第一篇：关于质心提取的若干图像处理问题的总结
关于质心提取的若干图像处理问题的总结
1.提取多个目标物的质心位置
>> I = imread('test.png');%加载图图像 I1 = im2bw(I);L = bwlabel(I1);%将I1转换为标记矩阵 stats = regionprops(L, 'Centroid');%求质心 imshow(I)hold on;for i = 1 : length(stats)
temp = stats(i).Centroid;
plot(temp(1), temp(2), 'r.');end
2提取一个车轮的中心
clear all;clc rgb = imread('wheel.jpg');I=rgb2gray(rgb);Ibw=im2bw(I);Ibw=imclearborder(Ibw);Ibw=bwmorph(Ibw,'close',2);Ibw=imfill(Ibw,'holes');Ibw=bwmorph(Ibw,'open',2);imshow(rgb)[l,m]=bwlabel(Ibw,8);stats=regionprops(l,'Centroid');hold on;plot(stats(1).Centroid(1),stats(1).Centroid(2),'R ');hold off
3提取两个车轮的中心，并计算他们之间的距离
clear all;close all clc
rgb = imread('wheel1.jpg');I=rgb2gray(rgb);Ibw=im2bw(I);Ibw=imclearborder(Ibw);Ibw=bwmorph(Ibw,'close',2);Ibw=imfill(Ibw,'holes');Ibw=bwareaopen(Ibw,500);imshow(rgb,'notruesize')%figure,imshow(Ibw);[l,m]=bwlabel(Ibw,8);hold on;for i=1:m stats=regionprops(l,'Centroid');plot(stats(i).Centroid(1),stats(i).Centroid(2),'R ');end a=stats(1).Centroid(1);b=stats(1).Centroid(2);c=stats(2).Centroid(1);d=stats(2).Centroid(2);sd=sqrt((a-c)^2 (b-d)^2);title(strcat('两个车轮的距离为：',num2str(sd)));hold off
4.求两个同心圆的半径差 clear close all clc
RGB=imread('yuan.jpg');%读入图像 I = rgb2gray(RGB);threshold = graythresh(I);BW = im2bw(I,threshold);dim = size(BW);col = round(dim(2)/2);row = min(find(BW(:,col)));connectivity = 8;num_points
= 180;contour = bwtraceboundary(BW, [row, col], 'N', connectivity, num_points);% imshow(RGB,'notruesize');% hold on;%plot(contour(:,2),contour(:,1),'g','LineWidth',2);x = contour(:,2);y = contour(:,1);abc=[x y ones(length(x),1)][-(x.^2 y.^2)];a = abc(1);b = abc(2);c = abc(3);xc =-a/2;yc =-b/2;radius1 = sqrt((xc^2 yc^2)-c)
%figure img4=BW(15:170,15:170);img4=imclearborder(img4,8);imshow(img4)dim = size(img4);col = round(dim(2)/2);row = min(find(img4(:,col)));connectivity = 8;num_points
