高婷 莊梅玲 石歷麗 劉靜 王敬雪

摘 要：為了實現(xiàn)韓國傳統(tǒng)禮服款式的信息化，針對韓國禮服高腰大擺的A字廓型和服飾用色搭配較相近的特點，對韓國禮服圖像采用了內外廓型分別提取的方法。在外輪廓識別中，采用角度θ和長度c交叉的線形結構形態(tài)學算法進行外輪廓提取，并通過二元方差分析對雙因子的影響結果進行客觀評價，結合主觀視覺效果，得出最優(yōu)外輪廓的組合參數(shù)θ=10°，c=9;對于對比度較低的內部飾品輪廓識別，設計CLAHE算法進行圖像增強，采用K-Means聚類算法進行領飾圖像分割，再用矩形法賦值和基于插值的局部放大修復算法進行填充修復，最后用canny算法進行輪廓提取得出內部領飾輪廓圖。結果表明：內外組合的輪廓提取算法可達到主觀視覺和客觀邊界長度評價下的最優(yōu)效果，是適合韓國禮服圖像特點的有效算法。

關鍵詞：韓國禮服;圖像識別;線形結構形態(tài)學;CLAHE;K-Means

中圖分類號：TS941.2

文獻標志碼：A

文章編號：1009-265X（2022）02-0197-11

收稿日期：20210303 網(wǎng)絡出版日期：20210708

基金項目：青島大學研究項目（JXGG2019080）;陜西省科技廳項目（2016FP-07）

作者簡介：高婷（1996-），女，山東臨沂人，碩士研究生，主要從事服裝與服飾數(shù)字化方面的研究。

通信作者：莊梅玲，E-mail：zmlqdu@126.com

An algorithm for extracting inner and outer contours of korean dress images

GAO Ting1， ZHUANG Meiling1， SHI Lili2， LIU Jing1， WANG Jingxue1

（1.College of Textiles & Clothing， Qingdao University， Qingdao 266071， China;

2.Clothing Department， Xi'an Academy of Fine Arts， Xi'an 710065， China）

Abstract： In order to achieve the informatization of the styles of traditionalKorean dresses， this paper extracts the inner and outer contours ofKorean dress images respectively， in view of the characteristics ofKorean dresses， that is， A-shaped contour with high waist and large hemline and similar color collocation in dress. During the recognition of outer contour， the outer contour is extracted using the linear structure morphology algorithm of angle θ and length c， and the effect of two factors was evaluated in an objective way through a binary variance analysis. Combined with the subjective visual effect， the optimal combined parameters for outer contour were obtained： θ=10°， c=9. For the recognition of inner contours of accessories with low contrast， a CLAHE algorithm was designed to enhance image. Secondly， K-means clustering algorithm was adopted to segment the collar image， and then rectangular assignment and local zoom repair algorithm based on interpolation were adopted for filling and repairing. Finally， Canny algorithm was used to extract contours and get the inner contour of collar. The experimental results indicate that the extraction method integrating inner and outer contours can achieve the best effect under subjective vision and objective evaluation of boundary length. It is an effective algorithm for the characteristics ofKorean dress images.

Key words： Korean dress; image recognition; linear structure morphology; CLAHE; K-Means

中韓兩國地理相鄰，自中國隋唐以來，兩國文化交流就非?；钴S。韓國傳統(tǒng)禮服隨著時代的發(fā)展，印刻了獨特的文化烙印，因而研究韓國禮服款型的特點，可從中吸取韓國傳統(tǒng)服裝文化的經(jīng)驗，從而更好地弘揚本民族服飾文化。對韓國傳統(tǒng)禮服進行數(shù)字化款式提取，實現(xiàn)傳統(tǒng)禮服款式信息的數(shù)據(jù)化，能夠儲存禮服信息實現(xiàn)數(shù)字化保護，還有利于傳統(tǒng)文化的數(shù)字化保留記載，同時能夠增強中韓兩國服飾文化交流。

