成为海量视觉信息处理中的重要问题。对于图像而言,以视觉注意机制为代表的显著性检测技术[1]成为提高图像分析处理的效率和精度、降低计算复杂度的重要途径。作为大规模数据选取、分析和处理的重要途径,图像显著性检测技术有着广泛的应用,例如图像分割[2,3]、图像自动裁剪与适配显示[4,5]、目标检测[1]、物体识别[6]、图像检索[7]、图像与视频压缩[8]等。

显著性图获取的基本步骤为:特征提取、特征显著性计算和特征显著性图合成。文献[1]提出了被广泛应用的图像显著性计算的基本模型,成为许多图像显著性检测研究的基础。另外还存在一些其他模型。基于视觉关注机制的图像显著性检测方法有两类,分别是自下向上和自上向下的方法[9]。前一种方法是纯数据驱动和独立于任务的,是对图像显著性自动区域检测的感知处理。后一种方法是先验知识引发的认知处理,例如要执行的任务、目标对象的特征分布、可视场景的上下文等[10]。自下而上的基于底层特征的显著性检测方法一般基于Koch和Ullman提出的框架[11],在这类工作中,需要处理诸如颜色、位置、边缘以及运动等底层特征,Itti等[1]的研究是该模型的一个典型应用。另外还有一些代表性的研究,如文献[12]。这些方法主要关注了局部特征,没有全局性地寻找视觉关注区域[13]。Jiao等[14]的研究考虑了全局特征,并以简单的方式使用了多尺度特征提取,但该计算模型获得的显著性区域缺少明显边缘,且容易忽略掉较小的显著性区域。基于计算域的不同,图像显著性检测算法还可以分为空域法[1]和频域法[15,16]两类。空域法一般存在参数选择敏感、计算复杂度高的问题。为了增强实时性的频率法应运而生,如文献[16]采用一幅图像Fourier变换后的幅度和相位谱来决定显著性。这类方法只关注Fourier变换域内的某些频率,结果中得到的显著性图更好地保护了图像的高级结构,而不是整个区域[1]。由于分块与多尺度显著性图的分辨率不同,会出现不期望的模糊[17]。

到目前为止,由于制约因素过于复杂,所以自上向下类的方法的研究不是很多。虽然图像的显著性检测得到了广泛研究,但其应用还不能令人满意,主要体现在显著性图自身质量不佳、计算复杂度高、应用方式不成熟等,因此需要设计更好的方法。本文的主要工作是通过图像的像素点聚类之后,结合显著性先验理论,通过分析类之间和类内部的颜色特征、空间距离特征和图像纹理特征的对比度和差异性得到不同的特征图,再通过特征图融合获得最终的显著图。

本文首先是设计一种新的聚类方法,为显著性检测方法的设计提供良好的前提条件;第二是利用算法充分分析图像的多重特征并做适当处理,使其应用具有强鲁棒性;第三是体现了自上向下和自下向上两种方法的融合。

1 算法设计

本文算法首先对图像的像素聚类;然后分别根据不同特征信息以一定的方式计算色差之和SCD特征图、局部差之和SLD特征图、颜色方差CV特征图、区域大小RS特征图、每个像素到图像中心位置距离的均值MDI特征图、每个像素到其所属类的中心位置的距离均值MDC特征图、每个像素到其所属类的中心位置的距离方差VDC特征图、中频能量EMF特征图;最后将8种特征图融合并得出最终显著图。聚类及特征图等都是依据一定的原理并基于多重特征计算得出的。

1.1 算法主要依据的原理

(1)对比度原理:对比度是引起视觉关注的最大因素[19],使用方式可以分为局部对比和全局对比。从效果和计算量角度出发,对比度的使用是算法的关键。

(2)Gestalt原理[18]:图中一般关注的区域由一个或者几个中心组成,而其他区域关注度较小。通常人眼捕获到一个物体或者一个区域,并对这个区域进行搜索。这样的搜索结果是场景中显著性最高的目标区域。

(3)高频抑制原理:视觉系统对于频繁出现事件不敏感,而最先发现小范围的不寻常部分。使用频域信息时可以滤掉无用的高频,重点计算图像中的中低频信息。

(4)关键区域聚焦原理:当存在多个显著区域时,某一区域的某一对象最容易被关注。此对象叫做关键对象,其所在区域叫做关键区域,包含图像中的重要信息。

(5)中心圆周原理:此原理可以检测出中心区域和局部周围区域中相对比较突出的位置和信息[20],能够很好地应用到视觉显著性检测中。

1.2 图像特征选取

颜色、空间距离等是图像的底层特征,自下向上的方法主要是基于这些特征。边界信息、频域信息和显著性先验知识等则属于中层特征,中层特征结合底层特征预测显著目标的可能位置能够提高显著性检测模型的鲁棒性。本文基于多重特征的显著性检测方法主要是依据图像的底层特征并结合频域信息以及被验证的显著性理论建立显著性计算模型。其中,关于频域信息的使用,有以下几点:

