图像分割技术在服装领域的应用

张艳红 杨思 徐增波

摘 要：图像分割技术已广泛应用于服装、医疗、工业等诸多领域。总结了常用服装图像分割方法，阐述图像分割技术在织物疵点检验、织物图案轮廓提取、服装样板和服装图像轮廓提取、服装款式图提取、服装廓形识别以及服装图像检索等方面的研究与应用，指出该技术在服装领域的发展趋势。借助图像分割技术可从服装图像中快速提取服装款式信息、结构元素，提高款式设计和制版效率，促进服装行业智能化、一体化发展。

关键词：图像处理;图像分割;边缘检测;轮廓提取;服装设计智能化

DOI： 10. 11907/rjdk.191822

开放科学（资源服务）标识码（OSID）：

中图分类号：TP317.4

文献标识码：A

文章编号：1672-7800（2020）004-0238-04

0 引言

近几年，服装消费逐渐向个性化转变，传统服装设计模式已无法满足消费者需求。随着计算机图像处理技术的不断进步，服装设计向着智能化、一体化方向发展。20世纪80年代初，该技术应用于纤维、纱线、面料、成衣检测等诸多方面，有效避免了主观评定的不确定性，检测结果更加科学、客观。

图像分割是图像处理技术的关键，其原理是利用图像灰度值的不连续性或相似性，将图像分成若干个具有独特属性的区域[1]。借助图像分割技术可从服装图像中快速提取服装款式信息，提高制版效率;帮助设计师快速获取感兴趣的服装元素，提高设计效率;辅助消费者快速检索出满意的服装款式等。

1 常用服装图像分割方法

按照有无背景可将服装图像分为无背景图像和有背景图像两类。无背景服装图像主要指图像中只包含服装，背景单一（通常为纯色），此类图像处理相对简单，如图1所示;有背景服装图像如图2所示。由于背景容易产生噪声，进行图像处理时操作较复杂。

服装图像分割的目的是过滤无用信息，从服装图像中提取所需目标区域，例如服装轮廓、服装结构线、服装部件等。传统的图像分割方法主要有阈值分割、边界分割、区域分割[2]等，这些方法仅适用于背景简单的物体分割;针对背景复杂的服装图像常用方法有Graph Cuts、Mean Shift、G rabCut等算法[3]，其中Craph Cuts和GrabCut属于交互式图像分割，需要借助人工，容易受主观因素影响。针对服装图像中存在多个目标和遮挡导致分割准确率较低问题，学者提出了多目标服装图像的协同分割方法[4-5]，利用图像颜色、形状、轮廓等信息实现一系列服装图像的区域分割。与传统方法相比，该方法可以有效解决图像遮挡问题，更加精确地分割出目标图像。

2 图像分割技术应用

2.1 織物疵点检验

利用图像处理技术进行织物疵点检验，可以有效避免传统织物疵点检验存在的效率低、漏检率高、结果波动性大等弊端。针对目标与背景灰度值差异较大的织物图像，通常采用阈值分割与形态学相结合的方法进行疵点检验[6]，该方法操作简单、运算量小，适用范围单一;针对纹理较复杂的织物图像，通常利用小波变换[7]、傅里叶变换[8]、Con-tourlet变换[9]等方法，将图像转换到频域，利用纹理特征的变化区分疵点。

针对织物疵点检验，钟小勇等[10]采用局部阈值算法进行图像分割;李红梅[11]提出改进的Otsu算法，在同时满足类间方差最大和类内方差最小的条件下进行阈值分割，算法适应性更好;赵静等[12]提出基于最大熵的图像分割算法，该算法最大限度地保留了图像中的疵点信息;杜磊等[13]对比4种算法的疵点检测效果得出排序：局部阈值分割算法>Otsu算法>最大熵阈值法>改进的Otsu算法。基于上述算法，管声启等[14]提出了一种基于目标特征的织物疵点分割方法。该算法利用疵点稀少特征分割疵点，与传统检测方法相比具有更好的准确性与鲁棒性。

