数字图像处理技术在服装领域的应用

张艳红，杨 思，徐增波

(上海工程技术大学 服装学院，上海 201620)

数字图像处理技术是指通过计算机或其他数字技术对图像进行加工处理，从而识别、提取所需目标信息，其具有图像再现性好、处理精度高、适应性好、灵活性强等特点[1]。20世纪80年代后期，数字图像处理技术开始被应用于纺织检验，并日趋成熟[2]。随着数字图像处理技术研究的深入，一些研究者开始将其应用于服装领域，譬如服装疵点检验、服装平整度检验以及服装款式特征的识别与分类等。利用数字图像处理技术对服装进行检测与分类，有效避免了传统人工检测手段存在的效率低、成本高、不定性等问题，使结果更加客观、高效。本文分析了数字图像处理技术在服装中的应用，并指出其发展趋势。

1 服装外观质量检测

为保证服装的外观质量，在服装生产的整个流程中需要对其进行严格的质量检验。传统检测方式依赖于人工检测，效率较低；采用数字图像处理技术代替人工检测，不仅可以提高检测速度、降低成本，而且检测结果更加精确。利用数字图像处理技术进行服装外观质量检测主要采用特征表征的方法，即从图像中提取表征服装外观质量的特征指标，常用的特征指标提取方法包括：阈值分割、小波分析、Gabor变换以及灰度共生矩阵等。

1.1 服装疵点检测

为保证服装质量，服装疵点检验必不可少。传统手工标记法存在耗时、耗力、一致性差等弊端。近年来，一些研究学者开始采用数字图像处理技术进行服装疵点检验，如服装面料疵点检验、服装缝线疵点检验以及服装成衣疵点检验等。按照图像预处理方式的不同可分为2种：一是利用阈值分割与形态学相结合的方法提取疵点[3]，该方法操作简单、运算量小，适用于目标对象与背景差异较大的图像，适用范围单一；另一种是利用小波变换[4]、傅里叶变换[5]、Contourlet变换[6]等方法将图像转换到频域，通过纹理特征的变化区分疵点。服装疵点图像预处理的目的在于消除无用特征信息，突出疵点，同时利用图像处理技术将图像转换为便于分析的图像形式。

针对织物图像疵点检验，张明艳[7]提出采用图像分析方法识别服装缝线疵点。针对不同疵点图像设计相应处理算法，具有较高识别率。不足之处是该算法为串行算法，算法适应性不强。当同一图像中同时出现多种疵点时，算法无法相对筛选出所有疵点，导致误差较大。针对具有不同模式特征的服装疵点图像，殷开成等[8]设计了相应的图像预处理算法。该算法可以有效保留不同纹理图像的疵点信息，为后续特征提取奠定基础。基于上述研究，程凯[9]采用小波分析与阈值分割相结合的方法对轻薄弹性裤袜进行图像疵点检验。由于轻薄弹性裤袜具有轻薄、柔滑、弹性好等特点，导致其疵点获取难度增加，采用该算法可以准确检测出轻薄弹性袜中的破洞、缺经、重纬3种疵点，算法实用性较强。

1.2 缝制外观检测

缝纫平整度是评价服装缝纫外观质量的重要指标，主要采用标样对照法进行主观评定。该方法操作简单，但评价时间长，评价结果稳定性差。20世纪90年代起，一些研究学者开始利用图像处理方法定量评价面料缝纫起皱，并提出采用褶皱强度、功率谱密度、尖锐度、随机分布程度和总体外观等评价指标评定面料的平整度等级[10-13]。利用数字图像处理技术对服装缝纫平整度进行评价，可以避免人为因素的影响，提高检测准确率与检测效率。