韓國禮服由寬松短衣和高腰長裙組成。短衣前面交錯，由長帶結成蝴蝶結系住，短上衣的長度剛好到達胸部位置，腰部收緊，袖口寬松，體現(xiàn)女性的曲線之美;高腰長裙系在胸部，長裙蓬松，長度較長，體現(xiàn)出了女子的端莊典雅[1]。目前存在的服裝輪廓提取算法主要是一些通用算法，比如傅里葉描述子輪廓特征提取算法、形態(tài)學處理算法等。傅里葉描述子輪廓特征提取算法使用預選的特征向量表示整個服裝輪廓，但提取的輪廓受所選擇的特征向量的影響明顯[2-3]。形態(tài)學處理算法主要針對有特殊造型的目標處理，選擇合適的結構元素進行腐蝕膨脹等處理，從而獲得外輪廓，優(yōu)點是算法效率很高。如An 等[4] 對服裝圖像進行形態(tài)學處理，獲得服裝外部輪廓邊緣;何曉軍等[5]提出一種結合模糊相似性的彩色形態(tài)學圖像處理方法。對于本研究的韓國禮服外輪廓，其外觀形態(tài)為相對簡單的流線造型，形態(tài)學處理算法將是非常適合的，研究將結合A字型輪廓，設計線形結構形態(tài)學算法并驗證最佳參數(shù)進行外輪廓提取。

對比外輪廓，韓國禮服的內部細節(jié)非常豐富，有腰線、領飾、腰飾、門襟、分割線及裙擺上的褶、裥等設計;并且韓服的整體色調相對淡雅，在色彩、明度、灰度差異不明顯，獲取的圖像清晰程度不高的情況下，增加了內部廓型識別的難度，因此需要對禮服圖像進行增強預處理。CLAHE（Contrast limited adaptive histogram equalization）算法[6]能有效的避免傳統(tǒng)的直方圖均衡化算法導致均衡化后的圖像具有明顯的塊狀分界問題。CLAHE算法通過對比度限幅，圖像增強效果更好，且特別適用于低對比度圖像[7-9]。因此設計基于CLAHE算法對韓國禮服圖像進行圖像增強預處理，增加對比度以便進行內部飾品輪廓的提取。

為了有效提取帶有特殊廓形特點的A字型服裝圖像，本文以韓國禮服圖像為例，采用了內外廓型分別提取的方法，能夠有效地提取韓國禮服的整體輪廓。

1 算法設計思路

韓國禮服特點：上衣短薄輕盈，下裙長厚質樸，腰線高達胸圍線，整體廓形呈現(xiàn)A字型;并且與歐美禮服在款式上通過夸張肩部、收緊腰部、擴大底擺獲得X廓形，以及中式旗袍通過結構設計整體造型呈現(xiàn)S型的廓形，形成明顯差異;并且韓國禮服用色講究淡雅，色彩對比度不高，所以在廓型及內部細節(jié)的提取上有其獨特的需求。對于韓國禮服廓型的提取包括外部廓型和內部飾品廓型提取2部分：外部廓型呈現(xiàn)流線型造型;而內部的廓型提取涉及韓國色彩的弱對比，并且由于韓國禮儀中女性站立或坐立時雙手合攏在胸前，導致獲取的服裝圖像幾乎都存在遮擋導致服裝內部不連續(xù)問題，所以算法的設計對內外輪廓分別進行。

本研究的算法流程如圖1所示，根據(jù)韓國禮服高腰大擺的A字型外輪廓和用色相近的內部飾品特點，將韓國禮服的整體款型分成2部分進行分別識別提取：a）外輪廓提取算法;b）內輪廓提取算法。首先，對輸入的韓國禮服圖像進行外輪廓形態(tài)學處理，提取外輪廓;其次，采用CLAHE算法對韓國禮服圖像進行圖像增強;然后，使用K-Means聚類算法[10]進行內部領飾圖像分割;再用矩形法賦值和插值算法進行填充修復;最后將修復后的內部領飾圖像用canny算法進行輪廓提取。