(1)考虑原图的低频信号以点亮整个显著性区域;

(2)低频信号使用要有助于得到一致性的显著图;

(3)为了获取很好的边界,需要考虑高频信号;

(4)由于高频信号往往会带来图像的纹理、噪声和块效应,所以超高频信息需要被忽略。

2 算法的实现

2.1 图像聚类

聚类选用k-means方法,但与传统的随机选取种子的方式不同,本文使用正六边形排列的方式,最大程度上克服结果的不确定性以此实现强鲁棒性。另外,种子数量太少会使得图像聚类效果出现很大误差,太多则计算量激增且效果没有显著提高,此处种子数选为20。

本文将同时使用颜色和空间距离特征做显著性聚类,一个像素点的值是一个{l,a,b,x,y}向量。其中l、a、b表示CIE Lab颜色空间中的三个分量,x、y表示的是像素点的坐标。图像的左上角为坐标原点,对每个像素点求得种子的距离是:

其中pi表示第i个像素点,δ是一个可以自由设定取值的距离因子,其大小和图像的横坐标像素点的个数n有关。由式(1)可以看出,δ的值越大,空间距离在聚类中作用越大,像素更容易被匹配到相近的类中,而不是被划分到颜色更相近的类中,本文的取值是10/n。聚类之后将得到向量{c1,c2,…,ck},其中k表示类数。图1(b)展示的是2个例图的聚类结果。

图1 聚类示例

2.2 计算特征图

根据选取的图像特征计算所有特征图,并以上面两个例图展示各个特征图的效果。

(1)SCD特征图

根据颜色全局对比计算每一个类的显著值:

其中ci为聚类后的颜色特征向量,最后将该值赋给聚类之后的编号相同的像素点得到SCD特征图。

(2)SLD特征图

根据空间距离全局对比,计算每个聚类的中心坐标与其他聚类的距离总和:

其中p代表了每一个聚类之后的中心坐标。

(3)RS特征图

RS表征图像中某类在整个图像中所占的比例。基于聚类结果,使用局部对比方法根据颜色均值的差异进行优化处理,如果差值较小便认为是连通的,使背景区域有效融合。最后对像素点个数所占比例归一化处理。

(4)CV特征图

使用全局方法计算颜色方差得到CV特征图:

其中CVk表示类k的方差值,Ci是原图像素的颜色分量。CMk是类k的颜色欧式距离的均值:

(5)MDI特征图

利用空间信息计算一个类中所有像素到图像中心位置距离的均值:

其中Ic是图像的中心点位置,pi是某类中像素的坐标。

(6)MDC特征图

同样利用空间信息,MDC的计算如下:

其中pi是像素点i的坐标,pk是类k的中心坐标。

(7)VDC特征图

利用MDC的结果,计算VDC特征图:

(8)EMF特征图

图像中的大部分高频信号是背景信号,高频信息一般都不是目标显著区域,所以忽略高频信息和低频信息。计算中频信息,得到EMF特征图:

图2表示的是两个例图相应的8种特征图。

图2 两个例图的8种特征图

2.3 计算显著性图

将所有特征值归一化到[0,1]区间,最后通过将8个特征值叠加得到初始显著图:

其中,,即取反。最后进行融合之后将得到初始显著性图。经过规范化操作使得值的区间在[0,255]内。接下来对初始显著性图进行二值处理,设定阈值为128,得到最终的显著性图。图3展示了上面两个例图的初始显著性图和最终显著性图。

图3 显著性图示例

3 实验与分析

选用具有代表性的Achanta提供的1000幅图像库来检验本文的方法。从主观和客观两方面对于算法性能进行评估。主观上指用户的视觉体验效果,一般采用可视化对比的方式。而客观标准则采用一定指标衡量。

3.1 主观评估

选用IT[1]、MZ[21]、RC[19]、HS[22]、SF[17]和MR[23]方法对比。IT方法提出较早,是许多显著性检测方法研究的基础,该方法基于特征集成理论和Center-surround原理设计,将在多种图特征和多种尺度下得到的显著性度量结果合成一幅显著性图。MZ方法使用模糊生长,使用了显著点、显著区域和显著视图三种层次描述显著性,基于局部或全局对比度的方法得到每个像素的显著性,从而得到显著性图。RC方法基于分割,首先将图像快速分成小块,然后以块为单元计算全局对比度,在计算显著性性时同时考虑颜色对比度、空间距离和块的大小。HS方法基于贝叶斯框架,利用颜色特征,通过超像素和显著性先验理论计算图像的中级特征以得到显著性。SF方法提出了显著性滤波,首先简化图像分布使同质区域成为独立区域,然后计算这些区域在全局中所占比例和空间分布,最后建立模型综合区域的比例信息和空间分布信息来得到全局的显著性表示。MR方法提出流行排序,专注于将背景与显著对象分割开,然后通过图多位排序计算超像素与背景、前景的相似性,最后基于这些相似性得到超像素的显著性。图4表明:本文算法能点亮整个目标区域而且很好地保留区域的边界;IT方法不是全分辨率的,且只能点亮一些点;MZ方法只能得到目标的边缘,不能够点亮整体目标区域;RC和SF方法能够得到完整的目标区域,但出现了块效应;MR方法将图像表示成闭环图,超像素作为节点,虽然该方法与本文方法接近且比较符合基准要求,但在显著性区域内部出现了部分区域间的较大区分度。通过对比,可以看出本文方法效果最好。

