• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩一星介绍: 一种基于加权分配D?S证据理论的显著图融合方法.pdf

    关 键 词:
    一种 基于 加权 分配 证据 理论 显著 融合 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201610956360.8

    申请日:

    2016.10.27

    公开号:

    CN106570851A

    公开日:

    2017.04.19

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06T 5/50申请日:20161027|||著录事项变更IPC(主分类):G06T 5/50变更事项:发明人变更前:陈炳才 陶鑫 高振国 姚念民 王健 余超 卢志茂 谭国真变更后:陈炳才 陶鑫 余超 高振国 姚念民 王健 卢志茂 谭国真|||公开
    IPC分类号: G06T5/50 主分类号: G06T5/50
    申请人: 大连理工大学
    发明人: 陈炳才; 陶鑫; 高振国; 姚念民; 王健; 余超; 卢志茂; 谭国真
    地址: 116024 辽宁省大连市甘井子区凌工路2号
    优先权:
    专利代理机构: 大连理工大学专利中心 21200 代理人: 梅洪玉;侯明远
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201610956360.8

    授权公告号:

    ||||||

    法律状态公告日:

    2017.05.17|||2017.05.03|||2017.04.19

    法律状态类型:

    实质审查的生效|||著录事项变更|||公开

    摘要

    一种基于加权分配D?S证据理论的显著图融合方法,解决多种显著性检测方法得到的显著图的有效融合问题。首先,使用要融合的显著性检测方法生成各自的显著图。其次,将得到的各显著图视为证据,根据得到的显著图定义各显著性检测方法所对应的识别框架与mass函数。然后,计算各证据间的相似系数与相似矩阵,进而得到各证据的支持度与可信度。接着以可信度为权重对mass函数值进行加权平均得到一幅显著图。然后使用D?S合成规则将加权平均证据合成得到另一幅显著图。最后,将得到的两幅显著图再次加权求和得到最后的显著图。该方法能够识别出图像中的最显著部分,融合现有优秀显著性检测方法各自的优势,得到的检测效果优于各合成方法独自进行显著性检验时的效果。

    权利要求书

    1.一种基于加权分配D-S证据理论的显著图融合方法,其特征在于,包括如下步骤:
    第一步,使用要融合的n种(n>1)方法生成n幅初始显著图;
    第二步,对于每个像素,定义n幅显著图对应的mass函数;定义环境Θ={FG,BG},其中
    FG表示像素为前景,BG表示像素为背景;由得到的n幅显著图定义mass函数形式如公式(1),
    公式(2)所示:
    mi(FG)=pi (1)
    mi(BG)=1-pi (2)
    其中mi(FG)表示第i种显著性检测方法所对应的mass函数,FG表示判定所要融合的像素
    为前景,pi表示第i幅显著图在所对应像素处的显著值,BG表示判定所对应像素为背景;
    第三步,计算各显著图对应的mass函数间的相似系数,列出相似矩阵;相似系数dij的计
    算如公式(3)所示:
    <mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <munder> <mo>&Sigma;</mo> <mrow> <msub> <mi>A</mi> <mi>x</mi> </msub> <mo>&cap;</mo> <msub> <mi>B</mi> <mi>y</mi> </msub> <mo>&NotEqual;</mo> <mi>&phi;</mi> </mrow> </munder> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>x</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>m</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>B</mi> <mi>y</mi> </msub> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <mo>(</mo> <msubsup> <mi>&Sigma;m</mi> <mi>i</mi> <mn>2</mn> </msubsup> <mo>(</mo> <msub> <mi>A</mi> <mi>x</mi> </msub> <mo>)</mo> <mo>)</mo> <mo>(</mo> <msubsup> <mi>&Sigma;m</mi> <mi>j</mi> <mn>2</mn> </msubsup> <mo>(</mo> <msub> <mi>B</mi> <mi>y</mi> </msub> <mo>)</mo> <mo>)</mo> </mrow> </msqrt> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
    其中相似系数dij∈[0,1],Ax,By为焦元,此处取值BG或是FG;
    由相关系数,得到n个证据所对应的相似矩阵如公式(4)所示:
    <mrow> <mi>S</mi> <mo>=</mo> <msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <msub> <mi>d</mi> <mn>12</mn> </msub> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>d</mi> <mrow> <mn>1</mn> <mi>n</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>d</mi> <mn>21</mn> </msub> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>d</mi> <mrow> <mn>2</mn> <mi>n</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> </mtable> </mtd> <mtd> <mtable> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> </mtable> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> </mtable> </mtd> <mtd> <mtable> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <msub> <mi>d</mi> <mrow> <mi>n</mi> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>d</mi> <mrow> <mi>n</mi> <mn>2</mn> </mrow> </msub> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> <mrow> <mi>n</mi> <mo>&times;</mo> <mi>n</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
    第四步,求出各证据间的支持度与可信度;证据Ei的被支持度Sup(mi)计算公式如公式
    (5)所示:
    由公式(5)计算出的证据间的支持度,可以得到证据间可信度的计算如公式(6)所示:

    第五步,以可信度为权重对mass函数加权平均得到加权后的mass函数mave(FG),表示像
    素点为前景的基本概率赋值,如公式(7)所示:
    <mrow> <msub> <mi>m</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>e</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>F</mi> <mi>G</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>C</mi> <mi>r</mi> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&times;</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>F</mi> <mi>G</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
    另外,在此处我们将加权后的mass函数值作为显著图的显著值,得到一幅初步合成的
    显著图Sal1,该显著图可以有效检测所有可能的前景区域,但背景噪声较大,将在后面的步
    骤中进行优化;如公式(8)所示:
    Sal1=mave(FG) (8)
    第六步,使用D-S合成规则将加权平均证据合成n-1次,得到另一幅融合显著图Sal2;本
    发明中的合成mass函数如公式(9),公式(10)所示:
    <mrow> <mi>m</mi> <mrow> <mo>(</mo> <mi>F</mi> <mi>G</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>e</mi> </mrow> </msub> <mo>(</mo> <mrow> <mi>F</mi> <mi>G</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mi>n</mi> </msup> <mi>k</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
    k=(mave(FG))n+(1-mave(FG))n (10)
    由D-S证据理论可知信任函数Bel(FG)与似然函数Pls(FG)计算公式如公式(11)所示:
    Bel(FG)=Pls(FG)=m(FG) (11)
    此处得到另一幅显著图Sal2如公式(12)所示:Sal2=Bel(FG) (12)
    第七步,加权融合得到D-S证据理论融合的显著图Sal;将第五步、第六步得到的两幅显
    著图进行加权融合得到最终的加权分配D-S证据理论融合的显著图,计算公式如公式(13)
    所示:Sal=μ1×Sal1+μ2×Sal2 (13)
    其中μ1,μ2为合成权重,在本发明中设置μ1=0.35,μ2=0.65。

    说明书

    一种基于加权分配D-S证据理论的显著图融合方法

    技术领域

    本发明属于图像处理领域,涉及一种基于加权分配D-S证据理论的显著图融合方
    法。

    背景技术

    图像显著性检测旨在找出图像中最重要的部分,是计算机视觉领域用来降低计算
    复杂度的重要的预处理步骤,在图像压缩、目标识别、图像分割等领域有着广泛的应用,同
    时它又是计算机视觉中具有挑战性的问题,吸引着大量学者的研究兴趣。目前已出现了大
    量优秀的图像显著性检测的方法,这些方法各自都有自己的优势与不足,即使是一种显著
    性检测方法,对于不同的图片检测效果也是差异巨大的。为此能够融合多种显著性检测方
    法的结果,以得到更优显著图的方法就显得尤为重要了。有一些传统的显著图融合的方法,
    它们多是对于多幅显著图进行简单的加和平均或是简单相乘取平均,这种显著图融合方式
    将各种显著图同等对待,把各种显著性检测方法的权值设为同一数值,这在实际中是不合
    理的,因为对于一幅图片甚至是每一个像素点,各种显著性检测方法的检测效果都是不同
    的,为此各显著性检测方法的权值也理应设置不同。当前也存在一些研究融合多幅显著图
    的方法,如Mai等人利用条件随机场(CRF)来融合多幅显著图,但计算速度太慢;Qin等人利
    用多层元胞自动机(MCA)来融合多幅显著图,得到了非常好的效果,但是其召回率方面效果
    并不能令人满意。