2.2 织物图案轮廓提取

印花织物中的图案在进行分色制版时通常依赖于手工艺，对工人的技术水平要求高，且制作复杂、耗时，无法适应当今印花行业高质量、多品种、高效率需求。对此，一些学者尝试利用图像分割技术提取织物印花轮廓[15-17]，通过多尺度组合和配色，实现图案的二次利用，丰富印花种类。其中，常用的轮廓提取方法是借助Canny、Roberts、So-bel、Log等边缘检测算子。由于印染织物纹理复杂且印花色彩繁多，容易产生噪声干扰，导致传统轮廓提取算法无法精确地提取完整的印花轮廓。

针对上述问题，张海霞[18]采用基于区域分割的多尺度分割算法对印花图像进行平滑、分割处理，图像边缘信息和结构信息保存较为完整;孙波[19]采用基于总差变模型的算法分解图像中的结构信息和纹理信息，之后利用Canny算子进行轮廓提取，如图3所示。经过3次平滑迭代得到的目标图像在消除纹理干扰的同时保留完整的图像细节，分割后的图像轮廓与原图轮廓具有较高的契合度，可以较好地用于后续填色、配色处理;为提高印花检测精度，曹丽等[20]叫将颜色和纹理特征相融合，克服了仅依靠纹理或颜色特征进行分割造成的图像失真，提高了目标图像的分割质量，但对于分割色彩更为复杂的织物图像仍需进一步改进算法。

2.3 服装样板轮廓提取

计算机制版软件的开发与应用大大简化了手工绘图，有效提高了制图效率与准确性。利用计算机图像处理技术，将服装样板转化为制版软件可编辑的数据形式，既可减少样版的存储空间，又可实现样板再利用，具有重要的研究与应用价值。对此，周佳等[21]以普通服装样板作为测试样版，利用Canny边缘检测和形态学相结合的方法提取样板轮廓，并将获得的单像素轮廓存储为矢量图用于后续编辑处理，如图4所示。该算法的实现可有效提高实际生产中服装制版、修版、改版的效率。

2.4 服装图像轮廓提取

快速而又精确地提取服装轮廓是服装识别的关键。针对该问题，Kass等[22]基于轮廓逼近原理提出了主动轮廓模型，其弊端是容易导致能量函数的局部极小值;在此基础上，Xu等[23]提出GVF方法，有效扩大了初始轮廓线的捕获范围，但算法的实时性较差。目前，最常用的轮廓提取方法是利用边缘检测算子，但该方法仅适用于背景与目标灰度值差异较大的纯色服装图像，算法的适用性、准确性较差。对于相对复杂的服装图像，尤其是带有印花的服装图像，如果轮廓灰度值与背景相近，受纹理噪声的影响，容易形成不规则的内凹曲线。

针对上述问题，安立新[24]利用多项式拟合依次提取服装图像的分支轮廓，并引入轮廓误差，删除纹理噪声，获得最终轮廓，如图5所示。该算法在避免关键数据被平滑掉的基础上，顺滑曲线，简化算法，有效提高了运行效率;为实现服装图像的分类识别，李东[25]采用傅里叶描述子表征服装轮廓特征，通过选取合适的特征分量重构服装轮廓。由于傅里叶描述子独特的尺度不变性，使该算法非常适用于后续服装图像的识别。

2.5 服装款式图提取

随着消费者对服装款式需求的不断提高，传统服装设计模式已经无法满足消费者个性化需求。利用图像分割技术从服装图像中提取所需服装款式（衣领、口袋等），构建服装款式数据库，可实现服装款式的二次利用，帮助设计师快速获取感兴趣的服装设计要素，在满足消费者个性化需求的同时，提高设计效率。该方法适用于图像大批量处理，非常符合服装氽业需求。

对此，周广君[26]利用自适应种子生长算法从图像中分割出服装区域，对其进行量化处理，通过相应的匹配规则获取服装的款式属性;安立新[27]提出了一种从成衣图像中提取服装款式图的算法。该算法分为服装轮廓提取和服装内部细节提取两部分。首先通过形态学方法提取服装初始轮廓;其次设定支点，采用多项式拟合方法得到光滑轮廓曲线;最后通过对称点交互式操作依次提取服装内部结构线，获得完整的服装款式图，如图6所示。该算法的效率明显优于GVF snake算法，适用于大多数服装图像的款式图提取。此外，对称点的运用有效简化了内部复杂结构线的提取。不足之处是需要人工配合，没有完全实现智能化。