图4本文方法与典型方法的主观可视化对比

3.2 客观评估

客观标准采用PR曲线和F-measure进行评估。以图像库的图像均值为参数,精度P(Precision)为纵轴,召回率R(Recall)为横轴绘制PR曲线。F-measure是关于精度和召回率的一个调和平均数,通过一个实数参数α指定精度和召回率的相对重要性。

图5为PR曲线,由于MZ方法主观效果不佳,所以在此忽略。可以看出,IT、RC及SF方法明显比本文所提方法差。在召回率小于0.6时本文方法的精度高于所有方法,在0.6~0.8之间时本文方法只略低于MR,当精度大于0.8时RC、SF、MR、HS和本文算法都趋向一致。因此,本文方法达到预期的效果,能够得到较好的PR曲线。由于本文方法中多特征叠加使得一些目标像素点被隐藏,使其在高召回率的情况下精度比MR模型的精度低。

图5 PR曲线

F-measure可以公式化为:

在实验中取α=0.3,图6表示的是F-measure曲线图。

图6 F-measure图

由于MZ在主观评价中效果不佳,所以在此也被忽略。图6表明,本文方法的阈值是128,所以阈值范围在110到150之间,该值和MR和HS值都接近0.9,表明具有很好的实验结果。

在主观评估方面,本文方法效果最好;在客观评估方面,本文方法与MR方法相当,优于其他方法。综合主观、客观整体评价,本文方法达到了预期效果。

4 结语

多重个性特征篇4

《花腔》的大致内容如下 :1943年, 传闻在二里岗战斗中牺牲的民族英雄葛任并没有死, 又出现在大荒山白陂镇。于是, 延安方面派出白圣韬 (医生, 葛任旧交) 、重庆军统派出赵耀庆 (我方打入军统的特工) 和范继槐 ( 军统特工高层) 前往大荒山, 而此刻日本人川井也出现在那里。在“营救”与“毁灭”的你来我往之中, 因常年肺结核困扰而病入膏肓的葛任此时已放下一切, 终于在一个夜晚离开人世。

这是一个非玄幻、非悬疑的故事, 一个用平常言语三三两两就能讲明白的故事。但是作者却一分为三, 把这个完整的故事打碎, 采取了模糊化的处理, 而故事的讲述则交给了处于支配地位的白圣韬、赵耀庆、范继槐, 分别冠以“有甚说甚”、“喜鹊唱枝头”、“ok, 彼此彼此”三个风马牛不相及的标题, 倒是主角人物葛任不发一言, 仅仅是在作者的客观叙述与他人的对话交流过程里, 这个人物才有了完整的面貌。

文本结构层面除了“一分为三”的故事框架处理外, 在每一部分的故事内部又可分为正文和副本两个部分, 分别以“@”和“&”来表示。“@”部分是由白圣韬医生、劳改犯肇庆耀 (赵耀庆) 、法学家范继槐先生三人的叙述组成, 由于受到政治立场、个人处境、时代发展等诸多因素的影响, 三人的诉说有诸多不协调之处, 这时便由“&”部分来去伪存真。

二、语言世界的狂欢

除了文本结构这样独特的宏观构架外, 精巧细密的语言艺术也是《花腔》引人入胜之处。首先, 方言土语的大量混杂, 以白圣韬、田汗为代表的陕西话、以杨凤良一拨重庆特工为代表的四川话、以肇庆耀为代表的河南话交相辉映, 既富有生活情趣又增添几分幽默 ;其次, 具有时代性的政治话语炫人眼目, “延安整风运动”、“文化大革命”、“改革开放”时期的语汇都有所体现, 尤其是第二部“喜鹊唱枝头”中, 劳改犯肇庆耀于1970年向调查组交代历史问题, 因急于立功表现, 铺天盖地高喊“向毛主席保证”、“除四害“、“忠字舞”、“赶美超英”、“忆苦思甜”等当时流行的文革口号, 消解了政治、历史的严肃感, 油腔滑调的“花腔”感十足 ;最后, 就是时新语汇的进入, 像“ok”、“Fuck”、“崔永元”、“白岩松”, 这些词语乍看起来与前面的部分不搭调, 但如果结合范继槐讲述时的身份和地位, 一切便合理了起来。当然, 李洱还使用了许多来源于民间的粗字俗语来表现人物的粗俗、野蛮性格, 这里就不在展开。