2 基于線形結構形態(tài)學的外輪廓提取算法

形態(tài)學圖像處理（簡稱形態(tài)學）是指一系列處理圖像形狀特征的圖像處理技術。形態(tài)學的基本思想是利用一種特殊的結構元素來測量或提取輸入圖像中相應的形狀或特征，以便進一步進行圖像分析和目標識別[11]。因而結構元素是形態(tài)學操作的關鍵，結構元素的形狀與大小會直接影響目標圖像的形態(tài)運算結果。常見的結構元素有矩形、圓形、橢圓形、菱形、線性、八邊形、三角形等[12]。實際應用中，選擇與識別對象的輪廓更為相近的結構元素，有利于提高所識別輪廓的準確性。像圓形、橢圓形這類弧狀結構主要適合于邊緣也趨向于曲線、棱角不分明的目標輪廓識別[13]。以圖2的韓國禮服為實例，與其它禮服相比，在整體輪廓上更趨向于A型，禮服外輪廓形態(tài)學分析如圖3所示，輪廓上任一點P，過P點做輪廓的切線m基本上是保持與附近輪廓貼近的狀態(tài)，隨著輪廓的變化，切線m的傾斜角θ會隨之變動，變化數(shù)值在[0，90°]范圍內，同時點P附近與切線m的貼近元素的數(shù)量可以通過長度c來表征。角度θ和長度c兩個變量決定著識別的精度，所以選擇線性的結構元素變化角度θ和長度c兩個變量，設計算法進行韓國禮服的外輪廓識別。

基于上述思路，對圖2的韓國禮服圖像進行外輪廓識別算法設計。算法中對兩個變量：角度θ和長度c進行交叉組合設計線性結構元素，對圖2目標識別。識別的精度從主觀和客觀兩方面進行評價。主觀方面主要是通過人眼的視覺效果評價，而客觀評價指標是采用邊界長度L，L為所提取的圖像邊緣的像素個數(shù)。L的計算方法如下：a）把目標圖像轉化為二值化圖像，二值化圖像中白色區(qū)域即為目標圖像中邊界;b）計算二值化圖像中白色點的個數(shù)即為L值。

2.1 線形結構形態(tài)學算法設計

對圖2的韓國禮服圖像進行外輪廓識別的線形結構形態(tài)學算法設計如下：

a）輸入圖像A（x，y），選擇線形結構元素b（θ， c），對A（x，y）進行腐蝕;

b）θ 0=0，以Δθ=10°進行遞增，θ ∈[0，90°];c 0=0，以Δc=1進行遞增;

c）對圖像A（x，y）外輪廓進行腐蝕，得到腐蝕圖a（x，y）=A（x，y） Θ b（θ， c）;

d）圖像輪廓A L=A（x，y）-a（x，y），輸出邊界圖像并計算L。

2.2 雙因素影響客觀分析

基于上述算法，對角度θ和長度c雙因子設計交叉實驗，如表1所示。

對雙因素的影響進行二元方差分析：根據(jù)雙因素方差分析原理對線形結構元素長度和角度對邊界長度L的100組數(shù)據(jù)進行方差分析，結果見表2。由表2可以看出：在顯著性水平α=0.05的情況下，F(xiàn) 0.05（9，81）=2。F c=99.27遠大于臨界值2，因此因素c在本試驗中影響效果極顯著;F θ=2.7787大于臨界值2，因此因素θ在本試驗中影響效果顯著。即線形結構元素長度和角度對邊界長度L的影響都顯著，且線形結構元素長度c對L的影響更明顯，而線形結構元素角度θ對邊界長度L的影響程度次之。

然后，通過將自變量-角度θ、長度c對因變量-邊界長度L的影響變化通過繪制三維圖，進行更加形象化的分析，見圖4。而θ和c對L的單因素影響規(guī)律通過圖5顯示。

從圖4中發(fā)現(xiàn)：隨著c的增加，輸出圖像的邊界長度L也增加;而隨著θ的增加，輸出圖像的邊界長度L值波動，沒有明顯正相關或負相關;最終在θ=10°且c=9時L數(shù)最高為1000。

圖5的單因素影響表明：在長度一定時，0°<θ<60°時，θ的影響比較平緩，而當60°<θ≤80°，隨著θ的增加輸出圖像的邊界長度L反而減小，在θ=80°時，L達到最小，而后增加。

2.3 實驗結果人眼視覺效果評價

將角度θ、長度c在不同數(shù)值下的邊緣輪廓進行提取。其中選擇c=9時，θ從0～90°進行實驗，處理圖像如圖6所示。選擇θ=10°時，c從3～9的處理圖像如圖7所示。

