基于圖像處理的服裝樣板輪廓提取

周 佳，宗雅倩，劉其思，徐平華,2，桑振聰

( 1.南通大學(xué) 紡織服裝學(xué)院，江蘇南通 226019；2.南通大學(xué) 杏林學(xué)院，江蘇南通 226019 )

服裝樣板是在現(xiàn)代服裝工業(yè)生產(chǎn)中進(jìn)行畫樣裁剪和產(chǎn)品縫制過程中的依據(jù)，也是檢驗(yàn)產(chǎn)品規(guī)格質(zhì)量的直接標(biāo)準(zhǔn)[1]。在現(xiàn)代化工業(yè)生產(chǎn)中，對(duì)外來樣板的精確識(shí)別需求越來越大，同時(shí)對(duì)樣板尺碼縮放等再加工過程的效率提出了巨大的考驗(yàn)。因此，是否能將紙質(zhì)樣板實(shí)物快速精準(zhǔn)的提取并且轉(zhuǎn)換成為計(jì)算機(jī)中可編輯的數(shù)據(jù)形式成為了樣板輪廓提取的關(guān)鍵。

本文將通過MATLAB編程，實(shí)現(xiàn)樣板邊緣輪廓的提取、優(yōu)化，使原本硬質(zhì)卡紙形式的實(shí)物樣板轉(zhuǎn)化成理想的計(jì)算機(jī)樣板圖。計(jì)算機(jī)樣板圖的輸出大大減少了服裝樣板在日常像素儲(chǔ)存中所占用的空間，并可將數(shù)據(jù)傳輸至AutoCAD軟件中進(jìn)行相應(yīng)的編輯，給實(shí)際工業(yè)生產(chǎn)帶來了極大便利，服裝樣板輪廓提取具有重要的研究和市場(chǎng)應(yīng)用價(jià)值。

1 基于總變差的數(shù)字圖像預(yù)處理

由于圖像受到各類環(huán)境噪聲的干擾，圖像質(zhì)量會(huì)有一定程度的退化下降。因此，對(duì)圖像進(jìn)行降噪處理是十分必要的。在對(duì)樣板的預(yù)處理中，本文將利用總變差模型對(duì)圖像進(jìn)行預(yù)處理，將干擾項(xiàng)消隱，最終使得樣板圖像具有更清晰的視覺效果。

一幅受到干擾的圖像可以分解為圖像U和加性隨機(jī)噪聲W。

其中加性隨機(jī)噪聲是一種高斯白噪聲，具有零均值，方差為σ2，并且包含噪聲的圖像的全變分比無噪聲的圖像明顯加大，最小化全變分可以消除噪聲[2]。

圖像U的全變分定義為梯度幅值的積分形式：

(1)

(2)

因此，約束項(xiàng)的選取尤為關(guān)鍵。.

(3)

以下圖中服裝樣板圖像為例(圖1所示)，圖1(a)樣板中含括了一些無價(jià)值的線條信息，通過算法對(duì)圖像進(jìn)行消隱去噪后，得到圖1(b)，可以消除干擾線條，獲得更清晰的服裝樣板。

圖1 服裝樣板(a)及去噪效果圖(b)

2 利用Canny算子對(duì)樣板進(jìn)行邊緣檢測(cè)

圖案的邊緣提取問題，即根據(jù)圖像亮度信息提取和表示出具有顯著變化的位置，最后保留圖像的主要結(jié)構(gòu)信息[4]。而服裝樣板的邊緣提取也屬于這類問題。常見的邊緣檢測(cè)算法包括Roberts邊緣檢測(cè)、Sobel邊緣檢測(cè)、Prewitt邊緣檢測(cè)等，但都或多或少地存在著一定的問題。如Roberts算子雖然簡(jiǎn)單明了,運(yùn)行快速且方便，尤其是對(duì)具有陡峭的低噪聲圖像的反應(yīng)最好,但結(jié)果中會(huì)存在偽邊緣，不能夠如實(shí)地反映服裝樣板的真實(shí)情況；Sobel算子和Prewitt算子雖然檢測(cè)邊緣的范圍更廣，但也存在著偽邊緣，而且檢測(cè)出來的邊緣線較粗，更放大了噪聲[5]。在相對(duì)復(fù)雜的圖像中使用這些算法，會(huì)使得結(jié)果出現(xiàn)更明顯的斷點(diǎn)，且無法完全提取出服裝樣板。而Canny算子則在以上方面表現(xiàn)較為出色。因此，本文經(jīng)過比較分析后，最后利用Canny算子對(duì)預(yù)處理后的圖像進(jìn)行邊緣檢測(cè)。主要步驟如下：

