基于改進Canny算法的女性服裝款式輪廓檢測研究

王雅靜，宋 丹，陳曉玲

（1.湖南工程學院 計算機與通信學院，湘潭 411104；2.湖南工程學院 紡織服裝學院，湘潭 411104）

0 引言

圖像邊緣檢測技術貫穿于整個圖像處理操作中，并且形成獨立的研究領域，如檢測CT影像輪廓遮擋、鐵道異物入侵［1］等.在服裝行業(yè)有著巨大增值空間的女性服裝產(chǎn)業(yè)中，對服裝信息的需求較大，女裝圖像檢測技術相對落后，尤其是進行服裝邊緣檢測技術亟待提高.在提取過程中依據(jù)圖像的特征及不同的應用需求選擇不同的算法，給定圖像的適當算法是進行圖像識別和檢索的關鍵步驟，也是進一步理解圖像的基礎，邊緣檢測具有相當大的現(xiàn)實意義與良好的發(fā)展前景，可以實際應用于女裝廓形精細化分類和智能識別［2］等研究方向.

本文針對女性服裝圖片的復雜屬性情況，研究服裝款式的輪廓檢測問題.Wang X等［3］提出了一種基于聚類模式識別和輪廓節(jié)點檢測的計算機識別方法，分割出服裝的衣片部分，體現(xiàn)不出整體服裝信息.本文提出一種改進Canny算法對樣本進行服裝輪廓的提取，改善了女性服裝各款式輪廓的分割效果，展示了完整的服裝邊緣信息.并與Canny算法及典型的微分算子算法進行結果對比，微分算子算法選取文獻［4］［5］中效果較好的邊緣檢測算子，其中包括Roberts、Prewitt以及Laplacian算子.

1 Canny算子

Canny于1986年提出Canny邊緣檢測算法［6］，該算法提出后，在實際工程領域中獲得了廣泛應用.Canny邊緣檢測算法首先使用高斯核對圖像的各個像素點進行卷積，達到平滑圖象和抑制噪聲的作用；用一階偏導的差商來計算梯度的幅值和方向，根據(jù)得出的幅值對圖像的線條進行提??；對梯度幅值進行非極大值抑制，使得邊緣的像素點達到最佳值；用雙閾值算法檢測和連接邊緣，將邊緣二值化，并形成邊緣輪廓；最后使用高斯平滑函數(shù)，對輪廓降噪［7］.

梯度幅值的計算公式（2個方向）為

式（1）和（2）中：f（i，j）為（i，j）點的圖像灰度值。

式（3）中：M為（i，j）點的幅值；Gx為X方向的梯度幅值；Gy為Y方向的梯度幅值。

2 改進Canny算法

傳統(tǒng)Canny算法對于具有特殊屬性的女性服裝圖像，會出現(xiàn)噪聲邊緣過多、邊緣不連接等問題.劉驪等［8］指出由于服裝圖像常常包含遮擋物和復雜背景，導致分割準確率較低.該算法經(jīng)過非極大值抑制確認邊緣像素點，所以雙閾值的選擇對輪廓的確認尤為重要.

文獻［9］將Otsu算法的時間復雜度進行了降低，該方法根據(jù)二分法計算梯度幅值的均值來取得雙閾值.在使用該算法確認閾值的區(qū)間后，實現(xiàn)了對女裝圖像整體邊緣的提取，但是紋理與面料在提取過程中也會成為邊緣的一部分.針對此問題，李東等［10］指出傅立葉描述子、Hu不變矩等方法都能提取特征向量、重構輪廓曲線、去除噪聲輪廓.對于單獨無序的像素點，文獻［11］提出了目標輪廓無序點集描述，并使用點對點匹配獲取區(qū)域輪廓.但上述的方法都是分割色塊較大的圖像主體，不符合服裝圖像輪廓提取的要求.

針對上述問題，本文對Canny邊緣檢測算法提出相應的改進，由于樣本背景與服裝的類間方差大概率為單峰圖像，所以使用Otsu算法［12］取得最大的類間方差值的灰度值，通過減小閾值的搜索域，來自適應得到高、低閾值，具體公式如下：

本文針對文獻中的問題提出改進，精確服裝輪廓，消除多余的紋理及裝飾物噪聲，改進的Canny算法具體步驟如下：

（1）將灰度圖的梯度均值T分為兩個部分，再算出上述兩個部分的均值Tm（大于梯度均值的平均值）和Tn（小于梯度均值的平均值），根據(jù)類間方差的統(tǒng)計意義可得，閾值的搜索域為［Tm，Tn］.

（2）設定Tm-1和Tm+1為計算步長，依次計算類間方差值，分別計算出g（Tm-1）、g（Tm）、g（Tm+1）.并通過重復三個計算出閾值的類間方差的大小，縮小搜索域，當g（Tm-1）和g（Tm+1）同時小于g（Tm）時，Tm為高閾值，低閾值取高閾值的0.5倍.

（3）計算出的雙閾值用作Canny算法分割的閾值的參數(shù).然后遍歷整個圖像，根據(jù)查找到的白色像素點（像素值為255），查找與之相連的像素點在選取的領域值內(nèi)是否為白色，不為白色說明該像素塊屬于內(nèi)部，將該點刪除（置為黑色像素值0）.以此方法追蹤服裝圖像的邊緣，消除服裝輪廓外的噪聲.