    我们发现了D-S(Dempster-Shafer)证据理论在融合不确定事件中表现出的优异
    性,而且它是以一个概率区间而不是一个单一的概率值去建模不确定性,对于显著性检测,
    这种特质更加适用。D-S证据理论最初以Dempster的工作为基础的,是一种不精确推理理
    论,属于人工智能范畴,最早应用于专家系统中,具有处理不确定信息的能力,在医学诊断、
    目标识别、军事指挥等方面有着广泛的应用,但目前在显著性检测领域还没有应用。Murphy
    看到传统D-S证据理论中将各证据同等看待存在的不足,对D-S证据理论进行了改进,得到
    了加权分配D-S证据理论??吹郊尤ǚ峙銬-S证据理论在融合多种决策上的有效性,本发明
    将加权分配D-S证据理论应用范围扩展到图像显著性检测领域,使用加权分配D-S证据理论
    来融合多幅显著图,充分利用多个显著图的优点,提高了显著性检测的效果,融合后的效果
    明显高于各单独的显著性检测方法的效果,在准确率与召回率上均得到了很好的效果。

    发明内容

    本发明提出了一种基于加权分配D-S证据理论的显著图融合方法,目的在于克服
    上述现有技术的不足,得到一种更优的多幅显著图的融合方法。

    为了实现上述目的,本发明的技术方案为:

    一种基于加权分配D-S证据理论的显著图融合方法,包括以下步骤:

    第一步,使用要融合的n种(n>1)方法生成n幅初始显著图。

    第二步,对于每个像素,定义n幅显著图对应的mass函数。定义环境Θ={FG,BG},
    其中FG表示像素为前景,BG表示像素为背景。该识别框架包含22个子集,这些子集定义了幂
    集,可以表示像素为前景,为背景,不确定像素是前景还是背景,既不是前景也不是背景四
    种情况,记为2Θ。我们知道mass函数满足所以在本发明中,我们由得到的n幅
    显著图定义mass函数(基本信任分配函数)形式如公式(1),公式(2)所示:

    mi(FG)=pi (1)

    mi(BG)=1-pi (2)

    其中mi(FG)表示第i种显著性检测方法所对应的mass函数,FG表示判定所要融合
    的像素为前景,pi表示第i幅显著图在所对应像素处的显著值,BG表示判定所对应像素为背
    景。

    第三步,计算各显著图对应的mass函数(即各证据)间的相似系数,列出相似矩阵。
    相似系数dij的计算如公式(3)所示:


    其中相似系数dij用来描述证据间的相似程度,dij∈[0,1],其值越大表示证据Ei与
    Ej间越相似,dij=1时表示两证据完全相同,dij=0时表示两证据完全不同。Ax,By为焦元,此
    处可取值BG或是FG。

    由相关系数,我们可以得到n个证据所对应的相似矩阵如公式(4)所示:


    第四步,求出各证据间的支持度与可信度。证据Ei的被支持度表示被其他证据的
    支持程度,如果一个证据和其他证据都比较相似,则认为他们的相互支持度也较高,证据Ei
    的被支持度Sup(mi)计算公式如公式(5)所示:


    证据的可信度反映了证据的可信程度,一般一个证据被其他证据所支持的程度越
    高,该证据可信度就越大,即证据越可信,可信度的计算如公式(6)所示:


    第五步,以可信度为权重对mass函数加权平均得到加权后的mass函数mave(FG),表
    示像素点为前景的基本概率赋值,如公式(7)所示:


    另外,在此处我们将加权后的mass函数值作为显著图的显著值,得到一幅初步合
    成的显著图Sal1,该显著图可以有效检测所有可能的前景区域,但背景噪声较大,将在后面
    的步骤中进行优化。如公式(8)所示:

    Sal1=mave(FG) (8)

    第六步,使用D-S合成规则将加权平均证据合成n-1次,得到另一幅融合显著图
    Sal2。我们知道D-S证据中mass函数的合成法则为:
    其中
    为此我们可以得到在本发明中的合成mass函数如公式(9),公式(10)所示:


    k=(mave(FG))n+(1-mave(FG))n (10)

    由D-S证据理论相关知识可知本发明中的信任函数Bel(FG)与似然函数Pls(FG)计
    算公式如公式(11)所示:

    Bel(FG)=Pls(FG)=m(FG) (11)

    此处我们可以得到另一幅显著图Sal2如公式(12)所示:

    Sal2=Bel(FG) (12)

    第七步,加权融合得到D-S证据理论融合的显著图Sal。将第五步、第六步得到的两
    幅显著图进行加权融合得到最终的加权分配D-S证据理论融合的显著图。其中第五步的显
    著图的作用是查前景区域更加全面,而显著图Sal2的作用是使查出的显著区域更加准确,
    计算公式如公式(13)所示:

    Sal=μ1×Sal1+μ2×Sal2 (13)

    其中μ1,μ2为合成权重,在本发明中设置μ1=0.35,μ2=0.65。

    本发明的有益效果为:该方法区别于已有方法的特色在于综合利用各种显著性检
    测方法的优点,得到的效果优于每个单独显著性检测方法的结果。同时与传统的融合多显
    著图的方法相比,本发明区别对待各种要融合的显著性检测方法,分别赋予不同的权值,效
    果更优。另外本发明还首次将D-S证据理论引入到了显著性检测领域,并得到了无论是准确
    率还是召回率都较优的效果。

    附图说明

    图1是本发明方法的流程示意图;

    图2是不同算法的显著性检测结果对比图;(a)待检测图片,(b)真值,(c)BSCA算法
    得到的显著性结果,(d)DSR算法得到的显著性结果,(e)HS算法得到的显著性结果,(f)RBD
    算法得到的显著性结果,(g)MR算法得到的显著性结果,(h)MCA融合上述5种算法得到的显
    著性结果,(i)本发明得到的显著性检测结果;

    图3为本发明与其他显著性检测方法在ECSSD标准数据库上的PR(准确率、召回率)
    曲线;

    图4为本发明与其他显著性检测方法在DUT-OMRON标准数据库上的PR(准确率、召
    回率)曲线;

    图5为本发明与其他显著性检测方法在MSRA10K标准数据库上的PR(准确率、召回
    率)曲线;

    具体实施方式

    下面结合附图对本发明的实施方式进行详细说明。本实施例以本发明技术方案为
    前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的?;し段Р幌抻谙?br />述的实施例。

    本发明在三个标准的数据库上对提出的算法进行测试:ECSSD数据库,该数据库包
    含了1000张图片,图片大小不同且有多种目标,其中一些图片取自非常难的伯克利300数据
    库。MSRA10K数据库,它是MSRA数据库的扩展,包含10000张图片,覆盖了ASD数据集中的所有
    1000张图片,包含了很多复杂背景的图片。DUT-OMRON数据库,该数据库中包含5168张图片,
    含有像素级别的真值标注,图片背景复杂,目标大小不同,具有很大的挑战性。这三个数据
    库都有相应的人工标定的显著性区域图。

    图1是本发明方法的流程示意图;图2是本发明与其他不同算法的显著性检测结果
    对比图;图3、图4、图5是不同显著性检测方法在三个标准数据库上PR(准确率,召回率)曲
    线。实现本发明的具体步骤为:

    第一步,使用BSCA,DSR,HS,RBD,MR等5种显著性检测方法生成5幅初始显著图。

    第二步,对于每个像素,定义环境Θ={FG,BG},其中FG表示像素为前景,BG表示像
    素为背景。分别定义BSCA,DSR,HS,RBD,MR等5种显著性检测方法所对应的mass函数,形式如
    公式(1),公式(2)所示:

    mi(FG)=pi (1)

    mi(BG)=1-pi (2)

