王雅靜，宋 丹，陳曉玲

（1.湖南工程學(xué)院 計(jì)算機(jī)與通信學(xué)院，湘潭 411104；2.湖南工程學(xué)院 紡織服裝學(xué)院，湘潭 411104）

0 引言

圖像邊緣檢測(cè)技術(shù)貫穿于整個(gè)圖像處理操作中，并且形成獨(dú)立的研究領(lǐng)域，如檢測(cè)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(duì)服裝信息的需求較大，女裝圖像檢測(cè)技術(shù)相對(duì)落后，尤其是進(jìn)行服裝邊緣檢測(cè)技術(shù)亟待提高.在提取過(guò)程中依據(jù)圖像的特征及不同的應(yīng)用需求選擇不同的算法，給定圖像的適當(dāng)算法是進(jìn)行圖像識(shí)別和檢索的關(guān)鍵步驟，也是進(jìn)一步理解圖像的基礎(chǔ)，邊緣檢測(cè)具有相當(dāng)大的現(xiàn)實(shí)意義與良好的發(fā)展前景，可以實(shí)際應(yīng)用于女裝廓形精細(xì)化分類和智能識(shí)別［2］等研究方向.

本文針對(duì)女性服裝圖片的復(fù)雜屬性情況，研究服裝款式的輪廓檢測(cè)問(wèn)題.Wang X等［3］提出了一種基于聚類模式識(shí)別和輪廓節(jié)點(diǎn)檢測(cè)的計(jì)算機(jī)識(shí)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(jìn)Canny算法對(duì)樣本進(jìn)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(jìn)行結(jié)果對(duì)比，微分算子算法選取文獻(xiàn)［4］［5］中效果較好的邊緣檢測(cè)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(cè)算法［6］，該算法提出后，在實(shí)際工程領(lǐng)域中獲得了廣泛應(yīng)用.Canny邊緣檢測(cè)算法首先使用高斯核對(duì)圖像的各個(gè)像素點(diǎn)進(jìn)行卷積，達(dá)到平滑圖象和抑制噪聲的作用；用一階偏導(dǎo)的差商來(lái)計(jì)算梯度的幅值和方向，根據(jù)得出的幅值對(duì)圖像的線條進(jìn)行提??；對(duì)梯度幅值進(jìn)行非極大值抑制，使得邊緣的像素點(diǎn)達(dá)到最佳值；用雙閾值算法檢測(cè)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(duì)輪廓降噪［7］.

梯度幅值的計(jì)算公式（2個(gè)方向）為

式（1）和（2）中：f（i，j）為（i，j）點(diǎn)的圖像灰度值。

式（3）中：M為（i，j）點(diǎn)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(jìn)Canny算法

傳統(tǒng)Canny算法對(duì)于具有特殊屬性的女性服裝圖像，會(huì)出現(xiàn)噪聲邊緣過(guò)多、邊緣不連接等問(wèn)題.劉驪等［8］指出由于服裝圖像常常包含遮擋物和復(fù)雜背景，導(dǎo)致分割準(zhǔn)確率較低.該算法經(jīng)過(guò)非極大值抑制確認(rèn)邊緣像素點(diǎn)，所以雙閾值的選擇對(duì)輪廓的確認(rèn)尤為重要.

文獻(xiàn)［9］將Otsu算法的時(shí)間復(fù)雜度進(jìn)行了降低，該方法根據(jù)二分法計(jì)算梯度幅值的均值來(lái)取得雙閾值.在使用該算法確認(rèn)閾值的區(qū)間后，實(shí)現(xiàn)了對(duì)女裝圖像整體邊緣的提取，但是紋理與面料在提取過(guò)程中也會(huì)成為邊緣的一部分.針對(duì)此問(wèn)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(gòu)輪廓曲線、去除噪聲輪廓.對(duì)于單獨(dú)無(wú)序的像素點(diǎn)，文獻(xiàn)［11］提出了目標(biāo)輪廓無(wú)序點(diǎn)集描述，并使用點(diǎn)對(duì)點(diǎn)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(duì)上述問(wèn)題，本文對(duì)Canny邊緣檢測(cè)算法提出相應(yīng)的改進(jìn)，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(guò)減小閾值的搜索域，來(lái)自適應(yīng)得到高、低閾值，具體公式如下：

本文針對(duì)文獻(xiàn)中的問(wèn)題提出改進(jìn)，精確服裝輪廓，消除多余的紋理及裝飾物噪聲，改進(jìn)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(gè)部分，再算出上述兩個(gè)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(jì)意義可得，閾值的搜索域?yàn)椋跿m，Tn］.

（2）設(shè)定Tm-1和Tm+1為計(jì)算步長(zhǎng)，依次計(jì)算類間方差值，分別計(jì)算出g（Tm-1）、g（Tm）、g（Tm+1）.并通過(guò)重復(fù)三個(gè)計(jì)算出閾值的類間方差的大小，縮小搜索域，當(dāng)g（Tm-1）和g（Tm+1）同時(shí)小于g（Tm）時(shí)，Tm為高閾值，低閾值取高閾值的0.5倍.