三、历史话语的消解与重构

对于读者而言, 阅读《花腔》存在着明显的不适感, 因为它不是一次性的酣畅淋漓的体验, 因而读者的视力、智力、记忆力都将面临前所未有的大挑战。这么一部“横逸斜出”的小说在评论界也引起了不小的轰动, 有评论家甚至以“前度先锋今又来”的醒目标题予以命名, 足见《花腔》有着重大的探索性意义。[1]

《花腔》之“花”使我想起了另一部奇特的作品——莫言的《酒国》, 它也是以“众声喧哗”和“多层次叙述结构”为故事展开方式 , 一旦使用多层叙述这种方式, 就结束了某种声音大一统的局面, 打破了作品的时间、空间界限, 使其变地开放起来。[2] 而在作品开放的情况下, 作品叙事时的真实感、严肃感产生了动摇, 读者自身的意识存在可能已经决定了对这部作品的理解。笔者认为小说《花腔》之所以能够体现这种深刻变化决定于其中重要的一环——“话语”, 这是严肃的政治话语消解之后, 民间的、个人的话语取代官方话语的过程, 是话语权旁落民众之后的结果。

《花腔》中就多次以戏谑的方式对奉若神明的历史事件进行颠覆, 如革命领导者田汗初到延安时, 竟通过变戏法的方式向群众解释共产主义, “于是乎, 吸一袋烟的工夫, 民众们就有了信仰”;王实味被打成托派是因为在艰苦的延安边区, 大家吃饭时他的筷子总捡肥肉, 于是激起了公愤等等。[3]这些故事虽是诙谐幽默的文学处理方式, 但在巨大的历史空间中, 谁能保证没有此类事件的发生 ? 也许严肃的历史事件背后其蕴藏的真相就是这些芝麻、绿豆大的琐屑小事。这种历史的另类书写正像鲁迅在《故事新编 . 序言》所言“不过没有将古人写得更死, 却也许暂时还有存在的余地的罢”。[4]

结语

一部好的文学作品往往有千万种读法, 每个人都能从中找到自己的兴味之处, 攫取到对自己有价值的信息。本文仅仅从有限的几个方面去剖析这部沉甸甸的作品, 显然是不够的, 但我想它还是有用的, 因为它基本上理清了这部小说的大致脉络, 为更好地进入《花腔》的内部世界指引了方向。当李洱抱着十年磨一剑的态度来创作这部《花腔》时, 我们能从中体味到的是其中的专注与用心。

摘要：李洱的《花腔》在文本结构层面一分为三, 每一部分又有正文、副本交织进行, 这种碎片式的处理收到了模糊感、离奇感的独特效果。而众多方言词、外来词、政治口号的掺杂使语言组合呈现繁华绚烂的姿态, 形成了语言世界的狂欢。另外, 多声部的叙事方式必然引起话语与史实之间的出入, 引发我们对历史书写的疑问。

关键词：文本结构,语言艺术,叙事特征

参考文献

[1]张学军.新世纪:前度先锋今又来[J].文艺争鸣.2007, 6

[2]周立民.叙述就是一切——谈莫言长篇小说中的叙述策略[J].当代作家评论.2006, 6

[3]李洱.花腔[M].人民文学出版社, 2004

多重个性特征篇5

人脸检测方面的进展基本是基于Viola and Jones[1,2]提出的级联分类器框架下取得的,利用这一框架,可得到快速且鲁棒的人脸检测器。Haar特征可有效地区分人脸和非人脸图像,但由于其特征数目巨大,使得训练过程较为缓慢。针对这一问题,文中提出了一种新的BitBP(Bit Binary Pattern)特征来描述图像局部区域内灰度像素的变化情况。BitBP特征构造简单,并可利用积分图快速计算得到,具有比MB-LBP特征、Haar矩形特征更强的信息描述能力。利用多重级联结构,基于BitBP特征的人脸检测器可达到比Haar特征更高的检测效率。

1 BitBP特征

在基于Adaboost算法的人脸检测器中,利用Haar矩形特征来描述人脸,相比利用像素来描述人脸具有以下优点:特征可包含有一定领域的信息,利用特征通常比利用像素计算速度快。LBP特征最初由Ojala[3]在1994年提出,主要用于描述纹理特征。基本的LBP特征通过比较一个模板内中心像素与其8邻域之间的关系,为8邻域像素标记“0”或“1”,沿顺时针方向形成一个二进制数,作为LBP特征值。文中提出一种对图像的局部信息分辨能力更强的BitBP特征,该特征类似于MB-LBP特征,也是对图像局部区域的像素灰度变化情况进行编码,利用输出的二进制编码作为特征值。在MB-LBP特征中,所有的矩形块均被分为9个子块,而在BitBP特征中,共有m×n(m×n≥4)个子块;MB-LBP特征中将中心子块、周边子块的平均像素值进行比对,BitBP特征中将子块的平均像素值与每个子块的像素之和进行对比。BitBP特征的输出定义为