對圖像中所有像素點執(zhí)行上述操作，便可完成女裝圖像款式輪廓的提取.這種方法能夠減少雙閾值的計算量，并且能自適應的找出分割閾值.

3 仿真實驗結果

3.1 圖像邊緣分割算法對比分析

圖1、圖2是裙裝、上衣的圖像分割結果，圖（b）、（c）、（d）系列子圖為三種微分算子實驗的結果圖，圖（e）和（f）系列子圖為Canny算法與改進Canny算法的實驗結果.

圖1 裙裝對比圖（微分算法、Canny、改進Canny）

圖2 上衣對比圖（微分算法、Canny、改進Canny）

微分算子算法是圖像分割的典型算法［13］：（1）Robert算子作為一階微分算子算法，其算法計算量小，對細節(jié)的反應也較為敏感，是一種利用局部差分算子尋找邊緣的算子；（2）Prewitt算子是加權平均算子，像素平均則相當于對圖像進行地同濾波，算法結果中會有些許噪聲的影響；（3）Laplacian算子來自拉普拉斯變換，會產(chǎn)生一個陡峭的零交叉，并根據(jù)這個零交叉來發(fā)現(xiàn)邊緣.這三種微分算子算法的效果表現(xiàn)較差，出現(xiàn)外部輪廓不連續(xù)、邊緣不平滑、紋理等產(chǎn)生的噪聲較多，并且不能與外部輪廓區(qū)分開等問題.Laplacian算子的邊緣相較于其他幾種算子的分割效果來看，具有邊緣更加明顯的特點，但外部輪廓的連續(xù)性不強.如圖1短裙圖像的（e）部分所示，短裙的腰部輪廓出現(xiàn)明顯的斷裂，同樣出現(xiàn)此問題的還有Prewitt算子.而Roberts算子由于對噪聲敏感的特點，服裝內(nèi)的紋理和花紋的邊緣噪聲與服裝款式輪廓連接較多，特別是有碎花圖案的女裝圖像，如圖2短袖圖像的（b）部分和（c）部分.圖1和圖2的（f）部分是改進Canny算法的實驗結果，將Canny算法的不足處，即花色、紋理、裝飾設計所形成的噪聲邊緣，有效的進行了消除，準確的提取到了女裝圖像的輪廓邊緣.

3.2 改進Canny算法實驗設計及結果分析

基于上述理論作為基礎，本文選取白色背景的女性服裝圖像作為樣本進行仿真實驗.實驗將樣本分為八類款式，對每類圖像進行預處理，經(jīng)過預處理的圖像，為改進的Canny算法提供初步的邊緣信息，為后續(xù)款式輪廓的提取打下基礎.服裝圖像預處理過程包括將彩色原始圖像進行灰度化，使用Otsu算法對灰度圖像進行二值化.

圖像預處理后，使用改進Canny算法對所處理圖片進行圖像邊緣的分割，形成完整的服裝圖像輪廓.初步形成的服裝輪廓里包括了服裝紋理和面料等產(chǎn)生的噪聲邊緣，該算法能自適應選取閾值，將二值化的服裝圖像、服裝外部輪廓與噪聲邊緣分離，分割出去除噪聲邊緣的服裝輪廓.所以只需追蹤物體的外部邊界，即可獲得圖像里的女裝款式輪廓.具體過程如圖3所示.

圖3 女裝款式提取流程圖

在MATLAB編程軟件平臺下，本文通過對56張女裝圖片進行了仿真實驗.實驗將樣本圖片分為八個類別：短/長半身裙、短/長裙、短/長袖、短/長褲.選取背心、短袖、長裙、長褲這四類仿真實驗結果進行展示，如圖4所示.

圖4 女性服裝款式輪廓檢測

圖4 （a）為原圖像，圖 4（b）為原圖像使用Otsu算法進行二值化的效果圖，而圖4（c）展示的是使用改進Canny算法的款式輪廓分割效果圖.

在實驗樣本圖片的選取上，顏色、紋理、面料和款式多樣化可以有效測試算法的泛化能力，達到預期效果.改進的Canny算法不論是在紋理較多（如碎花長裙圖像）、面料不同（如紗質(zhì)長半身裙圖像），還是圖像明暗度（如短袖與長袖圖像）不同的女性服裝圖片上都能提取到準確的服裝款式輪廓，實驗表明該算法在噪聲邊緣多的情況下，也有較好的輪廓檢測效果，并具有適用性廣、抗噪性強、準確度高等優(yōu)點.

4 結論

為了能有效分割女裝圖像的款式輪廓，保證后續(xù)服裝圖像處理環(huán)節(jié)的效果，本文提出了一種改進Canny算法的服裝圖像分割算法.該算法使用改進的Otsu算法計算圖像梯度幅值的高、低閾值，初步提取服裝的輪廓描述，然后用非最大值抑制來選取服裝輪廓中的邊緣曲線，進行細化后，消除噪聲邊緣.并經(jīng)過追蹤服裝外部輪廓，忽略紋理或裝飾物所形成的噪聲信息，提取到清晰連續(xù)的女裝款式輪廓.在仿真實驗中，對多類別的女裝圖像進行了輪廓提取，并與微分算子算法和Canny算法進行了對比分析，實驗結果表明本文改進的算法更能準確分割出服裝邊緣，提取到女裝款式輪廓，表達出女裝的款式特征.