基于改进Canny算法的女性服装款式轮廓检测研究

王雅静，宋 丹，陈晓玲

（1.湖南工程学院 计算机与通信学院，湘潭 411104；2.湖南工程学院 纺织服装学院，湘潭 411104）

0 引言

图像边缘检测技术贯穿于整个图像处理操作中，并且形成独立的研究领域，如检测CT影像轮廓遮挡、铁道异物入侵［1］等.在服装行业有着巨大增值空间的女性服装产业中，对服装信息的需求较大，女装图像检测技术相对落后，尤其是进行服装边缘检测技术亟待提高.在提取过程中依据图像的特征及不同的应用需求选择不同的算法，给定图像的适当算法是进行图像识别和检索的关键步骤，也是进一步理解图像的基础，边缘检测具有相当大的现实意义与良好的发展前景，可以实际应用于女装廓形精细化分类和智能识别［2］等研究方向.

本文针对女性服装图片的复杂属性情况，研究服装款式的轮廓检测问题.Wang X等［3］提出了一种基于聚类模式识别和轮廓节点检测的计算机识别方法，分割出服装的衣片部分，体现不出整体服装信息.本文提出一种改进Canny算法对样本进行服装轮廓的提取，改善了女性服装各款式轮廓的分割效果，展示了完整的服装边缘信息.并与Canny算法及典型的微分算子算法进行结果对比，微分算子算法选取文献［4］［5］中效果较好的边缘检测算子，其中包括Roberts、Prewitt以及Laplacian算子.

1 Canny算子

Canny于1986年提出Canny边缘检测算法［6］，该算法提出后，在实际工程领域中获得了广泛应用.Canny边缘检测算法首先使用高斯核对图像的各个像素点进行卷积，达到平滑图象和抑制噪声的作用；用一阶偏导的差商来计算梯度的幅值和方向，根据得出的幅值对图像的线条进行提取；对梯度幅值进行非极大值抑制，使得边缘的像素点达到最佳值；用双阈值算法检测和连接边缘，将边缘二值化，并形成边缘轮廓；最后使用高斯平滑函数，对轮廓降噪［7］.

梯度幅值的计算公式（2个方向）为

式（1）和（2）中：f（i，j）为（i，j）点的图像灰度值。

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

2 改进Canny算法

传统Canny算法对于具有特殊属性的女性服装图像，会出现噪声边缘过多、边缘不连接等问题.刘骊等［8］指出由于服装图像常常包含遮挡物和复杂背景，导致分割准确率较低.该算法经过非极大值抑制确认边缘像素点，所以双阈值的选择对轮廓的确认尤为重要.

文献［9］将Otsu算法的时间复杂度进行了降低，该方法根据二分法计算梯度幅值的均值来取得双阈值.在使用该算法确认阈值的区间后，实现了对女装图像整体边缘的提取，但是纹理与面料在提取过程中也会成为边缘的一部分.针对此问题，李东等［10］指出傅立叶描述子、Hu不变矩等方法都能提取特征向量、重构轮廓曲线、去除噪声轮廓.对于单独无序的像素点，文献［11］提出了目标轮廓无序点集描述，并使用点对点匹配获取区域轮廓.但上述的方法都是分割色块较大的图像主体，不符合服装图像轮廓提取的要求.

针对上述问题，本文对Canny边缘检测算法提出相应的改进，由于样本背景与服装的类间方差大概率为单峰图像，所以使用Otsu算法［12］取得最大的类间方差值的灰度值，通过减小阈值的搜索域，来自适应得到高、低阈值，具体公式如下：

本文针对文献中的问题提出改进，精确服装轮廓，消除多余的纹理及装饰物噪声，改进的Canny算法具体步骤如下：

（1）将灰度图的梯度均值T分为两个部分，再算出上述两个部分的均值Tm（大于梯度均值的平均值）和Tn（小于梯度均值的平均值），根据类间方差的统计意义可得，阈值的搜索域为［Tm，Tn］.

（2）设定Tm-1和Tm+1为计算步长，依次计算类间方差值，分别计算出g（Tm-1）、g（Tm）、g（Tm+1）.并通过重复三个计算出阈值的类间方差的大小，缩小搜索域，当g（Tm-1）和g（Tm+1）同时小于g（Tm）时，Tm为高阈值，低阈值取高阈值的0.5倍.

（3）计算出的双阈值用作Canny算法分割的阈值的参数.然后遍历整个图像，根据查找到的白色像素点（像素值为255），查找与之相连的像素点在选取的领域值内是否为白色，不为白色说明该像素块属于内部，将该点删除（置为黑色像素值0）.以此方法追踪服装图像的边缘，消除服装轮廓外的噪声.