= 180;contour = bwtraceboundary(img4, [row, col], 'N', connectivity, num_points);% imshow(img4,'notruesize');% hold on;% plot(contour(:,2),contour(:,1),'g','LineWidth',2);x = contour(:,2);y = contour(:,1);abc=[x y ones(length(x),1)][-(x.^2 y.^2)];a = abc(1);b = abc(2);c = abc(3);
xc =-a/2;yc =-b/2;radius2 = sqrt((xc^2 yc^2)-c)
imshow(RGB)
message = sprintf('The estimated radius of big circle is %2.3f pixels', radius1);text(15,15,message,'Color','y','FontWeight','bold');title('大圆')
message = sprintf('The estimated radius of small circle is %2.3f pixels', radius2);text(25,25,message,'Color','y','FontWeight','bold');title('小圆')distance=radius1-radius2
message = sprintf('The estimated distance of two circle is %2.3f pixels', distance);text(90,45,message,'Color','y','FontWeight','bold');
5.求桃形物体最宽的部分的宽度
img=imread('seed.jpg');img=rgb2gray(img);img=im2bw(img);img1=img';[m n]=find(img1==1);max(m)-min(m);ans =
369
第二篇：图像滤波总结
数字图像处理：各种变换滤波和噪声的类型和用途总结
一、基本的灰度变换函数 1.1.图像反转
适用场景：增强嵌入在一幅图像的暗区域中的白色或灰色细节，特别是当黑色的面积在尺寸上占主导地位的时候。
1.2.对数变换（反对数变换与其相反）
过程：将输入中范围较窄的低灰度值映射为输出中较宽范围的灰度值。用处：用来扩展图像中暗像素的值，同时压缩更高灰度级的值。特征：压缩像素值变化较大的图像的动态范围。
举例：处理傅里叶频谱，频谱中的低值往往观察不到，对数变换之后细节更加丰富。
1.3.幂律变换（又名：伽马变换）
过程：将窄范围的暗色输入值映射为较宽范围的输出值。
用处：伽马校正可以校正幂律响应现象，常用于在计算机屏幕上精确地显示图像，可进行对比度和可辨细节的加强。
1.4.分段线性变换函数
缺点：技术说明需要用户输入。优点：形式可以是任意复杂的。
1.4.1.对比度拉伸：扩展图像的动态范围。
1.4.2.灰度级分层：可以产生二值图像，研究造影剂的流动。1.4.3.比特平面分层：原图像中任意一个像素的值，都可以类似的由这些比特平面对应的二进制像素值来重建，可用于压缩图片。
1.5.直方图处理
1.5.1直方图均衡：增强对比度，补偿图像在视觉上难以区分灰度级的差别。作为自适应对比度增强工具，功能强大。
1.5.2直方图匹配（直方图规定化）：希望处理后的图像具有规定的直方图形状。在直方图均衡的基础上规定化，有利于解决像素集中于灰度级暗端的图像。
1.5.3局部直方图处理：用于增强小区域的细节，方法是以图像中的每个像素邻域中的灰度分布为基础设计变换函数，可用于显示全局直方图均衡化不足以影响的细节的显示。1.5.4直方图统计：可用于图像增强，能够增强暗色区域同时尽可能的保留明亮区域不变，灵活性好。
二、基本的空间滤波器 2.1.平滑空间滤波器
2.1.1平滑线性滤波器（均值滤波器）
输出：包含在滤波器模板邻域内的像素的简单平均值，用邻域内的平均灰度替代了图像中每个像素的值，是一种低通滤波器。结果：降低图像灰度的尖锐变化。
应用：降低噪声，去除图像中的不相关细节。负面效应：边缘模糊。
2.1.2统计排序滤波器（非线性滤波器）举例：中值滤波器。过程：以滤波器包围的图像区域中所包含图像的排序为基础，然后使用统计排序结果决定的值取代中心区域的值。
用处：中值滤波器可以很好的解决椒盐噪声，也就是脉冲噪声。
2.2.锐化空间滤波器
2.2.1拉普拉斯算子（二阶微分）
作用：强调灰度的突变，可以增强图像的细节。
2.2.2非锐化掩蔽和高提升滤波
原理：原图像中减去一幅非锐化（平滑处理）的版本。背景：印刷和出版界使用多年的图像锐化处理。
高提升滤波：原图减去模糊图的结果为模板，输出图像等于原图加上加权后的模板，当权重为1得到非锐化掩蔽，当权重大于1成为高提升滤波。
