圖像分割技術(shù)在服裝領(lǐng)域的應(yīng)用

張艷紅 楊思 徐增波

摘 要：圖像分割技術(shù)已廣泛應(yīng)用于服裝、醫(yī)療、工業(yè)等諸多領(lǐng)域?？偨Y(jié)了常用服裝圖像分割方法，闡述圖像分割技術(shù)在織物疵點(diǎn)檢驗(yàn)、織物圖案輪廓提取、服裝樣板和服裝圖像輪廓提取、服裝款式圖提取、服裝廓形識(shí)別以及服裝圖像檢索等方面的研究與應(yīng)用，指出該技術(shù)在服裝領(lǐng)域的發(fā)展趨勢(shì)。借助圖像分割技術(shù)可從服裝圖像中快速提取服裝款式信息、結(jié)構(gòu)元素，提高款式設(shè)計(jì)和制版效率，促進(jìn)服裝行業(yè)智能化、一體化發(fā)展。

關(guān)鍵詞：圖像處理;圖像分割;邊緣檢測(cè);輪廓提取;服裝設(shè)計(jì)智能化

DOI： 10. 11907/rjdk.191822

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類(lèi)號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-7800（2020）004-0238-04

0 引言

近幾年，服裝消費(fèi)逐漸向個(gè)性化轉(zhuǎn)變，傳統(tǒng)服裝設(shè)計(jì)模式已無(wú)法滿足消費(fèi)者需求。隨著計(jì)算機(jī)圖像處理技術(shù)的不斷進(jìn)步，服裝設(shè)計(jì)向著智能化、一體化方向發(fā)展。20世紀(jì)80年代初，該技術(shù)應(yīng)用于纖維、紗線、面料、成衣檢測(cè)等諸多方面，有效避免了主觀評(píng)定的不確定性，檢測(cè)結(jié)果更加科學(xué)、客觀。

圖像分割是圖像處理技術(shù)的關(guān)鍵，其原理是利用圖像灰度值的不連續(xù)性或相似性，將圖像分成若干個(gè)具有獨(dú)特屬性的區(qū)域[1]。借助圖像分割技術(shù)可從服裝圖像中快速提取服裝款式信息，提高制版效率;幫助設(shè)計(jì)師快速獲取感興趣的服裝元素，提高設(shè)計(jì)效率;輔助消費(fèi)者快速檢索出滿意的服裝款式等。

1 常用服裝圖像分割方法

按照有無(wú)背景可將服裝圖像分為無(wú)背景圖像和有背景圖像兩類(lèi)。無(wú)背景服裝圖像主要指圖像中只包含服裝，背景單一（通常為純色），此類(lèi)圖像處理相對(duì)簡(jiǎn)單，如圖1所示;有背景服裝圖像如圖2所示。由于背景容易產(chǎn)生噪聲，進(jìn)行圖像處理時(shí)操作較復(fù)雜。

服裝圖像分割的目的是過(guò)濾無(wú)用信息，從服裝圖像中提取所需目標(biāo)區(qū)域，例如服裝輪廓、服裝結(jié)構(gòu)線、服裝部件等。傳統(tǒng)的圖像分割方法主要有閾值分割、邊界分割、區(qū)域分割[2]等，這些方法僅適用于背景簡(jiǎn)單的物體分割;針對(duì)背景復(fù)雜的服裝圖像常用方法有Graph Cuts、Mean Shift、G rabCut等算法[3]，其中Craph Cuts和GrabCut屬于交互式圖像分割，需要借助人工，容易受主觀因素影響。針對(duì)服裝圖像中存在多個(gè)目標(biāo)和遮擋導(dǎo)致分割準(zhǔn)確率較低問(wèn)題，學(xué)者提出了多目標(biāo)服裝圖像的協(xié)同分割方法[4-5]，利用圖像顏色、形狀、輪廓等信息實(shí)現(xiàn)一系列服裝圖像的區(qū)域分割。與傳統(tǒng)方法相比，該方法可以有效解決圖像遮擋問(wèn)題，更加精確地分割出目標(biāo)圖像。

2 圖像分割技術(shù)應(yīng)用

2.1 織物疵點(diǎn)檢驗(yàn)

利用圖像處理技術(shù)進(jìn)行織物疵點(diǎn)檢驗(yàn)，可以有效避免傳統(tǒng)織物疵點(diǎn)檢驗(yàn)存在的效率低、漏檢率高、結(jié)果波動(dòng)性大等弊端。針對(duì)目標(biāo)與背景灰度值差異較大的織物圖像，通常采用閾值分割與形態(tài)學(xué)相結(jié)合的方法進(jìn)行疵點(diǎn)檢驗(yàn)[6]，該方法操作簡(jiǎn)單、運(yùn)算量小，適用范圍單一;針對(duì)紋理較復(fù)雜的織物圖像，通常利用小波變換[7]、傅里葉變換[8]、Con-tourlet變換[9]等方法，將圖像轉(zhuǎn)換到頻域，利用紋理特征的變化區(qū)分疵點(diǎn)。

