一种韩国礼服图像的内外廓形提取算法

高婷 庄梅玲 石历丽 刘静 王敬雪

摘 要：为了实现韩国传统礼服款式的信息化，针对韩国礼服高腰大摆的A字廓型和服饰用色搭配较相近的特点，对韩国礼服图像采用了内外廓型分别提取的方法。在外轮廓识别中，采用角度θ和长度c交叉的线形结构形态学算法进行外轮廓提取，并通过二元方差分析对双因子的影响结果进行客观评价，结合主观视觉效果，得出最优外轮廓的组合参数θ=10°，c=9;对于对比度较低的内部饰品轮廓识别，设计CLAHE算法进行图像增强，采用K-Means聚类算法进行领饰图像分割，再用矩形法赋值和基于插值的局部放大修复算法进行填充修复，最后用canny算法进行轮廓提取得出内部领饰轮廓图。结果表明：内外组合的轮廓提取算法可达到主观视觉和客观边界长度评价下的最优效果，是适合韩国礼服图像特点的有效算法。

关键词：韩国礼服;图像识别;线形结构形态学;CLAHE;K-Means

中图分类号：TS941.2

文献标志码：A

文章编号：1009-265X（2022）02-0197-11

收稿日期：20210303 网络出版日期：20210708

基金项目：青岛大学研究项目（JXGG2019080）;陕西省科技厅项目（2016FP-07）

作者简介：高婷（1996-），女，山东临沂人，硕士研究生，主要从事服装与服饰数字化方面的研究。

通信作者：庄梅玲，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

中韩两国地理相邻，自中国隋唐以来，两国文化交流就非常活跃。韩国传统礼服随着时代的发展，印刻了独特的文化烙印，因而研究韩国礼服款型的特点，可从中吸取韩国传统服装文化的经验，从而更好地弘扬本民族服饰文化。對韩国传统礼服进行数字化款式提取，实现传统礼服款式信息的数据化，能够储存礼服信息实现数字化保护，还有利于传统文化的数字化保留记载，同时能够增强中韩两国服饰文化交流。

韩国礼服由宽松短衣和高腰长裙组成。短衣前面交错，由长带结成蝴蝶结系住，短上衣的长度刚好到达胸部位置，腰部收紧，袖口宽松，体现女性的曲线之美;高腰长裙系在胸部，长裙蓬松，长度较长，体现出了女子的端庄典雅[1]。目前存在的服装轮廓提取算法主要是一些通用算法，比如傅里叶描述子轮廓特征提取算法、形态学处理算法等。傅里叶描述子轮廓特征提取算法使用预选的特征向量表示整个服装轮廓，但提取的轮廓受所选择的特征向量的影响明显[2-3]。形态学处理算法主要针对有特殊造型的目标处理，选择合适的结构元素进行腐蚀膨胀等处理，从而获得外轮廓，优点是算法效率很高。如An 等[4] 对服装图像进行形态学处理，获得服装外部轮廓边缘;何晓军等[5]提出一种结合模糊相似性的彩色形态学图像处理方法。对于本研究的韩国礼服外轮廓，其外观形态为相对简单的流线造型，形态学处理算法将是非常适合的，研究将结合A字型轮廓，设计线形结构形态学算法并验证最佳参数进行外轮廓提取。

对比外轮廓，韩国礼服的内部细节非常丰富，有腰线、领饰、腰饰、门襟、分割线及裙摆上的褶、裥等设计;并且韩服的整体色调相对淡雅，在色彩、明度、灰度差异不明显，获取的图像清晰程度不高的情况下，增加了内部廓型识别的难度，因此需要对礼服图像进行增强预处理。CLAHE（Contrast limited adaptive histogram equalization）算法[6]能有效的避免传统的直方图均衡化算法导致均衡化后的图像具有明显的块状分界问题。CLAHE算法通过对比度限幅，图像增强效果更好，且特别适用于低对比度图像[7-9]。因此设计基于CLAHE算法对韩国礼服图像进行图像增强预处理，增加对比度以便进行内部饰品轮廓的提取。