$B i t B Ρ = \sum_{i = 0}^{Ν - 1} s (g_{i} - g_{m}) 2^{i}$ (1)

式中

gi为BitBP特征中的子块;N=m×n定义为BitBP的长度;gm为gi的像素和,且有

$g_{m} = \sum_{i = 0}^{Ν} g_{i}$ (3)

图1中是一个3×3 BitBP特征的例子,特征在图像x方向缩放尺度为3,在图像y方向缩放尺度为2,此时每个子块内含有6个像素,子块的像素平均值为232,借助积分图和阈值比对,可快速获得该特征的特征值为15。如图2所示,文中提出6种BitBP特征。相比Haar矩形特征,该特征分块更为精细、可包含更多的局部信息。不同于MB-LBP特征得到的256个特征值,BitBP可得到2N-1个特征值。当BitBP特征长度为9时,9 BitBP特征与MB-LBP特征具有相同的特征尺寸和数目,但9 BitBP特征的特征值有511个,几乎是MB-LBP特征值类别的2倍,由此9 BitBP特征值包含比MB-LBP特征更多的细节信息,因此也具有更强的信息描述能力。

2 分类器设计

由于BitBP特征的输出不再是连续实数,因此无法利用离散Adaboost[4]算法训练分类器。文中重新设计弱分类器并利用RealAdaboost算法训练得到新的人脸检测器。Wu等人利用RealAdaboost算法训练了基于Haar矩形特征的检测器,将Haar矩形特征分块,然后对应每块求对应的直方图数组,并利用样本的概率分布设计LUT弱分类器[5]。通过改变样本的权重值,改变其概率分布。对BitBP特征,由于特征值的分布范围为1～2N-1,使得特征值与RealAdaboost算法的分块相互对应。

给定训练样本S={(x1,y1),…,(xm,ym)},其中xi∈X为人脸样本,yi∈{-1,+1}为样本标记,训练弱分类器的数目T,训练过程如下:

(1)初始化样本权重值D1(i)=1/m。

(2)对t=1,…,T。

1)对弱分类器h,有

(a)在样本权重值Dt计算

$W_{l}^{j} = Ρ (x_{i} = j, y_{i} = l) = \sum_{i ∶ x_{i} = j \land y_{i} = l} D_{t} (i)$ (4)

其中,l=±1,j=1,…,2N-1,N为BitBP的长度。

(b)设定弱分类器在每个j的输出为

$\forall x = j, h (x) = \frac{1}{2} \ln (\frac{W_{+ 1}^{j} + ε}{W_{- 1}^{j} + ε})$ (5)

式中,ε为极小的正数。

(c)计算归一化因子

$Ζ = 2 \sum_{j} \sqrt{W_{+ 1}^{j} W_{- 1}^{j}}$ (6)

2)选择使Z最小的弱分类器ht

$h_{t} = \underset{h \in Η}{\arg \min} Ζ$ (7)

3)更新样本的权重值

Dt+1(i)=Dt(i)exp[-yiht(xi)] (8)

最终获得的强分类器为

H(x)=sign $[\sum_{t = 1}^{Τ} h_{t} (x) - b]$ (9)

其中,b为默认是0的阈值。定义强分类器的置信度为

Con $f_{Η} (x) = | \sum_{t} h_{t} (x) - b |$ (10)

定义fBitBP为BitBP特征的特征值,其范围为1～2N-1,S=2N-1为弱分类器的分块数目,当fBitBP(x)=j时弱分类器可定义为

$h (x) = \frac{1}{2} \ln (\frac{\bar{W}_{+ 1}^{j} + ε}{\bar{W}_{- 1}^{j} + ε})$ (11)

其中, $\bar{W}_{l}^{j} = Ρ (f_{B i t B Ρ} (x) = j, y = l), 1 = \pm 1, j = 1, \dots, S$ 。

定义特征公式

则对应BitBP特征的弱分类器可定义为

$h (x) = \frac{1}{2} \sum_{j}^{S} (\frac{W_{+ 1}^{j} + ε}{W_{- 1}^{j} + ε}) B_{S}^{j} (f_{B i t B Ρ} (x))$ (13)

3 多重级联

Jones提出的传统级联算法中,最终的强分类器由每层分类器串联构成,而每层分类器均由数个弱分类器构成。对样本进行识别时,只有通过前面一层分类器的检测才能进入后续处理阶段。最终输出为所有分类器均判决为正的样本。在级联分类器中,前端的弱分类器数目少,计算速度快,用少量的计算量即可排除大量的非人脸目标。通过级联分类器,可达到实时的人脸检测速度。然而,级联分类器的训练过程复杂,每层分类器需单独进行训练,最终组合成为强分类器。