針對(duì)織物疵點(diǎn)檢驗(yàn)，鐘小勇等[10]采用局部閾值算法進(jìn)行圖像分割;李紅梅[11]提出改進(jìn)的Otsu算法，在同時(shí)滿足類(lèi)間方差最大和類(lèi)內(nèi)方差最小的條件下進(jìn)行閾值分割，算法適應(yīng)性更好;趙靜等[12]提出基于最大熵的圖像分割算法，該算法最大限度地保留了圖像中的疵點(diǎn)信息;杜磊等[13]對(duì)比4種算法的疵點(diǎn)檢測(cè)效果得出排序：局部閾值分割算法>Otsu算法>最大熵閾值法>改進(jìn)的Otsu算法?；谏鲜鏊惴?，管聲啟等[14]提出了一種基于目標(biāo)特征的織物疵點(diǎn)分割方法。該算法利用疵點(diǎn)稀少特征分割疵點(diǎn)，與傳統(tǒng)檢測(cè)方法相比具有更好的準(zhǔn)確性與魯棒性。

2.2 織物圖案輪廓提取

印花織物中的圖案在進(jìn)行分色制版時(shí)通常依賴(lài)于手工藝，對(duì)工人的技術(shù)水平要求高，且制作復(fù)雜、耗時(shí)，無(wú)法適應(yīng)當(dāng)今印花行業(yè)高質(zhì)量、多品種、高效率需求。對(duì)此，一些學(xué)者嘗試?yán)脠D像分割技術(shù)提取織物印花輪廓[15-17]，通過(guò)多尺度組合和配色，實(shí)現(xiàn)圖案的二次利用，豐富印花種類(lèi)。其中，常用的輪廓提取方法是借助Canny、Roberts、So-bel、Log等邊緣檢測(cè)算子。由于印染織物紋理復(fù)雜且印花色彩繁多，容易產(chǎn)生噪聲干擾，導(dǎo)致傳統(tǒng)輪廓提取算法無(wú)法精確地提取完整的印花輪廓。

針對(duì)上述問(wèn)題，張海霞[18]采用基于區(qū)域分割的多尺度分割算法對(duì)印花圖像進(jìn)行平滑、分割處理，圖像邊緣信息和結(jié)構(gòu)信息保存較為完整;孫波[19]采用基于總差變模型的算法分解圖像中的結(jié)構(gòu)信息和紋理信息，之后利用Canny算子進(jìn)行輪廓提取，如圖3所示。經(jīng)過(guò)3次平滑迭代得到的目標(biāo)圖像在消除紋理干擾的同時(shí)保留完整的圖像細(xì)節(jié)，分割后的圖像輪廓與原圖輪廓具有較高的契合度，可以較好地用于后續(xù)填色、配色處理;為提高印花檢測(cè)精度，曹麗等[20]叫將顏色和紋理特征相融合，克服了僅依靠紋理或顏色特征進(jìn)行分割造成的圖像失真，提高了目標(biāo)圖像的分割質(zhì)量，但對(duì)于分割色彩更為復(fù)雜的織物圖像仍需進(jìn)一步改進(jìn)算法。

2.3 服裝樣板輪廓提取

計(jì)算機(jī)制版軟件的開(kāi)發(fā)與應(yīng)用大大簡(jiǎn)化了手工繪圖，有效提高了制圖效率與準(zhǔn)確性。利用計(jì)算機(jī)圖像處理技術(shù)，將服裝樣板轉(zhuǎn)化為制版軟件可編輯的數(shù)據(jù)形式，既可減少樣版的存儲(chǔ)空間，又可實(shí)現(xiàn)樣板再利用，具有重要的研究與應(yīng)用價(jià)值。對(duì)此，周佳等[21]以普通服裝樣板作為測(cè)試樣版，利用Canny邊緣檢測(cè)和形態(tài)學(xué)相結(jié)合的方法提取樣板輪廓，并將獲得的單像素輪廓存儲(chǔ)為矢量圖用于后續(xù)編輯處理，如圖4所示。該算法的實(shí)現(xiàn)可有效提高實(shí)際生產(chǎn)中服裝制版、修版、改版的效率。