为了有效提取带有特殊廓形特点的A字型服装图像，本文以韩国礼服图像为例，采用了内外廓型分别提取的方法，能够有效地提取韩国礼服的整体轮廓。

1 算法设计思路

韩国礼服特点：上衣短薄轻盈，下裙长厚质朴，腰线高达胸围线，整体廓形呈现A字型;并且与欧美礼服在款式上通过夸张肩部、收紧腰部、扩大底摆获得X廓形，以及中式旗袍通过结构设计整体造型呈现S型的廓形，形成明显差异;并且韩国礼服用色讲究淡雅，色彩对比度不高，所以在廓型及内部细节的提取上有其独特的需求。对于韩国礼服廓型的提取包括外部廓型和内部饰品廓型提取2部分：外部廓型呈现流线型造型;而内部的廓型提取涉及韩国色彩的弱对比，并且由于韩国礼仪中女性站立或坐立时双手合拢在胸前，导致获取的服装图像几乎都存在遮挡导致服装内部不连续问题，所以算法的设计对内外轮廓分别进行。

本研究的算法流程如图1所示，根据韩国礼服高腰大摆的A字型外轮廓和用色相近的内部饰品特点，将韩国礼服的整体款型分成2部分进行分别识别提取：a）外轮廓提取算法;b）内轮廓提取算法。首先，对输入的韩国礼服图像进行外轮廓形态学处理，提取外轮廓;其次，采用CLAHE算法对韩国礼服图像进行图像增强;然后，使用K-Means聚类算法[10]进行内部领饰图像分割;再用矩形法赋值和插值算法进行填充修复;最后将修复后的内部领饰图像用canny算法进行轮廓提取。

2 基于线形结构形态学的外轮廓提取算法

形态学图像处理（简称形态学）是指一系列处理图像形状特征的图像处理技术。形态学的基本思想是利用一种特殊的结构元素来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别[11]。因而结构元素是形态学操作的关键，结构元素的形状与大小会直接影响目标图像的形态运算结果。常见的结构元素有矩形、圆形、椭圆形、菱形、线性、八边形、三角形等[12]。实际应用中，选择与识别对象的轮廓更为相近的结构元素，有利于提高所识别轮廓的准确性。像圆形、椭圆形这类弧状结构主要适合于边缘也趋向于曲线、棱角不分明的目标轮廓识别[13]。以图2的韩国礼服为实例，与其它礼服相比，在整体轮廓上更趋向于A型，礼服外轮廓形态学分析如图3所示，轮廓上任一点P，过P点做轮廓的切线m基本上是保持与附近轮廓贴近的状态，随着轮廓的变化，切线m的倾斜角θ会随之变动，变化数值在[0，90°]范围内，同时点P附近与切线m的贴近元素的数量可以通过长度c来表征。角度θ和长度c两个变量决定着识别的精度，所以选择线性的结构元素变化角度θ和长度c两个变量，设计算法进行韩国礼服的外轮廓识别。

基于上述思路，对图2的韩国礼服图像进行外轮廓识别算法设计。算法中对两个变量：角度θ和长度c进行交叉组合设计线性结构元素，对图2目标识别。识别的精度从主观和客观两方面进行评价。主观方面主要是通过人眼的视觉效果评价，而客观评价指标是采用边界长度L，L为所提取的图像边缘的像素个数。L的计算方法如下：a）把目标图像转化为二值化图像，二值化图像中白色区域即为目标图像中边界;b）计算二值化图像中白色点的个数即为L值。

2.1 线形结构形态学算法设计

对图2的韩国礼服图像进行外轮廓识别的线形结构形态学算法设计如下：

a）输入图像A（x，y），选择线形结构元素b（θ， c），对A（x，y）进行腐蚀;

b）θ 0=0，以Δθ=10°进行递增，θ ∈[0，90°];c 0=0，以Δc=1进行递增;

c）对图像A（x，y）外轮廓进行腐蚀，得到腐蚀图a（x，y）=A（x，y） Θ b（θ， c）;

d）图像轮廓A L=A（x，y）-a（x，y），输出边界图像并计算L。

2.2 双因素影响客观分析

基于上述算法，对角度θ和长度c双因子设计交叉实验，如表1所示。

对双因素的影响进行二元方差分析：根据双因素方差分析原理对线形结构元素长度和角度对边界长度L的100组数据进行方差分析，结果见表2。由表2可以看出：在显著性水平α=0.05的情况下，F 0.05（9，81）=2。F c=99.27远大于临界值2，因此因素c在本试验中影响效果极显著;F θ=2.7787大于临界值2，因此因素θ在本試验中影响效果显著。即线形结构元素长度和角度对边界长度L的影响都显著，且线形结构元素长度c对L的影响更明显，而线形结构元素角度θ对边界长度L的影响程度次之。