2009年，NA等[14]采用图像增强、去噪、阈值分割等方法对采集的衬衫样品图像进行分析，并针对不同线迹设计相应检测算法。池金米等[15]结合图像处理和小波分析提取缝纫平整度的评价指标，通过分析指标与缝纫平整度等级的相关关系，建立了概率神经网络模型。该评价模型克服了传统检测的弊端，且适应性高、评价准确。2017年，张宁等[16]采用灰度共生矩阵和小波分析相结合的方法提取图像的特征参数。该算法将图像的全局信息和局部信息相结合，有效提高了分类准确率。2018年，陈丽丽[17]提出采用Gabor变换与信息融合的总熵值估算精纺毛织物缝纫平整度等级，评价结果客观准确。

1.3 着装平整度检测

主观评价服装平整度，要求评价人员具有较高专业素养，结果易受到环境、评价人员主观性等因素的影响。针对上述弊端，一些研究学者提出以褶皱数、褶皱锐度、褶皱深度、褶皱宽度和褶皱不匀度等指标定量评价服装平整度[18-20]。

基于上述评价指标，文献[21-22]利用图像处理技术分别对衣袖和紧身女裤前裆部位平整度进行评价。通过对所采集的褶皱图像进行灰度处理，绘制灰度曲线，根据灰度曲线的波谷与波峰来客观分析服装的褶皱信息。刘婷[23]采用分数微分算法、Gabor变换和小波变换3种算法进行褶皱参数提取，实现对服装肘部穿着平整度的客观评价，并结合神经网络构建出了平整度预测系统。

综上研究，利用图像处理技术评价服装平整度主要借助于图像灰度信息的变化，采用不同算法提取表征服装褶皱的指标，如褶皱高度、深度、数量等，利用特征参数分析褶皱的形状与分布，进而量化分析服装平整度。采用灰度特征提取与纹理特征提取相结合的方法，可以更加全面的表征服装褶皱，使评价结果更加客观、准确。

2 服装图像的识别与分类

采用拆线法或利用数字化仪进行服装款式分析，操作方式复杂且投入成本大。利用数字图像处理技术不仅可以快速识别服装图像的款式信息并分类，还可以实现款式图与结构图的转换。其中常用的服装图片为服装款式图和服装实物图。

2.1 服装款式图的特征识别

服装款式图也称服装设计平面图，用于展示服装的造型特征，如服装的领、袖、褶裥、结构线以及拉链等[24]。从复杂的款式图像中提取制版所需的关键结构尺寸数据，是实现款式图向结构图智能转换的关键。有文献[25-26]通过直接测量图像尺寸，利用比例关系获得结构参数，该方法操作简单，但测量过程中存在较大误差。李克兢等[27]通过轮廓提取、节点分析、矢量化等方法，将服装款式图片转换为矢量图，利用智能化拆分将其转换为对应的结构图。该算法分割点的确定依赖于各特征尺寸间的比例关系，算法复杂，仅适用于简单款式图的识别。朱菊香等[28]以衬衫平面款式图为例，构建坐标系提取款式图的所有几何元素端点坐标，通过款式图与结构图之间的映射关系确定结构图的关键点坐标，采用集函数获取轮廓信息绘制结构图。不足之处在于该算法需要遍历所有关键点获取坐标值，效率较低，适用于结构简单的款式图识别。

2.2 服装实物图的特征识别与分类

对于服装实物图，其包含的结构特征繁多，比如颜色特征、轮廓特征和纹理特征等[29-33]。其中轮廓特征的提取通常采用Canny、Roberts、Sobel等边缘检测算子；纹理特征提取的常用方法有小波变换和灰度共生矩阵等方法[34-36]。针对特征复杂的服装图像，通常采用轮廓特征提取与纹理特征提取相结合的方法；针对服装细节要素的提取，常用方法是进行图像分割，在分割后的目标区域进行特征提取。该方法更具针对性，可以避免其他区域信息的干扰，减小检测范围，提高检测效率。