结合BitBP特征提出一种新的多重级联方式,可有效简化级联分类器的训练过程,同时使得分类器的检测率和误检率取得较为理想的平衡。其结构如图3所示。与传统级联算法相同,最终的强分类器也是由数层分类器串联构成,所不同的是文中提出的多重级联结构将上一级的分类器作为下级的第一个弱分类器。强分类器中的每层分类器都是由单一的一种BitBP特征构成的。最终构成的强分类器共有6层,每层均对应着一种BitBP特征。当BitBP特征长度较短时,其分类能力相应较弱,但由于其特征值少、计算简单、速度快。因此文中将长度较短的BitBP特征分类器放置在级联分类器的前端,可用较少的计算量排除大量的非人脸目标。

由于Adaboost算法最终判定是基于弱分类器置信度和与阈值进行比较得到的,所以可将上级分类器的计算结果直接传递给下一级的分类器,无需重新计算。因此构成的强分类器若不分层即是单层多特征的强分类器,相当于将原来强分类器手动分层计算,多重级联分类器的中单层分类器便是如此级联构成的。分类器由单一的BitBP特征构成,前端弱分类器由数目较少、分类能力强的特征构成。其计算结果将会作为下一层分类器的输入。在训练过程中,仅需训练含有一定数目的强分类器即可,随后按顺序手动将分类器切割成为若干层,构成每层的强分类器。

4 实验

针对文中提出的BitBP局部特征,设计了两个实验来说明该特征的优势:(1)训练了3个正面人脸检测器,分别基于Haar矩形特征、MB-LBP[6]特征和BitBP特征;(2)利用CMU+MIT人脸样本库对提出的检测器进行评价。利用MIT人脸样本库作为训练样本,该样本包含2 706张人脸图片和4 381张非人脸图片。在试验中,选用2 000张人脸图片作为训练样本,其余作为测试样本。

为测试不同特征的性能和训练时间,对每个特征分别训练了具有5层400个特征的分类器。针对BitBP特征,选用多重特征进行对比,如6 BitBP、8 BitBP和9 BitBP。BitBP特征的数目相比Haar特征急剧减少,Haar矩形特征的4种特征的数目共有78 460个,文中提出的6种BitBP特征数目之和为33 993,为Haar特征数目的43.2%。训练时间数据如表1所示。其中基于BitBP特征检测器的训练时间明显减少,是Haar矩形特征的30%,由于其特征数目比MB-LBP特征数目多,所以其训练时间为MB-LBP特征的2.9倍。

在训练完成后,利用测试样本对人脸检测器进行评估,图4(a)为检测器的错误率随检测器中特征数目变化的情况。从图中可看出,当检测器中特征数目较少时,基于Haar矩形特征的检测器表现出更低的错误率。然而,随着检测器中特征数目的增加,其余检测器的表现将逐渐超过Haar矩形特征。对BitBP而言,其特征的长度与其错误率表现相关,其长度越长,错误率越低。基于MB-LBP特征的检测器同样具有较低的错误率,与9 BitBP特征表现接近。由此说明,BitBP特征相比Haar矩形特征和MB-LBP特征具有更强的分类能力。图4(b)给出了检测器的ROC曲线。从图中可看出,基于BitBP特征检测器的检测率要比基于Haar矩形特征的检测器高。当误检率<4%时,基于BitBP特征的检测器的检测率最大。当误检率降至0.1%时,该检测器的正确检测率比Haar矩形特征高2%,比MB-LBP特征高0.14%。由此说明了BitBP特征具有更强的分类能力。

利用多重级联结构,将训练得到的分类器进行级联,获得了共有6层基于6 BitBP特征的强分类器。同时在MCU+MIT测试集上测试了强分类器的表现,该测试集被人脸检测算法广泛采用,包含有130张图片507个人脸。在误检率为1%时,文中提出的级联检测器检测率达到96%,高于Haar特征的94%。部分测试结果如图5所示。

5 结束语

受LBP与MB-LBP两种特征的启发,提出了一种新的BitBP特征来描述图像局部灰度分布信息。BitBP特征具有构造简单、可快速计算等优点。通过实验证明,BitBP特征具有比MB-LBP特征、Haar矩形特征更强的分类能力。利用Real Adaboost算法训练得到基于BitBP特征的强分类器。结合其自身特点,提出了一种新的多重级联的方式来构建级联分类器。将6种BitBP特征构成的单一分类器串联构成最终的强分类器,取得了较好的使用效果。

摘要：结合Haar和MB-LBP特征,提出了一种采用BitBP特征描述图像局部信息的方法,该特征可有效描述图像局部区域的灰度像素分布情况,具有比Haar和MB-LBP特征更强的分类能力。且可有效地克服Haar特征数目巨大、训练时间长的缺点。根据BitBP特性,提出一种多重级联的分类器。该分类器的每层均由单一BitBP特征的次级级联分类器构成。而次级级联分类器中的每层分类器均是一个小型的联分类器。利用多重级联结构,可获得更快的检测速度。

关键词：Adaboost,BitBP特征,多重级联,人脸检测

参考文献

[1] VIOLA P,JONES M.Rapid object detection using a boosted cascade of simple features[C].Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2001:511-518.