2.6 服装廓形识别与量化

对于背景复杂的服装图像，快速、精确地将目标图像从背景中分割出来是图像处理的关键。为此，有研究学者[28-29]结合图像视觉显著性计算与图像分割思想提出了目标分割算法;黄磊等[30]将CraphCut与显著性计算相融合进行图像分割，取得了良好效果。

针对服装图像中服装区域的自动分割和结构提取，刘正东[31]结合JSeg算法和图像显著性计算，利用人脸检测辅助判别背景区域与人体着装区域，如图7所示。该算法有效避免了人机交互的干扰，提高了批量处理效率。基于上述研究，有学者[32-33]提出基于人体分割技术的女装廓形尺寸数据库构建方法，通过人脸检测和皮肤检测，从背景中分割出着装人体，之后按照人体比例对服装廓形进行测量、分类。该方法可以准确量化服装廓形，适用于大部分服装廓形的尺寸提取。利用图像处理技术量化服装廓形可以判断服装廓形，把握服装廓形趋势。

2.7 服装图像检索

在线购衣的兴起，促进了图像检索技术的发展。服装图像检索结果的准确度主要依赖于服装图像的分割和款式特征提取。快速、精确地从复杂的服装图像中提取服装信息是图像检索的关键。常用的服装图像检索方法大多基于服装的颜色、纹理、形状等特征[34]，单一的图像特征无法全面表征服装整体，因此算法检测准确性较低。采用多特征融合的方法对服装图像进行检索，与传统算法相比，具有更高的查全率与查准率。

为消除图像背景影响，胡玉平等[35]提出改进的Crab-Cut算法，优化其能量函数，改进分水岭算法。该算法采用多尺度分水岭方法去噪，降低计算量，增加图像边缘;采取熵惩罚因子最优能量函数，减少了图像有效信息的丢失。与同类算法相比，该算法有效提高了图像检索准确性、查准率以及查全率。为提高图像分割准确率，黄冬艳等[36]提出了服装联合分割算法，利用E-SVM（ exemplar supporvector machine）模板提取目标图像与服装数据集的服装区域，采用改进的服装颜色特征和区域特征进行特征匹配，实现服装图像检索。该算法改善了传统算法中因人体遮挡或缺失带来的分割不准确缺陷，具有较高的鲁棒性和检索准确率。

3 结语

随着图像处理技术的快速发展，服装图像分割技术已广泛应用于织物疵点检验、织物图案轮廓提取、服装样板和服装图像轮廓提取、服装款式图提取、服装廓形识别以及服装图像检索等诸多方面。该技术的应用有效改善了传统方法效率低、主观性大等弊端。但是，在服装款式图提取方面，由于服装款式的多样性、复杂性，现有算法仅适用于结构简单的服装款式图提取，算法的鲁棒性与适用性仍需进一步提高。同時，在服装图像检索方面，目前研究主要基于图像底层特征的提取，如何运用高级感官实现服装面料效果、服装风格的检索，是当下服装图像检索研究的趋势和热点。

随着图像分割技术研究的不断深入，对算法的适用性、鲁棒性要求越来越高，但目前为止，还不存在适用于所有图像的图像分割算法;同时，由于应用范围不断扩大，对图像分割质量的要求也不断提高。因此，要将现有研究与新理论、新技术相结合，使图像分割技术向着更加智能化、高效化方向发展。

参考文献：

[1]姜枫，顾庆，郝慧珍，等.基于内容的图像分割方法综述[J].软件学报，2017，28（1）：160-183.

[2]张涛，齐永奇.MATLAB图像处理编程与应用[M].北京：机械工业出版社.2014.

[3] 侯红英，高甜，李桃.图像分割方法综述[J].电脑知识与技术，2019，15（ 5）：176-177.

[4]