2.2.3梯度锐化（一阶微分对）
含义：梯度指出了在该位置的最大变化率的方向。
用处：工业检测，辅助人工检测产品的缺陷，自动检测的预处理。
三、基本的频率滤波器 3.1.1理想低（高）通滤波器 特性：振铃现象，实际无法实现。
用处：并不实用，但是研究滤波器的特性很有用。
3.1.2布特沃斯低（高）通滤波器
特点：没有振铃现象，归功于在低频和高频之间的平滑过渡，二阶的布特沃斯低通滤波器是很好的选择。
效果：比理想低（高）通滤波器更平滑，边缘失真小。截止频率越大，失真越平滑。
3.1.3高斯低（高）通滤波器 特点：没有振铃。
用处：任何类型的人工缺陷都不可接受的情况（医学成像）。
3.1.4钝化模板，高提升滤波，高频强调滤波 用处：X射线，先高频强调，然后直方图均衡。
3.1.5同态滤波
原理：图像分为照射分量和反射分量的乘积。
用处：增强图像，锐化图像的反射分量（边缘信息），例如PET扫描。
3.1.6选择性滤波
3.1.6.1带阻滤波器和带通滤波器。作用：处理制定频段和矩形区域的小区域。
3.1.6.2陷阱滤波器
原理：拒绝或通过事先定义的关于频率矩形中心的一邻域。应用：选择性的修改离散傅里叶变换的局部区域。
优点：直接对DFT处理，而不需要填充。交互式的处理，不会导致缠绕错误。用途：解决莫尔波纹。
四、重要的噪声概率密度函数 4.1.高斯噪声
特点：在数学上的易处理性。
4.2瑞利噪声
特点：基本形状向右变形，适用于近似歪斜的直方图。
4.3爱尔兰（伽马）噪声
特点：密度分布函数的分母为伽马函数。
4.4指数噪声
特点：密度分布遵循指数函数。
4.5均匀噪声 特点：密度均匀。
4.6脉冲噪声（双极脉冲噪声又名椒盐噪声）
特点：唯一一种引起退化，视觉上可以区分的噪声类型。
五、空间滤波器还原噪声 5.1均值滤波器 5.1.1算术均值滤波器
结果：模糊了结果，降低了噪声。适用：高斯或均匀随机噪声。5.1.2几何均值滤波器
结果：和算术均值滤波器相比，丢失的图像细节更少。适用：更适用高斯或均匀随机噪声。
5.1.3谐波均值滤波器
结果：对于盐粒噪声（白色）效果较好，但不适用于胡椒噪声（黑色），善于处理高斯噪声那样的其他噪声。
5.1.4逆谐波均值滤波器
结果：适合减少或在实际中消除椒盐噪声的影响，当Q值为正的时候消除胡椒噪声，当Q值为负的时候该滤波器消除盐粒噪声。但不能同时消除这两种噪声。适用：脉冲噪声。
缺点：必须知道噪声是明噪声还是暗噪声。
5.2统计排序滤波器 5.2.1中值滤波器
适用：存在单极或双极脉冲噪声的情况。
5.2.2最大值滤波器
作用：发现图像中的最亮点，可以降低胡椒噪声。
5.2.2最小值滤波器
作用：对最暗点有用，可以降低盐粒噪声。
5.2.3中点滤波器
作用：结合统计排序和求平均，对于随机分布噪声工作的很好，如高斯噪声或均匀噪声。5.2.4修正的阿尔法均值滤波器
作用：在包括多种噪声的情况下很有用，例如高斯噪声和椒盐噪声混合。
5.3自适应滤波器
5.3.1自适应局部降低噪声滤波器
作用：防止由于缺乏图像噪声方差知识而产生的无意义结果，适用均值和方差确定的加性高斯噪声。
5.3.1自适应中值滤波器
作用：处理更大概率的脉冲噪声，同时平滑非脉冲噪声时保留细节，减少诸如物体边界粗化或细化等失真。
5.4频率域滤波器消除周期噪声 5.4.1带阻滤波器
应用：在频率域噪声分量的一般位置近似已知的应用中消除噪声
5.4.2带通滤波器
注意：不能直接在一张图片上使用带通滤波器，那样会消除太多的图像细节。用处：屏蔽选中频段导致的结果，帮助屏蔽噪声模式。
5.4.3陷阱滤波器
原理：阻止事先定义的中心频率的邻域内的频率。作用：消除周期性噪声。
5.4.4最佳陷阱滤波
作用：解决存在多种干扰分量的情况。
第三篇：图像特征提取总结
图像常见特征提取方法简介
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
一、颜色特征
（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。
（二）常用的特征提取与匹配方法（1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。
最常用的颜色空间：RGB颜色空间、HSV颜色空间。
颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。（2）颜色集
颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系（3）颜色矩