然后，通过将自变量-角度θ、长度c对因变量-边界长度L的影响变化通过绘制三维图，进行更加形象化的分析，见图4。而θ和c对L的单因素影响规律通过图5显示。

从图4中发现：随着c的增加，输出图像的边界长度L也增加;而随着θ的增加，输出图像的边界长度L值波动，没有明显正相关或负相关;最终在θ=10°且c=9时L数最高为1000。

图5的单因素影响表明：在长度一定时，0°<θ<60°时，θ的影响比较平缓，而当60°<θ≤80°，随着θ的增加输出图像的边界长度L反而减小，在θ=80°时，L达到最小，而后增加。

2.3 实验结果人眼视觉效果评价

将角度θ、长度c在不同数值下的边缘轮廓进行提取。其中选择c=9时，θ从0～90°进行实验，处理图像如图6所示。选择θ=10°时，c从3～9的处理图像如图7所示。

通过人眼视觉从图6和图7中可清晰地看出图像的明暗以及边缘的粗细变化：a）在图6中，随着θ的增加，长裙两侧边缘线渐细，而底部边缘线渐粗，在θ=0°、θ=10°、θ=20°时，图像边缘线更清晰，图像也更明亮，在θ≥30°时，图像边缘线明显变细，在θ=90°时，图像边缘线最不清晰，且图像最暗;b）在图7中，当长度c过小时，输出图像边界不连续;随着c的增加，图像长裙底部的边缘线渐粗且图像亮度逐步增加，在c=3时，输入图像边缘线最不清晰且图像最暗，在c=9时，输入图像边缘线最为清晰且图像最为明亮。最后结合客观评价得出最优外轮廓的组合参数为θ=10°，c=9。

2.4 与其它边界检测算法的对比

为了验证本算法的有效性，又选择了多幅韩国礼服图像进行处理，处理结果如图8第1列所示，发现本算法提取的韩国礼服外轮廓都是比较清晰连续的。同时为了进一步分析本文算法的优势，将本文的5副韩国礼服图像用本文算法和传统的3种边缘识别算法（sobel算子、roberts算子和canny算子）分别进行处理，对处理结果进行对比，见图8。通过

图8（b）—（e）结果对比，可发现：sobel算子和roberts算子提取后的韩国礼服图像边缘是不连续的;canny算子属于二阶微分算子，提取后的图像噪声偏多，边界与内部噪声混在一起，也存在着间断不连续问题。相比之下，本文的线形结构形态学算法提取的外轮廓清晰且连续，由此证明本文算法对于韩国礼服这种具有流线型外轮廓的服装图像具有更好的识别效果。

3 内轮廓提取算法

本研究的韩国礼服图像由于用色非常相近，所以存在着礼服裙与内部领饰之间在灰度上非常接近，对比度不明显，单纯的转化为灰度图像导致饰品和礼服裙融为一体，难以提取饰品的轮廓，这也是韩国礼服饰品用色的突出特点。同时，手臂的遮挡引起了饰品轮廓的间断性也是需要重点解决的问题。故设计了CLAHE算法首先增强图像色彩间的对比度;再通过K-Means颜色聚类分割算法将领带图像分割出来;最后用赋值和插值算法填充修补领带中被手臂遮挡的区域。

3.1 基于CLAHE算法的礼服图像增强

针对所处理的图像中礼服裙与内部领饰之间的对比度较低，很难识别出领饰轮廓的特点，采用CLAHE算法进行图像增强处理。算法采用递归并通过增强局部区域的对比度，从而增强图像局部细节的可视性。针对明度相近色相不同的韩国礼服图像内部细节的轮廓识别，运用CLAHE算法增强礼服裙与配饰领带之间的对比度，从而更容易提取领带的轮廓。

算法步骤：

a）图像分块，将输入图像分为大小相等的n×m个不重叠子块;计算每个子块的高度H Size和宽度W Size.