(1)去噪聲。對(duì)于沒有經(jīng)過處理的原始圖像，任何邊緣檢測(cè)算法都用之無效。因此，要對(duì)樣板圖像進(jìn)行最初的去噪或雜質(zhì)消隱處理，本文利用之前提到的總變差圖像濾波處理來對(duì)原始樣板圖像進(jìn)行去噪處理。

(2)梯度計(jì)算。利用導(dǎo)數(shù)算子找到圖像灰度沿著兩個(gè)方向的導(dǎo)數(shù)GX、Gy，然后就可以分別求出梯度的幅值和方向[6]：

(4)

(5)

(3)梯度方向確定。首先，獲得圖像的邊緣方向，并將模板邊緣的梯度方向粗略地劃分為若干個(gè)角度，并根據(jù)角度找到像素梯度方向的相鄰像素。

(4)遍歷圖像。如果像素的灰度值與梯度方向上的兩個(gè)像素的灰度值相比不是最大的，則像素的灰度值被設(shè)置為0，即該像素點(diǎn)位置不是邊緣[7]。

(5)用累計(jì)直方圖計(jì)算兩個(gè)閾值。任何大于高閾值的像素點(diǎn)位置一定是邊緣，反之同理。如果檢測(cè)結(jié)果在高低兩個(gè)閾值之間，判斷在像素的相鄰像素中是否存在超過高閾值的邊緣像素，如果有的話則是邊緣，反之則不是[8]。

3 樣板邊緣骨架細(xì)化

骨架是可有效地反映出原物體形狀的連通性和拓?fù)浣Y(jié)構(gòu)而由單個(gè)像素點(diǎn)組成的重要幾何特征。通常，獲取圖像骨架的過程即是“細(xì)化”圖像的過程。使用對(duì)象的骨架來描述對(duì)象是一種強(qiáng)調(diào)對(duì)象的結(jié)構(gòu)特征并提高內(nèi)存使用和數(shù)據(jù)壓縮率的好方法[9]。在本文中利用MATLAB的骨架提取算法，將經(jīng)過形態(tài)學(xué)修復(fù)的樣板輪廓進(jìn)行骨架提取，使其細(xì)化為一維曲線，便于樣板數(shù)據(jù)的矢量化存儲(chǔ)。

3.1 基于數(shù)學(xué)形態(tài)學(xué)的邊緣骨架提取

在利用改進(jìn)的Canny算法提取樣板邊緣后，基于數(shù)學(xué)形態(tài)學(xué)提取邊緣骨架。數(shù)學(xué)形態(tài)學(xué)的骨架化方法，是基于數(shù)學(xué)圖論的學(xué)科，主要思想是通過一定形態(tài)的結(jié)構(gòu)元素測(cè)量和提取圖像中的相應(yīng)形狀，以便進(jìn)行圖像分析和識(shí)別[10]。圖像經(jīng)過數(shù)學(xué)形態(tài)學(xué)的處理，不但可以使原圖像數(shù)據(jù)信息簡(jiǎn)單化，而且可以去除不相關(guān)的信息，保留根本的形狀屬性，并且具有原生的并行實(shí)現(xiàn)的結(jié)構(gòu)優(yōu)點(diǎn)，最后得到連續(xù)、準(zhǔn)確的骨架。

根據(jù)最大圓盤算法的定義，兩組結(jié)構(gòu)元素分別為：

A={A1,A2,A+3,A+4},B={B1,B2,B3,B4} (6)

前者用于去除西北、東北、東南和西南角的點(diǎn)，后者用于去除北、東、南和西方向上的點(diǎn)，如圖2所示。在圖中，＊表示被引用的中心點(diǎn)，1表示目標(biāo)圖像的點(diǎn)，0表示背景圖像，x表示目標(biāo)圖像或背景圖像[11]。

圖2 結(jié)構(gòu)元模板

3.2 骨架細(xì)化處理

結(jié)構(gòu)元B對(duì)集合A的細(xì)化可表示為A?B,它可以根據(jù)命中或未命中變換來定義：

A?B=A-(A?B)=A∩(A?B)C

(7)