这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征
（一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。
例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。
在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。
（二）常用的特征提取与匹配方法 纹理特征描述方法分类
（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数（2）几何法
所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。（3）模型法
模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法（4）信号处理法
纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。
灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。三形状特征
（一）特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。
（二）常用的特征提取与匹配方法 Ⅰ几种典型的形状特征描述方法
通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。几种典型的形状特征描述方法：
（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。（2）傅里叶形状描述符法
傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。（3）几何参数法
形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。
需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。（4）形状不变矩法
利用目标所占区域的矩作为形状描述参数。（5）其它方法近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述符（Wavelet Descriptor）等方法。Ⅱ基于小波和相对矩的形状特征提取与匹配
该方法先用小波变换模极大值得到多尺度边缘图像，然后计算每一尺度的 7个不变矩，再转化为 10 个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一了区域和封闭、不封闭结构。四空间关系特征
（一）特点：所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。显而易见，由绝对空间位置可推出相对空间位置，但表达相对空间位置信息常比较简单。空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外，还需要其它特征来配合。
（二）常用的特征提取与匹配方法
提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引。
第四篇：年终奖处理问题
快到年底了，年终奖成了员工关注的重要话题，结合本案情况，谈谈我对年终奖的看法： 1：年终奖是什么东东
根据国家统计局1990年颁布《关于工资总额组成的规定》第4条，工资总额由六部分组成：计时工资、计件工资、奖金、津贴和补贴、加班加点工资、特殊情况下支付的工资。第7条，奖金是指支付给职工的超额劳动报酬和增收节支的劳动报酬，包括生产奖，节约奖，劳动竞赛奖，机关、事业单位的奖励工资，其他奖金。另据国家统计局《﹤关于工资总额组成的规定﹥若干具体范围的解释》第2条第1项规定，关于奖金的范围：生产(业务)奖包括超产奖、质量奖、安全(无事故)奖、考核各项经济指标的综合奖、提前竣工奖、外轮速遣奖、年终奖(劳动分红)等。
从国家统计局的相关规定来看，年终奖是员工劳动报酬的一部分，是奖金的组成之一。
2：年终奖发放有何法律依据
目前来看，我国暂无年终奖的相关法律规定。
这说明员工是否享有年终奖、发多少、发放形式等由用人单位自行决定，国家没有强制用人单位必须给员工发放年终奖。