（3）計(jì)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(gè)圖像，根據(jù)查找到的白色像素點(diǎn)（像素值為255），查找與之相連的像素點(diǎn)在選取的領(lǐng)域值內(nèi)是否為白色，不為白色說(shuō)明該像素塊屬于內(nèi)部，將該點(diǎn)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(duì)圖像中所有像素點(diǎn)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(jì)算量，并且能自適應(yīng)的找出分割閾值.

3 仿真實(shí)驗(yàn)結(jié)果

3.1 圖像邊緣分割算法對(duì)比分析

圖1、圖2是裙裝、上衣的圖像分割結(jié)果，圖（b）、（c）、（d）系列子圖為三種微分算子實(shí)驗(yàn)的結(jié)果圖，圖（e）和（f）系列子圖為Canny算法與改進(jìn)Canny算法的實(shí)驗(yàn)結(jié)果.

圖1 裙裝對(duì)比圖（微分算法、Canny、改進(jìn)Canny）

圖2 上衣對(duì)比圖（微分算法、Canny、改進(jìn)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(jì)算量小，對(duì)細(xì)節(jié)的反應(yīng)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(quán)平均算子，像素平均則相當(dāng)于對(duì)圖像進(jìn)行地同濾波，算法結(jié)果中會(huì)有些許噪聲的影響；（3）Laplacian算子來(lái)自拉普拉斯變換，會(huì)產(chǎn)生一個(gè)陡峭的零交叉，并根據(jù)這個(gè)零交叉來(lái)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(kāi)等問(wèn)題.Laplacian算子的邊緣相較于其他幾種算子的分割效果來(lái)看，具有邊緣更加明顯的特點(diǎn)，但外部輪廓的連續(xù)性不強(qiáng).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(wèn)題的還有Prewitt算子.而Roberts算子由于對(duì)噪聲敏感的特點(diǎn)，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(jìn)Canny算法的實(shí)驗(yàn)結(jié)果，將Canny算法的不足處，即花色、紋理、裝飾設(shè)計(jì)所形成的噪聲邊緣，有效的進(jìn)行了消除，準(zhǔn)確的提取到了女裝圖像的輪廓邊緣.

3.2 改進(jìn)Canny算法實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

基于上述理論作為基礎(chǔ)，本文選取白色背景的女性服裝圖像作為樣本進(jìn)行仿真實(shí)驗(yàn).實(shí)驗(yàn)將樣本分為八類款式，對(duì)每類圖像進(jìn)行預(yù)處理，經(jīng)過(guò)預(yù)處理的圖像，為改進(jìn)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(chǔ).服裝圖像預(yù)處理過(guò)程包括將彩色原始圖像進(jìn)行灰度化，使用Otsu算法對(duì)灰度圖像進(jìn)行二值化.

圖像預(yù)處理后，使用改進(jìn)Canny算法對(duì)所處理圖片進(jìn)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(yīng)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(guò)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(tái)下，本文通過(guò)對(duì)56張女裝圖片進(jìn)行了仿真實(shí)驗(yàn).實(shí)驗(yàn)將樣本圖片分為八個(gè)類別：短/長(zhǎng)半身裙、短/長(zhǎng)裙、短/長(zhǎng)袖、短/長(zhǎng)褲.選取背心、短袖、長(zhǎng)裙、長(zhǎng)褲這四類仿真實(shí)驗(yàn)結(jié)果進(jìn)行展示，如圖4所示.

圖4 女性服裝款式輪廓檢測(cè)

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

在實(shí)驗(yàn)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(cè)試算法的泛化能力，達(dá)到預(yù)期效果.改進(jìn)的Canny算法不論是在紋理較多（如碎花長(zhǎng)裙圖像）、面料不同（如紗質(zhì)長(zhǎng)半身裙圖像），還是圖像明暗度（如短袖與長(zhǎng)袖圖像）不同的女性服裝圖片上都能提取到準(zhǔn)確的服裝款式輪廓，實(shí)驗(yàn)表明該算法在噪聲邊緣多的情況下，也有較好的輪廓檢測(cè)效果，并具有適用性廣、抗噪性強(qiáng)、準(zhǔn)確度高等優(yōu)點(diǎn).

4 結(jié)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(jìn)Canny算法的服裝圖像分割算法.該算法使用改進(jìn)的Otsu算法計(jì)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(lái)選取服裝輪廓中的邊緣曲線，進(jìn)行細(xì)化后，消除噪聲邊緣.并經(jīng)過(guò)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(shí)驗(yàn)中，對(duì)多類別的女裝圖像進(jìn)行了輪廓提取，并與微分算子算法和Canny算法進(jìn)行了對(duì)比分析，實(shí)驗(yàn)結(jié)果表明本文改進(jìn)的算法更能準(zhǔn)確分割出服裝邊緣，提取到女裝款式輪廓，表達(dá)出女裝的款式特征.