[2] VIOLA P,JONES M J.Robust real-time face detection[J].Int.J.Comput.Vision,2004,57(2):137-154.

[3]OJALA T,PIETIKAINEN M,HARWOOD D.Performance e-valuation of texture measures with classification based onKullback discrimination of distributions[C].Proceedings ofthe 12th IAPR International Conference on Pattern Recogni-tion(ICPR 1994),1994:582-585.

[4] SCHAPIRE E R.The Strength of weak learnability[J].Mach Learn,1990,5(2):197-227.

[5]WU Bo,AI Haizhou,HUANG Chang,et al.Fast rotation in-variant multi-view face detection based on real adaboost[C].Washington,DC,USA:IEEE Computer Society,2004(6):79-84.

多重个性特征篇6

一、优质课堂能够充分激发学生的学习兴趣

课堂是老师展开日常教学活动最重要的场所。其中,在小学数学课堂的实际教学过程中,应该充分激发学生的探究欲望,引导学生主动思考,从根本上提高学生的思考能力。同时,还应该引导学生不断发现问题,思考问题,并提出有效的解决对策。

例如,在学习“圆柱表面积”的知识时,老师可以要求学生利用课前时间准备好具有一定厚度的纸板;然后在课堂教学中指导学生亲自动手制作圆柱体,并认真观察圆柱体的特征。这样不但能够提高学生自己动手的能力,而且能够充分激发小学生的学习兴趣,从而让学生在亲自动手的过程中掌握相关知识点,有效提高小学生的数学能力。

二、优质课堂应营造浓厚的学习氛围

在小学数学课堂的实际教学过程中,老师应该尽量使用生动形象的教学语言来吸引学生的注意力,从而在实际课堂教学中营造出轻松和谐的氛围,帮助学生更好的接受知识。同时,在课堂上,老师不能只是进行简单的讲解,还应该指导学生反复进行练习,切实培养学生举一反三的能力。

例如,在学习“三角形”的知识时,老师首先应该让学生根据对生活的观察,举例说出生活中哪些事物是三角形,并且说出三角形在实际生活中的应用,帮助小学生更加全面的认识三角形,激发学生对三角形的兴趣,从而达到提高小学数学教学水平的目的。同时,在实际教学过程中,老师还应该充分尊重学生的主体地位,强化师生之间的互动交流,并且结合教学内容创设良好的教学情境,引导学生积极投身到课堂教学活动中。除此之外,针对学生出现错误的地方,老师应该积极引导,让学生能够正确认识到自己的错误,有效增强学生的数学能力。

三、优质课堂注重课后反思

在每一堂数学课结束之后,老师应该全面反思课堂教学内容、教学方法和教学目标,并进行总结归纳,以避免在下一数学课堂教学中出现类似的情况。其中,从某一种意义上分析,教学是一门艺术,其具有遗憾美。因此,在小学数学课堂的实际教学过程中,老师应该准确把握教学内容的重难点,并且结合教学内容及时调整课堂教学设计方案,全面总结和归纳其中的不足之处和存在的优点,有效提高整个数学课堂的教学质量。但是,在数学老师进行反思的过程中,应该从激发学生的学习兴趣入手,并在保证课堂教学进度的前提下提升课堂教学水平和学生的学习能力。

例如,在学习“小数的初步认识”之后,老师便需要反思整个课堂教学过程、教学方法的合理性,以及学生在课堂中是否真正认识了小数、是否知道以元为单位和以米为单位的小数的含义,学生能否用一位小数表示十分之几的分数。通过反思整个课堂教学过程,不仅有利于老师改善课堂教学方法,而且有利于学生真正理解小数的含义,从根本上提高学生的数学应用能力。

四、优质课堂应尊重学生的差异性

由于每位学生的成长环境和个性爱好不同,所以导致学习情况也存在较大差异性。因此,在小学数学课堂的实际教学过程中,老师首先应该全面了解学生的实际情况,再根据学生的实际情况,并结合教学内容因材施教。同时,当学生针对某个问题出现不同的理解时,老师不能因为出现错误而批评学生,而是应该让学生大胆地发表自己的观点,并站在学生的角度进行分析引导。让学生能够真正认识到自己的错误之处,并加以改正。除此之外,由于小学生的生活阅历较少,对外界事物都充满了好奇心,所以,在小学数学课堂的实际教学过程中,老师针对学生提出的千奇百怪的问题不能够采取敷衍的态度,而是应该耐心指导,避免打击学生的自信心,从而促使学生积极主动地投身到课堂教学中。

例如,在学习“圆的认识”的知识时,老师首先应该全面了解学生的实际数学水平,然后再根据实际情况采取分层教学法,将全班学生按照成绩分为优、中、差三个小组;其次,要求优等生不仅认识圆,知道圆的各部分名称,而且还需要理解和掌握同一圆里,半径和直径的关系,且能够在同一个圆里自主完成已知半径求直径的题目;中等生则只需要认识圆和了解圆的各部分名称,以及了解圆的各个特征。差生则只需要认识圆和知道圆的各部分名称。

总之,在新课程深化改革的背景下,打造优质课堂应注重学生全面发展,并且应该结合教学内容创新教学方法和教学模式,充分突出学生的主导地位,激发学生的学习兴趣,让学生主动参与到课堂教学中,从而全面提升小学数学课堂的教学水平。

参考文献

[1]过峰艳.小学数学复习课新模式初探[J].现代中小学教育,2003(4):31-32.