但是，《劳动合同法》第18条，“劳动合同对劳动报酬和劳动条件等标准约定不明确，引发争议的，用人单位与劳动者可以重新协商；协商不成的，适用集体合同规定；没有集体合同或者集体合同未规定劳动报酬的，实行同工同酬；没有集体合同或者集体合同未规定劳动条件等标准的，适用国家有关规定”。
这说明，同工同酬是适用于年终奖的发放的。3：已离职员工是否可获得年终奖
不管主动或被动离职，只要是处于离职的，有以下三种情况：
1）有合同的从其合同。若劳动合同规定了年终奖发放数额，用人单位理当及时足额发放。若按业绩支付年终奖，员工年中离职或新进员工，都可以得到他的奖金，单位则不能以你不在职为由或无法考核而不发放，即使有这样的规定，也是不合理的，因为此时的年终奖属于员工工资的一部分，必须及时发放，不能由用人单位单方面来决定是否发放。
2）无合同但单位有规定的从其规定。若劳动合同只约定了每月工资，而没有约定年终奖，更没有约定按业绩发放年终奖，员工可否获得年终奖，需要视单位具体规定了。但是，单位的这种规定不能违反法律规定，还要通过相应的民主程序制订，并赂员工进行公示或告知，且有相应的证据证明以上事实。
若单位明确规定年底前离职的员工不能享受年终奖，单位设置年终奖，是激励员工不轻易离职，也是留住人才的策略之一，如果员工因为各种原因于年底前离职了，那么，单位也就无需为其提供相应的待遇即年终奖。
3）既无合同也无规定的。若劳动合同和单位规章制度都没有规定是否发放年终奖，员工可否获得年终奖是有争议的。若员工举证用人单位每年有发放年终奖，而且当年，用人单位向其他在职员工发放了年终奖等事实，那么，按照同工同酬、公平合理的原则，仲裁庭或法院可能会支持员工工拿到年终奖，如果用人单位不承认发放了年终奖，是以其他名目发放的，那么，离职员工得到年终奖就不容易了。
4：用人单位年终奖通常做法有隐患 不少用人单位对年终奖是这样操作的：不在劳动合同中提及年终奖一事，要么在薪酬管理办法或绩效考核中规定，要么单独制订年终奖管理办法，即使规定了，也对发放标准、支付方式、享受人不予特别明确，这样做的目的，用人单位以为可以自由决定年终奖的发放。
其实，这样做也是有隐患的：这样对年终奖发放的随意性，如果劳动者能够确认用人单位发放了年终奖，如果劳动者未获得年终奖而主张自己的权益时，用人单位就必须承担劳动者是否符合年终奖发放条件、金额、发放日期等方面的举证责任，如果用人单位没有这方面明确规定的规章制度，那么，用人单位就必须承担举证不能的法律责任。这在实践中，也是为什么不少劳动者在主张年终奖时屡屡胜诉的原因所在。5：本案处理建议
通过以上的分析，就本案而言，单位完全可以不理睬该员工的年终奖要求，另外，即使要对其他在职员工发放，建议以其他会计名目发放为好，比如：1月份奖金、过年费之类的。
第五篇：垃圾处理问题
“现在，垃圾再也不是我们镇里的问题了！你看，这是我们镇新建的垃圾处理场„„”孟坝镇党委书记耿勤学带着笔者在镇上新建的垃圾处理场参观时说，“近几年来，镇上被大大小小数十个垃圾堆包围。但现在，所有的垃圾都被集中到这个新建的垃圾处理场进行填埋。”
镇原县抢抓中央实施农村环境连片整治示范项目机遇，进一步加大农村环境连片综合整治工作，按照因地制宜、统筹规划、分片建设的原则，对全县乡镇排污排洪工程、垃圾处理场建设、饮用水源保护、农村面源污染防治等实施了统一规划，并按自主建设、联合兴建等多种方式，全面推进乡镇环境基础设施建设。城关、三岔、孟坝、屯字、上肖等乡镇分别建办垃圾处理场，对所有垃圾进行焚烧掩埋处理。围绕生态乡镇创建工作，该县组织群众开展农村环境卫生整治活动，对粪堆、柴堆、垃圾堆“三堆”和杂草垃圾袋进行彻底清理。严厉查处农村环境违法行为，加强农村环境监管，对不执行环境影响评价、违反“三同时”制度、超标排污、向农村倾倒垃圾以及违规开采造成生态破坏等环境违法行为，严格依法查处。目前，埋设排污管道6000多米，建成沉淀池3个、下水井127个；配备垃圾运输车24辆，购置分类垃圾桶160个、大型垃圾箱62个，建大型垃圾填埋场7处。
常德农村环境整治风生水起，“改善农村生态环境、建设美丽乡村”的号角在沅澧大地吹响，一幅整洁、文明、和谐、富裕的新农村画卷正徐徐展开
冬云里社区5号楼李大爷是小区里的老住户，从搬进来就搭建了违章，当施工队进驻社区时，他逢人就说：“咱小区这么多违章，我不信能拆干净，只要有一家不拆，就甭想动我一块砖瓦。”工作人员认真地说：“大爷，您放心，我们是一把尺子量长短，您就看好吧。”李大爷认了真，每天跟在施工队后面，当起了“监督员”，看着一个个“堡垒户”被攻克，一个个“钉子户”被拔掉，李大爷心服口服。回去主动拆除了自家使用了10年的存车棚。不仅如此，李大爷还当起了义务劝解员，主动做邻里工作。在安装楼道防盗门时，还自费为全楼每户居民配齐了钥匙。