通過人眼視覺從圖6和圖7中可清晰地看出圖像的明暗以及邊緣的粗細變化：a）在圖6中，隨著θ的增加，長裙兩側邊緣線漸細，而底部邊緣線漸粗，在θ=0°、θ=10°、θ=20°時，圖像邊緣線更清晰，圖像也更明亮，在θ≥30°時，圖像邊緣線明顯變細，在θ=90°時，圖像邊緣線最不清晰，且圖像最暗;b）在圖7中，當長度c過小時，輸出圖像邊界不連續(xù);隨著c的增加，圖像長裙底部的邊緣線漸粗且圖像亮度逐步增加，在c=3時，輸入圖像邊緣線最不清晰且圖像最暗，在c=9時，輸入圖像邊緣線最為清晰且圖像最為明亮。最后結合客觀評價得出最優(yōu)外輪廓的組合參數(shù)為θ=10°，c=9。

2.4 與其它邊界檢測算法的對比

為了驗證本算法的有效性，又選擇了多幅韓國禮服圖像進行處理，處理結果如圖8第1列所示，發(fā)現(xiàn)本算法提取的韓國禮服外輪廓都是比較清晰連續(xù)的。同時為了進一步分析本文算法的優(yōu)勢，將本文的5副韓國禮服圖像用本文算法和傳統(tǒng)的3種邊緣識別算法（sobel算子、roberts算子和canny算子）分別進行處理，對處理結果進行對比，見圖8。通過

圖8（b）—（e）結果對比，可發(fā)現(xiàn)：sobel算子和roberts算子提取后的韓國禮服圖像邊緣是不連續(xù)的;canny算子屬于二階微分算子，提取后的圖像噪聲偏多，邊界與內部噪聲混在一起，也存在著間斷不連續(xù)問題。相比之下，本文的線形結構形態(tài)學算法提取的外輪廓清晰且連續(xù)，由此證明本文算法對于韓國禮服這種具有流線型外輪廓的服裝圖像具有更好的識別效果。

3 內輪廓提取算法

本研究的韓國禮服圖像由于用色非常相近，所以存在著禮服裙與內部領飾之間在灰度上非常接近，對比度不明顯，單純的轉化為灰度圖像導致飾品和禮服裙融為一體，難以提取飾品的輪廓，這也是韓國禮服飾品用色的突出特點。同時，手臂的遮擋引起了飾品輪廓的間斷性也是需要重點解決的問題。故設計了CLAHE算法首先增強圖像色彩間的對比度;再通過K-Means顏色聚類分割算法將領帶圖像分割出來;最后用賦值和插值算法填充修補領帶中被手臂遮擋的區(qū)域。

3.1 基于CLAHE算法的禮服圖像增強

針對所處理的圖像中禮服裙與內部領飾之間的對比度較低，很難識別出領飾輪廓的特點，采用CLAHE算法進行圖像增強處理。算法采用遞歸并通過增強局部區(qū)域的對比度，從而增強圖像局部細節(jié)的可視性。針對明度相近色相不同的韓國禮服圖像內部細節(jié)的輪廓識別，運用CLAHE算法增強禮服裙與配飾領帶之間的對比度，從而更容易提取領帶的輪廓。

算法步驟：

a）圖像分塊，將輸入圖像分為大小相等的n×m個不重疊子塊;計算每個子塊的高度H Size和寬度W Size.

b）繪制子塊的直方圖F i（g）（i=1，2，……，n×m），并求出子塊i出現(xiàn)的灰度級數(shù)H i，其中g為子塊i的灰度級，g∈[0，H i-1].

c）計算限制閾值ClipLimit：

對限制閾值賦初值ClipLimit （0），按照式（1）求各子塊i的限制閾值ClipLimit （i），（i=1，2，……，n×m）

ClipLimit （i）=ClipLimit （0）×H Size×W SizeH i（1）

d）修剪直方圖

對每個子塊，使用ClipLimit （i）值進行剪切，將剪切下來的像素數(shù)目重新分配到直方圖的各灰度級中，有

totalExcess= ∑Hi-1g=0 （max（F i（g）-ClipLimit （i），0））（2）

avgBinIncr=totalExcessH i（3）

式中totalExcess是指超過ClipLimit （i）的像素值總數(shù);avgBinIncr是指直方圖中平均每個灰度級增加的像素數(shù)。F i（g）（i=1，2，……，n×m）為經(jīng)重分配處理后的直方圖。