2.4 服裝圖像輪廓提取

快速而又精確地提取服裝輪廓是服裝識(shí)別的關(guān)鍵。針對(duì)該問(wèn)題，Kass等[22]基于輪廓逼近原理提出了主動(dòng)輪廓模型，其弊端是容易導(dǎo)致能量函數(shù)的局部極小值;在此基礎(chǔ)上，Xu等[23]提出GVF方法，有效擴(kuò)大了初始輪廓線的捕獲范圍，但算法的實(shí)時(shí)性較差。目前，最常用的輪廓提取方法是利用邊緣檢測(cè)算子，但該方法僅適用于背景與目標(biāo)灰度值差異較大的純色服裝圖像，算法的適用性、準(zhǔn)確性較差。對(duì)于相對(duì)復(fù)雜的服裝圖像，尤其是帶有印花的服裝圖像，如果輪廓灰度值與背景相近，受紋理噪聲的影響，容易形成不規(guī)則的內(nèi)凹曲線。

針對(duì)上述問(wèn)題，安立新[24]利用多項(xiàng)式擬合依次提取服裝圖像的分支輪廓，并引入輪廓誤差，刪除紋理噪聲，獲得最終輪廓，如圖5所示。該算法在避免關(guān)鍵數(shù)據(jù)被平滑掉的基礎(chǔ)上，順滑曲線，簡(jiǎn)化算法，有效提高了運(yùn)行效率;為實(shí)現(xiàn)服裝圖像的分類(lèi)識(shí)別，李東[25]采用傅里葉描述子表征服裝輪廓特征，通過(guò)選取合適的特征分量重構(gòu)服裝輪廓。由于傅里葉描述子獨(dú)特的尺度不變性，使該算法非常適用于后續(xù)服裝圖像的識(shí)別。

2.5 服裝款式圖提取

隨著消費(fèi)者對(duì)服裝款式需求的不斷提高，傳統(tǒng)服裝設(shè)計(jì)模式已經(jīng)無(wú)法滿足消費(fèi)者個(gè)性化需求。利用圖像分割技術(shù)從服裝圖像中提取所需服裝款式（衣領(lǐng)、口袋等），構(gòu)建服裝款式數(shù)據(jù)庫(kù)，可實(shí)現(xiàn)服裝款式的二次利用，幫助設(shè)計(jì)師快速獲取感興趣的服裝設(shè)計(jì)要素，在滿足消費(fèi)者個(gè)性化需求的同時(shí)，提高設(shè)計(jì)效率。該方法適用于圖像大批量處理，非常符合服裝氽業(yè)需求。

對(duì)此，周廣君[26]利用自適應(yīng)種子生長(zhǎng)算法從圖像中分割出服裝區(qū)域，對(duì)其進(jìn)行量化處理，通過(guò)相應(yīng)的匹配規(guī)則獲取服裝的款式屬性;安立新[27]提出了一種從成衣圖像中提取服裝款式圖的算法。該算法分為服裝輪廓提取和服裝內(nèi)部細(xì)節(jié)提取兩部分。首先通過(guò)形態(tài)學(xué)方法提取服裝初始輪廓;其次設(shè)定支點(diǎn)，采用多項(xiàng)式擬合方法得到光滑輪廓曲線;最后通過(guò)對(duì)稱(chēng)點(diǎn)交互式操作依次提取服裝內(nèi)部結(jié)構(gòu)線，獲得完整的服裝款式圖，如圖6所示。該算法的效率明顯優(yōu)于GVF snake算法，適用于大多數(shù)服裝圖像的款式圖提取。此外，對(duì)稱(chēng)點(diǎn)的運(yùn)用有效簡(jiǎn)化了內(nèi)部復(fù)雜結(jié)構(gòu)線的提取。不足之處是需要人工配合，沒(méi)有完全實(shí)現(xiàn)智能化。

2.6 服裝廓形識(shí)別與量化

對(duì)于背景復(fù)雜的服裝圖像，快速、精確地將目標(biāo)圖像從背景中分割出來(lái)是圖像處理的關(guān)鍵。為此，有研究學(xué)者[28-29]結(jié)合圖像視覺(jué)顯著性計(jì)算與圖像分割思想提出了目標(biāo)分割算法;黃磊等[30]將CraphCut與顯著性計(jì)算相融合進(jìn)行圖像分割，取得了良好效果。