多重个性特征篇7

关键词：多重分形,盒计数法,煤岩分类

煤炭是我国主要能源之一, 对煤矿资源进行开采使用时, 为了煤炭资源得到更加合理的利用, 需要将其进行分类研究, 提高煤炭资源的利用率[1]。

20世纪60年代, 数学家Mandelbrot以“fractal”一词揭示了不具有一个整数维特性的复杂几何对象[2]。分维提供了一个系统的方法去量化不规则图形, 这种图形在一定比例范围内其内部结构是不断重复的[3]。实现多重分形的方法有很多, 诸如盒计数法、f Bm法、面积测定法等。笔者以盒计数法实现多重分形, 计算不同类型煤岩薄片的奇异性指数。通过对奇异性指数的统计, 找出奇异性指数与煤岩煤化程度之间的关系, 为煤岩分类提供依据。

1 煤岩样本情况

试验涉及到4个煤岩薄片样本, 分别为长焰煤、肥煤、瘦煤、贫煤。这4种煤代表了变质程度的各个阶段。其中长焰煤是变质程度最低的煤。肥煤变质程度比长焰煤较高。瘦煤变质程度比肥煤较高。贫煤是变质程度最高的烟煤。

2 多重分形算法实现

2.1 盒计数法算法

以盒计数进行探究时, 随着观察精度的不断提高, 被观察的几何对象也相应变化。那么, 把像素 (P) 个数随观察精度而变化的速率设为α。用精度为t的盒子覆盖所要研究的几何对象, 则盒子的尺寸为b (L) 。在第i个盒子中有Pi个像素, 可得像素个数的变化速率为

每个盒子都有1个α值与之对应。给出1个α值, 便可以计算出与之对应的所有小盒子的个数。此时, 要计数出的是具有相同变化速率α的盒子数。当精度一定时, 设α∈[α, α+Δα]的盒子数为N (α) , 可得多重分形谱f (α) 。

所得到的f (α) 就是所有具有相同速率α的盒子分形集合的维数。

当以单个盒子的像素分布来推测整个研究对象中不同像素分布随盒子精度变化的整体信息是很不准确的。因此, 应该从整体出发对研究对象进行分析。此时引入一个新的参数q, 设χ (q) 为Renyi信息维χ随精度变化而变化的速率。设所有盒子的像素和为单位“1”, 即∑i=1N (L) Pi=1, 在精度L下可得

在这里, q起到了权重的作用, 当q>0时, 则覆盖像素个数多的盒子对χ的贡献越大, 此时χ反映的是像素密集范围随精度变化的信息量增速。反之q<0时, χ反映的是像素稀疏范围的信息量增速。

假设有N (Li) 个盒子覆盖个数为Pi像素, 那么

当L→∞时, -f (α (L) ) +qα (L) 中最小的一项贡献最大, 得

当计算出所有q值时, 便可得出使得qα-αχ (q) 最小的q值, 从而得到f (α) 。由于这种计算较为繁琐, 可以对q求导进行计算, 从而得到f (α) 和α (q) 关于q的表达式和图像[4]。

2.2 使用MATLAB语言对盒计数法的实现

MATLAB为数据分析和数据可视化、算法和应用程序开发提供了最核心的数学和高级图形工具, 拥有着庞大的函数库[5]。因此, 首先用MATLAB实现盒计数法的算法。

1) 研究区域初始化, 以n×n的范围覆盖研究区域, 算出研究区域覆盖范围的盒子总数, 并给定盒子最小边长到最大边长的取值范围。代码如下

2) 对各边长盒子循环, 求出总像素数, 并求出每一个盒子中像素数占总体的比重。

3) 对p取值, 设定步长, 以-p到+p再次对各边长盒子进行循环。在不同盒子边长的情况下, 计算出f (q) 和α (q) 。

4) 绘制f (q) 和α (q) 关于q的曲线以及f (q) 关于α (q) 的曲线。

3 实验结果及分析

在对煤岩薄片分析之前, 首先将长焰煤、肥煤、瘦煤、贫煤图片进行二值化处理。经过二值化处理后的图像加载到程序中进行运算得到每一种煤的相关的奇异指数α以及通过统计之后的Δα=αmax-αminΔ的值。表1为4种煤的奇异性指数分析。