e）直方圖均衡，對F i（g）（i=1，2，……，n×m）進行直方圖均衡化處理，均衡結果用H i（g）（i=1，2，……，n×m）表示。

f）像素點灰度值重構，根據(jù)H i（g）（i=1，2，……，n×m），得到每個子塊中心像素點的灰度值，將它們作為參考點，采用雙線性插值技術進行處理，如圖9所示，以P點為中心，計算四鄰域位置上的四個像素點A、B、C、D點的灰度大小，分別從0°方向和90°方向進行圖像插值，通過兩個方向插值后呈線性組合方式確定待插值像素的灰度值。計算輸出圖像中各點的灰度值。

算法仿真：

設置參數(shù)n=4，m=6，賦初值ClipLimit （0）=2.5對圖2圖像，運用CLAHE算法編程處理，以子塊i=2為例說明仿真結果：計算ClipLimit （2）=27.43?；贑lipLimit （2）通對子塊2進行裁剪，剪切的直方圖如圖10所示;將剪切下來的像素重新分配到子塊2的直方圖各灰度級中，重新進行直方圖均衡，均衡結果見圖11（b）;對均衡后的子塊2進行插值重構。其余的子塊采用同樣方法，將處理后的各子塊重新進行組合，結果見圖12（b）。

通過圖12（a）與經(jīng)過CLAHE算法處理后的效果圖12（b）對比發(fā)現(xiàn)：經(jīng)過CLAHE算法處理后的禮服裙中，原本灰度非常接近的裙身和領飾變得更易區(qū)分，二者的交界處顏色差異較原圖更明顯;裙身中的暗紋也較原圖更清晰可見，為后續(xù)通過圖像分割進行領飾輪廓的有效提取奠定了基礎。

3.2 基于K-Means的領帶圖像分割

為了提取圖像中領飾的輪廓，采用K-Means算法進行圖像分割。K-Means聚類算法是一種典型的局域距離聚類算法，通過最小化n個樣本和聚類中心C K之間的距離之和，來達到將n個樣本劃分到k個簇中的目的[14]?；贙-Means聚類算法的圖像分割是將輸入圖像的像素值作為樣本的數(shù)據(jù)值，依據(jù)事先設定的K值進行聚類，之后用每個對應的聚類中心替代輸入圖像的像素點，最后重構此圖像[15]。

算法步驟：

a）輸入圖像和K值;

b）在輸入圖像中隨機選取K個初始的聚類中心;

c）計算輸入圖像中每個像素點到所有的初始聚類中心的歐式距離，然后根據(jù)最小的距離對每個像素點進行重新劃分;

d）重新計算聚類的均值作為新的聚類中心;

e）循環(huán)步驟c）～d），直到聚類中心不再變化;

f）輸出分割結果。

算法仿真：

根據(jù)圖12（b）圖像的顏色種類數(shù)設置參數(shù)K=4，對圖12（b）圖像，運用K-Means算法編程處理，分割結果見圖13所示。

通過圖13發(fā)現(xiàn)：禮服圖像中腰線以下的領飾被分割出來，但同時由于手臂的遮擋，領帶中間存在部分空缺。這時需要繼續(xù)進行圖像修復。

3.3 基于賦值插值的領帶圖像修復

對于K-Means算法分割后的領帶，由于手部的遮擋產生的部分空缺，需要進行填充修復。分為兩個步驟：

步驟一：區(qū)域填充

將目標圖像轉化為二值化圖像;空缺區(qū)域即為背景黑色（像素為0）;整個領飾呈現(xiàn)上窄下寬的走向，以空缺區(qū)域上方像素為1的列寬n為矩形寬度，以空缺區(qū)域的間隔行數(shù)m為矩形長度，設置填充矩形n×m，將對應區(qū)域進行像素為1的填充。根據(jù)圖像區(qū)域反復調整n，m的值進行實驗，使填充區(qū)域盡可能充滿。