2.2.1 轮廓特征提取

针对服装轮廓的提取，文献[29-31]提出采用模糊聚类算法对服装款式进行识别分类，但该方法仅适用于局部轮廓片段的识别。采用傅里叶描述子与支持向量机相结合的方法识别服装款式[32]，既可以快速、有效的识别多类服装款式，又具有较好的鲁棒性，但无法与服装轮廓一一对应。李东[33]通过从服装轮廓曲线中提取曲率极值点来表征服装轮廓形状，提出了基于轮廓曲率特征点的服装款式识别方法。该算法操作简单，同时可以更加直观的展现服装轮廓的特征信息。

2.2.2 纹理特征提取

纹理特征提取中最常用的方法是灰度共生矩阵，其可以较好地反映图像的纹理信息，且原理简单易于理解。基于此，文献[34]提出一种将局部二值模式算法与灰度共生矩阵相结合的纹理特征提取方法。该方法具有良好的抗旋转性，在服装图像发生旋转时，该方法与传统的纹理特征提取方法相比具有更高的检测效率和准确率。

为提高图像识别的精确度，文献[35-36]提出了基于轮廓和纹理特征的并行融合方法，用于提取服装图像的结构特征和统计特征，该方法可以更加全面地对服装款式图像进行识别描述。

2.2.3 服装细节特征的识别与分类

服装轮廓与纹理特征提取主要是针对服装图像的整体属性。针对服装局部要素的识别，纪娟等[37]结合方向梯度直方图(Histogram of Oriented Gradient, HOG)和几何特征提取方法，基于衣领、衣袖等局部特征对服装图像进行分类。在获得服装轮廓的基础上，在框定的区域进行局部HOG特征提取。该方法识别的准确度依赖于外接矩形的区域面积，区域过小，提取的信息不具代表性；区域过大，重要信息不突出。

3 服装面料的识别与分类

3.1 服装面料属性的识别与分类

识别服装面料种类的传统方法有手感触摸法、燃烧法、显微镜观察法等，这些方法都需要借助服装实物，且易受环境等因素的影响。基于图像处理技术的服装面料识别主要通过从服装面料图像中提取面料属性进行仿真，以达到识别面料的目的。李蓓蓓[38]利用从不同材料、不同纱支的面料图像中提取的服装褶皱信息进行面料仿真，对比仿真图像与实物图像的效果实现服装面料识别。该方法具有较高的准确性，但需要进行反复仿真实验才能达到理想效果，识别效率低。

3.2 服装面料情感语义的识别与分类

随着信息技术的发展，很多设计师开始借助设计软件设计面料图案和服装。借助图像处理技术对服装面料图像进行情感语义识别，不仅可以为设计师提供情感判断，还可以为消费者提供参考。张海波等[39]利用面料颜色、纹理特征来表征面料情感语义，构建特征与语义的表达式，利用支持向量机实现面料图像情感语义的识别分类。在此基础上，张春燕等[40]结合图像特征提取分类算法和动态链接技术，开发了基于Web的面料图像情感语义识别模块。该方法为客户提供了一种简单易行的检索手段，同时满足了消费者在挑选商品时的情感需求。

4 服装造型评价

服装造型评价通常采用主观评价法，评价结果无法量化，加之个体审美的差异，导致评价结果一致性差。基于图像的服装造型评价，常用方法是采用图像处理软件从不同角度的服装图像中提取反映服装造型的评价指标，比如褶皱、角度、曲率等。结合主观评价构建指标与评价等级的相关关系，建立评价体系。

4.1 服装局部造型评价

针对主观评价的弊端，文献[41-43]尝试利用图像处理技术量化评价不同面料性能对A字裙、褶裙、超短裙等裙装造型的影响。采用Photoshop、MATLAB等软件对不同方向的裙装外观图像进行处理分析，提取面积、长度、角度、褶皱等反映裙装造型的指标，结合主成分分析、因子分析等方法构建评价体系。

基于上述研究方法，陈冬蕾等[44]提出采用曲率分析对翻驳领圆顺度进行客观评价。利用Photoshop软件从灰度图像中提取后领口翻折线，通过UGNX10.0软件提取目标曲线中的拐点数、曲率极差最大值、曲率极差和以及曲率极差变异系数4项特征指标，以此表征翻驳领的圆顺度。