对图像中所有像素点执行上述操作，便可完成女装图像款式轮廓的提取.这种方法能够减少双阈值的计算量，并且能自适应的找出分割阈值.

3 仿真实验结果

3.1 图像边缘分割算法对比分析

图1、图2是裙装、上衣的图像分割结果，图（b）、（c）、（d）系列子图为三种微分算子实验的结果图，图（e）和（f）系列子图为Canny算法与改进Canny算法的实验结果.

图1 裙装对比图（微分算法、Canny、改进Canny）

图2 上衣对比图（微分算法、Canny、改进Canny）

微分算子算法是图像分割的典型算法［13］：（1）Robert算子作为一阶微分算子算法，其算法计算量小，对细节的反应也较为敏感，是一种利用局部差分算子寻找边缘的算子；（2）Prewitt算子是加权平均算子，像素平均则相当于对图像进行地同滤波，算法结果中会有些许噪声的影响；（3）Laplacian算子来自拉普拉斯变换，会产生一个陡峭的零交叉，并根据这个零交叉来发现边缘.这三种微分算子算法的效果表现较差，出现外部轮廓不连续、边缘不平滑、纹理等产生的噪声较多，并且不能与外部轮廓区分开等问题.Laplacian算子的边缘相较于其他几种算子的分割效果来看，具有边缘更加明显的特点，但外部轮廓的连续性不强.如图1短裙图像的（e）部分所示，短裙的腰部轮廓出现明显的断裂，同样出现此问题的还有Prewitt算子.而Roberts算子由于对噪声敏感的特点，服装内的纹理和花纹的边缘噪声与服装款式轮廓连接较多，特别是有碎花图案的女装图像，如图2短袖图像的（b）部分和（c）部分.图1和图2的（f）部分是改进Canny算法的实验结果，将Canny算法的不足处，即花色、纹理、装饰设计所形成的噪声边缘，有效的进行了消除，准确的提取到了女装图像的轮廓边缘.

3.2 改进Canny算法实验设计及结果分析

基于上述理论作为基础，本文选取白色背景的女性服装图像作为样本进行仿真实验.实验将样本分为八类款式，对每类图像进行预处理，经过预处理的图像，为改进的Canny算法提供初步的边缘信息，为后续款式轮廓的提取打下基础.服装图像预处理过程包括将彩色原始图像进行灰度化，使用Otsu算法对灰度图像进行二值化.

图像预处理后，使用改进Canny算法对所处理图片进行图像边缘的分割，形成完整的服装图像轮廓.初步形成的服装轮廓里包括了服装纹理和面料等产生的噪声边缘，该算法能自适应选取阈值，将二值化的服装图像、服装外部轮廓与噪声边缘分离，分割出去除噪声边缘的服装轮廓.所以只需追踪物体的外部边界，即可获得图像里的女装款式轮廓.具体过程如图3所示.

图3 女装款式提取流程图

在MATLAB编程软件平台下，本文通过对56张女装图片进行了仿真实验.实验将样本图片分为八个类别：短/长半身裙、短/长裙、短/长袖、短/长裤.选取背心、短袖、长裙、长裤这四类仿真实验结果进行展示，如图4所示.

图4 女性服装款式轮廓检测

图4 （a）为原图像，图 4（b）为原图像使用Otsu算法进行二值化的效果图，而图4（c）展示的是使用改进Canny算法的款式轮廓分割效果图.

在实验样本图片的选取上，颜色、纹理、面料和款式多样化可以有效测试算法的泛化能力，达到预期效果.改进的Canny算法不论是在纹理较多（如碎花长裙图像）、面料不同（如纱质长半身裙图像），还是图像明暗度（如短袖与长袖图像）不同的女性服装图片上都能提取到准确的服装款式轮廓，实验表明该算法在噪声边缘多的情况下，也有较好的轮廓检测效果，并具有适用性广、抗噪性强、准确度高等优点.

4 结论

为了能有效分割女装图像的款式轮廓，保证后续服装图像处理环节的效果，本文提出了一种改进Canny算法的服装图像分割算法.该算法使用改进的Otsu算法计算图像梯度幅值的高、低阈值，初步提取服装的轮廓描述，然后用非最大值抑制来选取服装轮廓中的边缘曲线，进行细化后，消除噪声边缘.并经过追踪服装外部轮廓，忽略纹理或装饰物所形成的噪声信息，提取到清晰连续的女装款式轮廓.在仿真实验中，对多类别的女装图像进行了轮廓提取，并与微分算子算法和Canny算法进行了对比分析，实验结果表明本文改进的算法更能准确分割出服装边缘，提取到女装款式轮廓，表达出女装的款式特征.