根據(jù)空間像素，分別以a：79×20，b：79×17，c：82×17，d：82×15的4個矩形進行填充實驗，獲得如圖14的填充結果。

步驟二：基于插值的局部放大修復算法

通過填充圖發(fā)現(xiàn)，矩形與圖的下方較寬邊緣存在鋸齒狀不吻合問題，所以設計基于插值的局部放大修復算法進行修復。

算法步驟：

a）輸入放大點的坐標（pointx，pointy）、放大半徑r以及放大強度strength，則放大區(qū)域space=r×r;

b）分別計算放大區(qū)域的邊界點的坐標，如圖15所示;

left=pointx-r;right=pointx+r;top=pointy+r;bottom=poiny-r;x∈[left，right]， y∈[top，bottom];

c）計算放大區(qū)域內放大后點的坐標（posx，posy），計算式如下：

scale=1-x-pointx2+y-pointy2space（4）

scale=1-strength/100×scale（5）

posx=x-pointx×scale+pointx（6）

posy=y-pointy×scale+pointy（7）

d）最后采用最近鄰插值法[16]，將當前放大點灰度值（posx，poxy）作為取樣點（x，y）的灰度值，遍歷放大區(qū)域內所有像素點，輸出局部放大后的圖像。

修復算法仿真：

設置參數(shù)pointx=80，pointy=20，r=8，strength=80，對圖15圖像，運用以上算法編程處理，結果見圖16所示。并通過canny算法對修復后的圖像進行輪廓提取，如圖17所示。

算法優(yōu)越性檢驗：

基于賦值插值的領帶圖像修復算法包括矩形填充和邊緣修復兩部分，為了獲取更好的修復結果，研究選擇了4種尺寸的矩形進行填充，然后分別進行邊緣修復。通過最終的輪廓發(fā)現(xiàn)：d（82×15型）的輪廓從視覺上最符合領飾原態(tài)?？陀^上設計邊緣長度L（白色邊緣像素點個數(shù)）來表征所提取的領飾邊緣的完整程度。對4種結果進行統(tǒng)計計算，如圖18，發(fā)現(xiàn)：第4種82 ×15的矩形填充結果中L=2373，其邊緣修復最為完整，也進一步驗證了與視覺感覺一樣的最優(yōu)結果。

4 結 論

針對韓國禮服高腰大擺的A字廓型和服飾用色搭配比較相近的特點，對韓國禮服圖像設計了內外廓型分別提取的算法。

a）對于外輪廓提取，設計線形結構形態(tài)學算法進行了外輪廓提取，并通過二元方差分析對雙因子的影響結果進行客觀評價，結合主觀視覺效果，得出最優(yōu)外輪廓的組合參數(shù)θ=10°，c=9。

b）對于內輪廓提取，將CLAHE算法用于提高韓國禮服圖像色相對比度，效果顯著，從而為后續(xù)的圖像分割奠定基礎，然后采用K-Means算法分割出韓國禮服圖像中內部領飾，最后通過基于賦值插值的領帶圖像修復最終的輪廓發(fā)現(xiàn)：d（82×15型）的輪廓從視覺上最符合領飾原態(tài)。

實驗結果表明本研究的內外組合的輪廓提取算法達到了主觀視覺和客觀邊界長度評價下的最優(yōu)效果，是適合于韓國禮服圖像特點的有效算法。然而，本文方法還有不足：提出的算法更適合于單目標圖像款式因子的輪廓提取，對于多目標圖像有一定的局限性。后續(xù)工作將著重圍繞這個問題展開，同時考慮對提取的輪廓構建相應的數(shù)據(jù)庫。

參考文獻：

[1]季勇，王革非.韓服與漢服之關系研究[J].絲綢，2012，49（11）：76-80.

JI Yong， WANG Gefei. Study on the relationship between Hanfu and Hanbok[J].Journal of Silk，2012，49（11）：76-80.

[2]李東，萬賢福，汪軍.采用傅里葉描述子和支持向量機的服裝款式識別方法[J].紡織學報，2017，38（5）：122-127.

LI Dong， WAN Xianfu， WANG Jun.Clothing style recognition approachsupport vectorusing Fourier descriptors andmachines[J].Journal of Textile Research，2017， 38（5）：122-127.

[3]孫國棟，徐亮.精確型傅里葉高度函數(shù)描述子的服裝款式識別方法[J].中國測試，2019，45（8）：130-134.

SUN Guodong， XU Liang.Clothing style recognition approach based on the accurate Fourier heightfunctions shape descriptor[J]. Journal of China Test， 2019，45 （8）：130-134.