4.2 服装廓形评价

随着图像处理技术的发展，一些研究学者亦尝试利用图像分析人体与服装廓形之间的关系[45-46]。文献[47]提出采用人体区段宽度特征定义识别服装廓形。采用AdaBoost算法进行人脸识别获取人脸尺寸信息，然后进行阈值分割、去噪、人体比例划分，通过逐行扫描提取各区段宽度，以各宽度比例表征服装廓形。该方法采用形态比例量化服装廓形，具有较高辨识度。

5 虚拟试衣

为解决线上购物试衣难的问题，虚拟试衣技术越来越备受关注。目前常见的虚拟试衣系统主要分为3类：虚拟试衣镜，采用用户头像直接替换试衣模特头像，通过简单的局部体型调节，展示试衣效果；体感试衣镜，将分割后的服装图片匹配在采集好的用户图像上；三维数字试衣系统，通过三维数据采集装置获取用户的三维信息，将三维服装模型匹配到构建的人体模型上。虚拟试衣镜、体感试衣镜只需要通过简单的图像预处理、图像分割、图像匹配等方法就可以实现虚拟试衣展示效果，但用户只能看到二维的着装效果，同时由于个体差异，匹配效果存在较大瑕疵。三维数字试衣系统中人体和服装信息来源于三维点云图像，能够展现三维着装效果，匹配效果较好，但较耗时、实时性差。

目前虚拟试衣存在的主要问题是：虚拟模特的构建以及服装与人体的匹配。如何快速准确的获取用户身体各部位尺寸信息，生成符合不同人体的个性化试衣模特，实现与虚拟服装的完美贴合是目前研究的重点。

6 图像处理技术在服装领域的发展趋势

数字图像处理技术在服装领域的应用比较广泛，譬如服装外观质量检验、服装款式特征的识别与分类以及服装造型评价等，应用框架见图1。

图1 数字图像处理技术在服装领域的应用框架

但很多方法仅适用于背景单一、结构简单的服装图像识别，算法的鲁棒性和适应性较差。此外，关于服装面料属性识别的研究相对较少，只有少量文献提出通过褶皱信息表征面料属性从而进行仿真识别，识别效率比较低。

结合目前图像处理技术在服装领域的应用研究，提出以下2个观点。

①服装面料的虚拟仿真：服装面料材质、触感的仿真是当前虚拟试衣中的关键问题。由于服装面料独特的纹理结构，使得不同材质、不用属性的面料具有自身独特的纹理特征。针对材质仿真，提出利用图像处理算法，获取服装面料的频谱分布图像，根据频谱信息的变化，提取纹理特征参数，结合逆向工程技术进行图像重构，实现服装面料材质的虚拟仿真。此外，面料的触感仿真仍是未来研究一大难点和重点。

②构建智能服装推荐搭配系统：智能化是目前服装领域研究的热点，消费者越来越倾向于试衣系统智能推荐符合自身风格的服装搭配。因此，结合图像自动化采集技术、图像处理技术、虚拟试衣、神经网络以及专家系统等方法，构建一体化的服装风格识别与搭配推荐系统，是今后研究的趋势。

7 结束语

从服装面料检测到成衣评价，再到虚拟试衣，数字图像处理技术在服装领域应用广泛，促使服装领域逐步走向智能化、现代化。该技术的应用可以减少繁琐工作、节约人力；同时，有效避免主观因素的干扰，使评价结果更加科学准确。但是，由于应用范围的不断扩大，对服装图像处理质量的要求也不断提高。现有算法的适用性和鲁棒性仍需进一步提高，才能真正满足工厂、企业的需求。

基于当前数字图像处理技术在服装领域的研究情况，实现服装面料触感的虚拟仿真，构建智能化服装搭配推荐系统是当前服装领域实现智能化、一体化的研究重点。因此，要将现有研究与新理论、新技术相结合，使服装领域向着更加智能化、一体化方向发展。