通過應(yīng)用數(shù)學(xué)形態(tài)學(xué)細(xì)化算法來細(xì)化圖像，主要步驟如下：

(1)目標(biāo)圖像A細(xì)化成Y，用A→Y；

(2)作A=A?Bi，其中i從1取到8；

(3)如果A=Y，迭代結(jié)束，否則執(zhí)行步驟(4)；

(4)A←Y，再執(zhí)行(2)步驟。

經(jīng)數(shù)學(xué)形態(tài)學(xué)細(xì)化后的樣板骨架如圖3所示，得到單像素連通的樣板骨架，大大縮減了樣板的存儲(chǔ)量。

圖3 樣板骨架

3.3 輪廓邊緣優(yōu)化

邊緣的完整性對(duì)后期圖像的處理起到關(guān)鍵作用。因此，對(duì)分割后的圖像進(jìn)行修復(fù)就顯得十分重要。本文利用形態(tài)學(xué)運(yùn)算來修復(fù)邊緣圖像。形態(tài)學(xué)運(yùn)算主要包括開運(yùn)算和閉運(yùn)算[12]。

先進(jìn)行腐蝕而后膨脹的過程稱為開運(yùn)算。結(jié)構(gòu)元B對(duì)集合A的開操作，表示為A°B，定義如下：

A°B=(AΘB)

(8)

先進(jìn)行膨脹而后腐蝕的過程稱為閉運(yùn)算。結(jié)構(gòu)元B對(duì)集合A的閉操作，表示為A·B，定義如下：

A·B=(A⊕B)ΘB

(9)

具體以下圖為例，圖4中(a)圖為對(duì)樣板進(jìn)行預(yù)處理，邊緣提取和骨架細(xì)化后的圖，由于樣板邊緣相隔較近，導(dǎo)致出現(xiàn)連接現(xiàn)象，而且在樣板邊緣出現(xiàn)凸起、不平整等現(xiàn)象。通過形態(tài)學(xué)運(yùn)算，將圖4(a)中的問題進(jìn)行了較好的修復(fù)，如圖4(b)所示，最終能夠輸出光滑連續(xù)的曲線，這為后續(xù)操作提供了堅(jiān)實(shí)的基礎(chǔ)，具有重要意義。

(a) (b)

4 矢量化數(shù)據(jù)格式輸出

由于樣板輪廓將會(huì)被運(yùn)用到工業(yè)制版中，因此需將所得到樣板輪廓通過圖形交換文件保存為AutoCAD能夠識(shí)別的格式DXF，以便后續(xù)處理。DXF是Autodesk公司為了在AutoCAD與其它軟件之間交換CAD數(shù)據(jù)而開發(fā)的CAD數(shù)據(jù)文件格式[13]。

在制版過程中，大多使用AutoCAD進(jìn)行制版，且DXF格式文件中代碼本身就具有良好的可讀性，方便用戶修改。因此，本文將所得樣板輪廓保存為DXF格式，最后利用VisualC++編制程序，將保存DXF格式的矢量化數(shù)據(jù)傳輸?shù)紺AD制版系統(tǒng)中。

5 實(shí)驗(yàn)結(jié)果及分析

本文采用MATLAB編程，選用普通服裝樣板作為測(cè)試樣，利用上述方法進(jìn)行服裝樣板輪廓提取、優(yōu)化。圖5(Ⅰ)為分割后的樣板邊緣，圖5(Ⅱ)為骨架提取細(xì)化后的樣板輪廓，圖5(Ⅲ)為優(yōu)化后的樣板輪廓。

Ⅰ 樣板邊緣

Ⅱ 樣板骨架輪廓

Ⅲ 樣板輪廓優(yōu)化

從實(shí)驗(yàn)結(jié)果中，可以看出改進(jìn)的Canny算法能夠較為準(zhǔn)確完整地分割出樣板的邊緣，在提取邊緣輪廓的骨架并細(xì)化時(shí)，可以從結(jié)果中看到雖然提取出的骨架具有一定的連貫性，但是在骨架的若干部位還存在一定的奇異點(diǎn)及凸起；而在輪廓優(yōu)化中，則很好地解決了這一問題，使得單像素樣板輪廓連貫準(zhǔn)確。

6 結(jié)語

本文采用MATLAB編程，利用改進(jìn)的Canny算法用于檢測(cè)和分割平滑處理后的服裝樣板，并利用骨架提取算法來細(xì)化樣板的輪廓。在實(shí)際應(yīng)用中有很大的應(yīng)用價(jià)值。而樣板輪廓的提取輸出則大大減少服裝樣板原始存儲(chǔ)中所占用的存儲(chǔ)空間，并可將數(shù)據(jù)傳輸至AutoCAD軟件中進(jìn)行相應(yīng)的編輯，帶來了極大的便利。