[4]XIN A L， LI W. A method for garment design drawing extraction from garment image [C]. Advances in Textile Engineering and Materials. Switzerland： Trans Tech Publications Ltd，2013： 497-500.

[5]何曉軍，徐愛功，李玉.基于模糊相似性的彩色形態(tài)學圖像處理方法[J].計算機應用研究，2019，36（1）：258-263.

HE Xiaojun， XU Aigong， LI Yu.Color morphology image processing method based on fuzzy similarity[J].Journal of Computer Application Research， 2019， 36（1）：258-263.

[6]ZUIDERVELDK. Contrast Limited Adaptive Histogram Equalization[M]. Graphics Gems. Amsterdam： Elsevier， 1994： 474-485.

[7]王建，龐彥偉，基于CLAHE的x射線行李圖像增強[J].天津大學學報，2010，43（3）：194-198.

WANG Jian， PANG Yanwei， X-ray baggage image enhancement based on CLAHE[J].Journal of Tianjin University， 2010， 43（3）： 194-198.

[8]孫冬梅，陸劍鋒，張善卿.一種改進CLAHE算法在醫(yī)學試紙條圖像增強中的應用[J].中國生物醫(yī)學工程學報，2016，35（4）：502-506.

SUN Dongmei， LU Jianfeng， ZHANG Shanqing.The application of an improved CLAHE algorithm in image enhancement of medical test strip[J].Journal of Chinese Biomedical Engineering，2016，35（4）：502-506.

[9]劉軒，劉佳賓.基于對比度受限自適應直方圖均衡的乳腺圖像增強[J].計算機工程與應用，2008，44（10）：173-175.

LIU Xuan， LIU Jiabin. Mammary image enhancement based on contrast limited adaptive histogram equalization[J].Journal of Computer Engineering and Applications，2008，44（10）：173-175.

[10]吳煥麗，崔可旺，張馨，等.基于改進K-means圖像分割算法的細葉作物覆蓋度提取[J].農業(yè)機械學報，2019，50（1）：42-50.

WU Huanli， CUI Kewang， ZHANG Xin， et al.Accuracy of fine leaf crop coverage by improvedK-means algorithm[J].Journal of Agricultural Machinery，2019，50（1）：42-50.

[11]馬仲林.基于數(shù)字形態(tài)學的圖像邊緣檢測算法研究[D].蘭州：蘭州交通大學，2020.

MA Zhonglin. Research on Image Edge Detection Algorithm Based on Digital Morphology[D].Lanzhou： Lanzhou Jiaotong University， 2020.

[12]周勇.基于超圖的自適應數(shù)學形態(tài)學研究與應用[D].西安：西安電子科技大學，2019.

ZHOU Yong. The Research and Application of Adaptive Mathematical Morphology Based on Hypergraphs[D].Xi'an： Xidian University， 2019.

[13]李帥，郭力娜，曹應舉等.基于不同結構元素的地物邊界提取對比實驗研究[J].唐山學院學報，2018，31（3）：14-19.

LI Shuai， GUO Lina， CAO Yingju， etc.A comparative and experimental researchon object edge extraction based on different structural elements[J].Journal of Tangshan University，2018， 31（3）：14-19.

[14]LIU J， ZHUANG M L， AI R Y，et al. Analysis on the application of image processing technology in clothing pattern recognition[J]. Journal of Donghua University（English Edition）， 2020， 37（3）： 224-231.

[15]陳浩，裴瑞杰，汪鑫.基于ACO和K-means算法相結合的生菜葉片圖像分割方法[J].現(xiàn)代計算機，2019，（21）：45-49.

CHEN Hao， PEI Ruijie， WANG Xin.Image segmentation method of lettuce leaf based on ant colony optimization and K-means CIustering[J].Journal of Modern Computer，2019，（21）：45-49.

[16]高強，高敬陽，趙地.GNNI U-net：基于組歸一化與最近鄰插值的MRI左心室輪廓精準分割網(wǎng)絡[J].計算機科學，2020，47（8）：213-220.

GAO Qiang， GAO Jingyang， ZHAO Di. GNNI U-net：Precise segmentation neural network of left ventricular contours for MRI images based on group normalization and nearest interpolation[J].Journal of ComputerScience，2020，47（8）：213-220.