b）绘制子块的直方圖F i（g）（i=1，2，……，n×m），并求出子块i出现的灰度级数H i，其中g为子块i的灰度级，g∈[0，H i-1].

c）计算限制阈值ClipLimit：

对限制阈值赋初值ClipLimit （0），按照式（1）求各子块i的限制阈值ClipLimit （i），（i=1，2，……，n×m）

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

d）修剪直方图

对每个子块，使用ClipLimit （i）值进行剪切，将剪切下来的像素数目重新分配到直方图的各灰度级中，有

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

avgBinIncr=totalExcessH i（3）

式中totalExcess是指超过ClipLimit （i）的像素值总数;avgBinIncr是指直方图中平均每个灰度级增加的像素数。F i（g）（i=1，2，……，n×m）为经重分配处理后的直方图。

e）直方图均衡，对F i（g）（i=1，2，……，n×m）进行直方图均衡化处理，均衡结果用H i（g）（i=1，2，……，n×m）表示。

f）像素点灰度值重构，根据H i（g）（i=1，2，……，n×m），得到每个子块中心像素点的灰度值，将它们作为参考点，采用双线性插值技术进行处理，如图9所示，以P点为中心，计算四邻域位置上的四个像素点A、B、C、D点的灰度大小，分别从0°方向和90°方向进行图像插值，通过两个方向插值后呈线性组合方式确定待插值像素的灰度值。计算输出图像中各点的灰度值。

算法仿真：

设置参数n=4，m=6，赋初值ClipLimit （0）=2.5对图2图像，运用CLAHE算法编程处理，以子块i=2为例说明仿真结果：计算ClipLimit （2）=27.43。基于ClipLimit （2）通对子块2进行裁剪，剪切的直方图如图10所示;将剪切下来的像素重新分配到子块2的直方图各灰度级中，重新进行直方图均衡，均衡结果见图11（b）;对均衡后的子块2进行插值重构。其余的子块采用同样方法，将处理后的各子块重新进行组合，结果见图12（b）。

通过图12（a）与经过CLAHE算法处理后的效果图12（b）对比发现：经过CLAHE算法处理后的礼服裙中，原本灰度非常接近的裙身和领饰变得更易区分，二者的交界处颜色差异较原图更明显;裙身中的暗纹也较原图更清晰可见，为后续通过图像分割进行领饰轮廓的有效提取奠定了基础。

3.2 基于K-Means的领带图像分割

为了提取图像中领饰的轮廓，采用K-Means算法进行图像分割。K-Means聚类算法是一种典型的局域距离聚类算法，通过最小化n个样本和聚类中心C K之间的距离之和，来达到将n个样本划分到k个簇中的目的[14]。基于K-Means聚类算法的图像分割是将输入图像的像素值作为样本的数据值，依据事先设定的K值进行聚类，之后用每个对应的聚类中心替代输入图像的像素点，最后重构此图像[15]。

算法步骤：

a）输入图像和K值;

b）在输入图像中随机选取K个初始的聚类中心;

c）计算输入图像中每个像素点到所有的初始聚类中心的欧式距离，然后根据最小的距离对每个像素点进行重新划分;

d）重新计算聚类的均值作为新的聚类中心;

e）循环步骤c）～d），直到聚类中心不再变化;

f）输出分割结果。

算法仿真：

根据图12（b）图像的颜色种类数设置参数K=4，对图12（b）图像，运用K-Means算法编程处理，分割结果见图13所示。

通过图13发现：礼服图像中腰线以下的领饰被分割出来，但同时由于手臂的遮挡，领带中间存在部分空缺。这时需要继续进行图像修复。

3.3 基于赋值插值的领带图像修复

对于K-Means算法分割后的领带，由于手部的遮挡产生的部分空缺，需要进行填充修复。分为两个步骤：

步骤一：区域填充

将目标图像转化为二值化图像;空缺区域即为背景黑色（像素为0）;整个领饰呈现上窄下宽的走向，以空缺区域上方像素为1的列宽n为矩形宽度，以空缺区域的间隔行数m为矩形长度，设置填充矩形n×m，将对应区域进行像素为1的填充。根据图像区域反复调整n，m的值进行实验，使填充区域尽可能充满。