    其中mi(FG)表示上面第i种显著性检测方法所对应的mass函数,FG表示判定所要
    融合的像素为前景,BG表示判定所对应像素为背景,如m1(FG)表示BSCA方法得到的显著图
    所对应的mass函数,m2(FG)表示DSR方法得到的显著图所对应的mass函数。pi表示上面第i幅
    显著图在所对应像素处的显著值,如p1表示BSCA方法得到的像素的显著值。

    第三步,计算BSCA,DSR,HS,RBD,MR等5种显著性检测方法所对应的mass函数间的
    相似系数,列出相似矩阵。相似系数dij的计算如公式(3)所示:


    其中相似系数dij用来描述证据间的相似程度,dij∈[0,1],其值越大表示证据Ei与
    Ej间越相似,dij=1时表示两证据完全相同,dij=0时表示两证据完全不同,如d12表示了
    BSCA与DSR两种方法所对应证据的相似程度。Ax,By为焦元,此处可取值BG或是FG。

    由上面计算出的各显著性检测方法对应mass函数间的相关系数,我们可以得到5
    个证据所对应的相似矩阵如公式(4)所示:


    第四步,求出5个证据间的支持度与可信度。证据Ei的被支持度表示被其他证据的
    支持程度,如果一个证据和其他证据都比较相似,则认为他们的相互支持度也较高,证据Ei
    的被支持度Sup(mi)计算公式如公式(5)所示,如Sup(m1)就表示了BSCA方法所对应证据被
    DSR,HS,RBD,MR等其他四种证据的支持程度。


    证据的可信度反映了证据的可信程度,一般一个证据被其他证据所支持的程度越
    高,该证据可信度就越大,即证据越可信,可信度的计算如公式(6)所示:


    第五步,以5种证据各自的可信度为权重对mass函数加权平均得到加权后的mass
    函数mave(FG),表示像素点为前景的基本概率赋值,如公式(7)所示:


    另外,在此处我们将加权后的mass函数值作为显著图的显著值,得到一幅初步合
    成的显著图Sal1,该显著图可以有效检测所有可能的前景区域,但背景噪声较大,将在后面
    的步骤中通过减小所对应权值减小背景噪声的影响。此处显著图的计算如公式(8)所示:

    Sal1=mave(FG) (8)

    第六步,使用D-S合成规则将加权平均证据合成4次,得到另一幅融合显著图Sal2。
    本发明中的合成mass函数的计算如公式(9),公式(10)所示:


    k=(mave(FG))5+(1-mave(FG))5 (10)

    由D-S证据理论相关知识可知本发明中的信任函数Bel(FG)与似然函数Pls(FG)计
    算公式如公式(11)所示:

    Bel(FG)=Pls(FG)=m(FG) (11)

    此处我们可以得到另一幅显著图Sal2如公式(12)所示:

    Sal2=Bel(FG) (12)

    第七步,加权融合D-S证据理论在上面得到的两幅显著图Sal1,Sal2,得到最终的显
    著图Sal。计算公式如公式(13)所示:

    Sal=μ1×Sal1+μ2×Sal2 (13)

    其中μ1,μ2为合成权重,在本发明中设置μ1=0.35,μ2=0.65。

    至此本发明就得到了融合BSCA,DSR,HS,RBD,MR 5种方法最终的显著图。

    关于本文
    本文标题:一种基于加权分配D?S证据理论的显著图融合方法.pdf
    链接地址://www.4mum.com.cn/p-6092938.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 宿迁彩票大奖得主 体彩微信 青海十一选五开 上海时时彩开奖视频直播 代购都是通过什么赚钱 广东快乐十分稳赢200 qq分分彩做单技巧 宁夏十一选五推荐号码预测 斯诺克桌球台 口腔医学哪个科好赚钱 江西快三一定牛 股票行情素材 足彩进球彩彩金 pk北京赛车直播 河南十一选五开奖直播现场 山东时时彩开奖结果查询结果