針對(duì)服裝圖像中服裝區(qū)域的自動(dòng)分割和結(jié)構(gòu)提取，劉正東[31]結(jié)合JSeg算法和圖像顯著性計(jì)算，利用人臉檢測(cè)輔助判別背景區(qū)域與人體著裝區(qū)域，如圖7所示。該算法有效避免了人機(jī)交互的干擾，提高了批量處理效率?；谏鲜鲅芯?，有學(xué)者[32-33]提出基于人體分割技術(shù)的女裝廓形尺寸數(shù)據(jù)庫(kù)構(gòu)建方法，通過(guò)人臉檢測(cè)和皮膚檢測(cè)，從背景中分割出著裝人體，之后按照人體比例對(duì)服裝廓形進(jìn)行測(cè)量、分類(lèi)。該方法可以準(zhǔn)確量化服裝廓形，適用于大部分服裝廓形的尺寸提取。利用圖像處理技術(shù)量化服裝廓形可以判斷服裝廓形，把握服裝廓形趨勢(shì)。

2.7 服裝圖像檢索

在線購(gòu)衣的興起，促進(jìn)了圖像檢索技術(shù)的發(fā)展。服裝圖像檢索結(jié)果的準(zhǔn)確度主要依賴(lài)于服裝圖像的分割和款式特征提取。快速、精確地從復(fù)雜的服裝圖像中提取服裝信息是圖像檢索的關(guān)鍵。常用的服裝圖像檢索方法大多基于服裝的顏色、紋理、形狀等特征[34]，單一的圖像特征無(wú)法全面表征服裝整體，因此算法檢測(cè)準(zhǔn)確性較低。采用多特征融合的方法對(duì)服裝圖像進(jìn)行檢索，與傳統(tǒng)算法相比，具有更高的查全率與查準(zhǔn)率。

為消除圖像背景影響，胡玉平等[35]提出改進(jìn)的Crab-Cut算法，優(yōu)化其能量函數(shù)，改進(jìn)分水嶺算法。該算法采用多尺度分水嶺方法去噪，降低計(jì)算量，增加圖像邊緣;采取熵懲罰因子最優(yōu)能量函數(shù)，減少了圖像有效信息的丟失。與同類(lèi)算法相比，該算法有效提高了圖像檢索準(zhǔn)確性、查準(zhǔn)率以及查全率。為提高圖像分割準(zhǔn)確率，黃冬艷等[36]提出了服裝聯(lián)合分割算法，利用E-SVM（ exemplar supporvector machine）模板提取目標(biāo)圖像與服裝數(shù)據(jù)集的服裝區(qū)域，采用改進(jìn)的服裝顏色特征和區(qū)域特征進(jìn)行特征匹配，實(shí)現(xiàn)服裝圖像檢索。該算法改善了傳統(tǒng)算法中因人體遮擋或缺失帶來(lái)的分割不準(zhǔn)確缺陷，具有較高的魯棒性和檢索準(zhǔn)確率。

3 結(jié)語(yǔ)

隨著圖像處理技術(shù)的快速發(fā)展，服裝圖像分割技術(shù)已廣泛應(yīng)用于織物疵點(diǎn)檢驗(yàn)、織物圖案輪廓提取、服裝樣板和服裝圖像輪廓提取、服裝款式圖提取、服裝廓形識(shí)別以及服裝圖像檢索等諸多方面。該技術(shù)的應(yīng)用有效改善了傳統(tǒng)方法效率低、主觀性大等弊端。但是，在服裝款式圖提取方面，由于服裝款式的多樣性、復(fù)雜性，現(xiàn)有算法僅適用于結(jié)構(gòu)簡(jiǎn)單的服裝款式圖提取，算法的魯棒性與適用性仍需進(jìn)一步提高。同時(shí)，在服裝圖像檢索方面，目前研究主要基于圖像底層特征的提取，如何運(yùn)用高級(jí)感官實(shí)現(xiàn)服裝面料效果、服裝風(fēng)格的檢索，是當(dāng)下服裝圖像檢索研究的趨勢(shì)和熱點(diǎn)。

隨著圖像分割技術(shù)研究的不斷深入，對(duì)算法的適用性、魯棒性要求越來(lái)越高，但目前為止，還不存在適用于所有圖像的圖像分割算法;同時(shí)，由于應(yīng)用范圍不斷擴(kuò)大，對(duì)圖像分割質(zhì)量的要求也不斷提高。因此，要將現(xiàn)有研究與新理論、新技術(shù)相結(jié)合，使圖像分割技術(shù)向著更加智能化、高效化方向發(fā)展。

參考文獻(xiàn)：

[1]姜楓，顧慶，郝慧珍，等.基于內(nèi)容的圖像分割方法綜述[J].軟件學(xué)報(bào)，2017，28（1）：160-183.

[2]張濤，齊永奇.MATLAB圖像處理編程與應(yīng)用[M].北京：機(jī)械工業(yè)出版社.2014.

[3] 侯紅英，高甜，李桃.圖像分割方法綜述[J].電腦知識(shí)與技術(shù)，2019，15（ 5）：176-177.

[4]