根据空间像素，分别以a：79×20，b：79×17，c：82×17，d：82×15的4个矩形进行填充实验，获得如图14的填充结果。

步骤二：基于插值的局部放大修复算法

通过填充图发现，矩形与图的下方较宽边缘存在锯齿状不吻合问题，所以设计基于插值的局部放大修复算法进行修复。

算法步骤：

a）输入放大点的坐标（pointx，pointy）、放大半径r以及放大强度strength，则放大区域space=r×r;

b）分别计算放大区域的边界点的坐标，如图15所示;

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

c）计算放大区域内放大后点的坐标（posx，posy），计算式如下：

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）最后采用最近邻插值法[16]，将当前放大点灰度值（posx，poxy）作为取样点（x，y）的灰度值，遍历放大区域内所有像素点，输出局部放大后的图像。

修复算法仿真：

设置参数pointx=80，pointy=20，r=8，strength=80，对图15图像，运用以上算法编程处理，结果见图16所示。并通过canny算法对修复后的图像进行轮廓提取，如图17所示。

算法优越性检验：

基于赋值插值的领带图像修复算法包括矩形填充和边缘修复两部分，为了获取更好的修复结果，研究选择了4种尺寸的矩形进行填充，然后分别进行边缘修复。通过最终的轮廓发现：d（82×15型）的轮廓从视觉上最符合领饰原态。客观上设计边缘长度L（白色边缘像素点个数）来表征所提取的领饰边缘的完整程度。对4种结果进行统计计算，如图18，发现：第4种82 ×15的矩形填充結果中L=2373，其边缘修复最为完整，也进一步验证了与视觉感觉一样的最优结果。

4 结 论

针对韩国礼服高腰大摆的A字廓型和服饰用色搭配比较相近的特点，对韩国礼服图像设计了内外廓型分别提取的算法。

a）对于外轮廓提取，设计线形结构形态学算法进行了外轮廓提取，并通过二元方差分析对双因子的影响结果进行客观评价，结合主观视觉效果，得出最优外轮廓的组合参数θ=10°，c=9。

b）对于内轮廓提取，将CLAHE算法用于提高韩国礼服图像色相对比度，效果显著，从而为后续的图像分割奠定基础，然后采用K-Means算法分割出韩国礼服图像中内部领饰，最后通过基于赋值插值的领带图像修复最终的轮廓发现：d（82×15型）的轮廓从视觉上最符合领饰原态。

实验结果表明本研究的内外组合的轮廓提取算法达到了主观视觉和客观边界长度评价下的最优效果，是适合于韩国礼服图像特点的有效算法。然而，本文方法还有不足：提出的算法更适合于单目标图像款式因子的轮廓提取，对于多目标图像有一定的局限性。后续工作将着重围绕这个问题展开，同时考虑对提取的轮廓构建相应的数据库。

参考文献：

[1]季勇，王革非.韩服与汉服之关系研究[J].丝绸，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]李东，万贤福，汪军.采用傅里叶描述子和支持向量机的服装款式识别方法[J].纺织学报，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]孙国栋，徐亮.精确型傅里叶高度函数描述子的服装款式识别方法[J].中国测试，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]何晓军，徐爱功，李玉.基于模糊相似性的彩色形态学图像处理方法[J].计算机应用研究，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，龐彦伟，基于CLAHE的x射线行李图像增强[J].天津大学学报，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]孙冬梅，陆剑锋，张善卿.一种改进CLAHE算法在医学试纸条图像增强中的应用[J].中国生物医学工程学报，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]刘轩，刘佳宾.基于对比度受限自适应直方图均衡的乳腺图像增强[J].计算机工程与应用，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]吴焕丽，崔可旺，张馨，等.基于改进K-means图像分割算法的细叶作物覆盖度提取[J].农业机械学报，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]马仲林.基于数字形态学的图像边缘检测算法研究[D].兰州：兰州交通大学，2020.

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

[12]周勇.基于超图的自适应数学形态学研究与应用[D].西安：西安电子科技大学，2019.

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

[13]李帅，郭力娜，曹应举等.基于不同结构元素的地物边界提取对比实验研究[J].唐山学院学报，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算法相结合的生菜叶片图像分割方法[J].现代计算机，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]高强，高敬阳，赵地.GNNI U-net：基于组归一化与最近邻插值的MRI左心室轮廓精准分割网络[J].计算机科学，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.