基于改進(jìn)Canny算法的服裝款式結(jié)構(gòu)特征識別與分類

莊立鋒，林俊文

（浙江農(nóng)林大學(xué)藝術(shù)設(shè)計學(xué)院，杭州311300）

0 引 言

科學(xué)技術(shù)的快速發(fā)展，造福著社會的方方面面，也給服裝紡織行業(yè)注入了新的生機?？萍嫉牟粩鄤?chuàng)新推動著人們對服裝款式及元素更高的要求，愈發(fā)成為目前發(fā)展的主流趨勢。利用數(shù)字圖像處理技術(shù)進(jìn)行服裝款式識別，并與后續(xù)服裝設(shè)計相結(jié)合，已經(jīng)成為當(dāng)前服裝產(chǎn)業(yè)數(shù)字化的研究熱點。

不同外部輪廓和特征元素構(gòu)成了各種不同的服裝款式，體現(xiàn)出服裝的實用性和社會性。通過提取服裝圖像中的特征元素，例如紋理，輪廓或者衣片部件，就能有效幫助設(shè)計師快速高效的進(jìn)行服裝設(shè)計。近年來，國內(nèi)外諸多學(xué)者對服裝中數(shù)字圖像處理的應(yīng)用做了廣泛而深入的研究。朱菊香等［1］提取襯衫圖像的所有幾何信息，并將其與實體信息進(jìn)行對照。董晨雪［2］利用Matlab對服裝圖像進(jìn)行典型參數(shù)的自動識別，用其構(gòu)建出基礎(chǔ)樣本。許多服飾都有花紋圖案，常規(guī)提取方法會產(chǎn)生噪聲干擾，An等［3］提出一種全新的輪廓提取方法，通過計算輪廓誤差對噪聲進(jìn)行消除，直接修補原始提取方案造成的紋理誤差。但是由于服裝款式多樣性，輪廓提取干擾多，目前還沒有一種完全有效的服裝輪廓完整清晰的提取方案。

本文針對服裝款式提取上的難點，提出基于改進(jìn)Canny邊緣檢測算法進(jìn)行服裝款式造型特征元素的識別與分類，并對其性能進(jìn)行實驗驗證，與原始方案進(jìn)行比較，得出結(jié)論。

1 服裝圖像預(yù)處理

由服裝款式識別研究現(xiàn)狀可知，目前主要難點在于服裝圖像的預(yù)處理［4］以及特征提取算法?，F(xiàn)介紹主要服裝預(yù)處理流程。

1.1 灰度變換及閾值分割

由于采樣得到的服裝圖像是彩色的，顯示出的服裝紋理細(xì)節(jié)會對后續(xù)處理帶來干擾，因此處理之初就把彩色圖像轉(zhuǎn)換為灰度圖像，減少服裝表面圖案對圖像分割造成的影響?；叶茸儞Q后若直接二值化處理，對于顏色較淺的服裝灰度圖像來說服裝元素易與背景混淆，因此有必要對圖像進(jìn)行灰度線性變換來增強該圖像與其背景顏色的對比度。原彩色圖像和經(jīng)過灰度變換后的圖像如圖1 所示。

圖1 原始圖像和灰度變換圖像

為了將服裝圖像與背景分離，應(yīng)采用閾值分割對圖像進(jìn)行進(jìn)一步處理。閾值分割中閾值T 的選擇是至關(guān)重要的。本文采用Otsu（最大類間方差法）［5-7］進(jìn)行閾值分割。

最優(yōu)分割閾值的目的在于將前景和背景完美的分割，即兩者差別越大，分割效果越好，因此要求類間方差最大化。圖2 是經(jīng)過Otsu 法進(jìn)行閾值分割后的二值化圖，由圖可知最大類間方差法能夠有效地對服裝灰度圖進(jìn)行分割，邊緣區(qū)域分割效果顯著。

圖2 閾值分割后圖像

1.2 形態(tài)學(xué)處理

形態(tài)學(xué)處理即使用數(shù)學(xué)形態(tài)學(xué)［8］方法對圖像進(jìn)行特定處理，提取出預(yù)期分量。對二值化圖像進(jìn)行不同的處理，可以將其圖像邊緣平滑，修剪等。形態(tài)學(xué)處理將圖像中所有像素點作為集合，將結(jié)構(gòu)元素在二值化圖像中移動探測來分析圖像，常見形態(tài)學(xué)操作有：開運算，閉運算，膨脹和腐蝕等。經(jīng)過Otsu 閾值分割后的圖像仍然存在諸多缺口，前景中仍然有某些區(qū)域被當(dāng)作背景處理。

形態(tài)學(xué)處理主要使用閉運算。閉運算是指對圖像進(jìn)行先膨脹后腐蝕操作，膨脹實現(xiàn)填補圖像中空洞和消除小顆粒噪聲的作用，腐蝕操作消除了無意義的小物體，使區(qū)域范圍減小。圖3 所示為形態(tài)學(xué)閉運算操作后的服裝二值圖。

圖3 形態(tài)學(xué)處理后圖像

由圖3 可知，經(jīng)過形態(tài)學(xué)操作后，服裝圖像與背景完全分離，內(nèi)部空洞被消除，保留了完整的服裝輪廓特征。

2 改進(jìn)Canny算法邊緣檢測

2.1 原始Canny檢測算法

圖像邊緣檢測的任務(wù)是檢測出灰度圖像中灰度值突變點。傳統(tǒng)的邊緣檢測算子包括微分算子法，曲面擬合法，最優(yōu)算子法等，其中傳統(tǒng)的微分算子法［9-11］如Roberts算子，Sobel算子操作簡單，但是邊緣檢測不準(zhǔn)確。最優(yōu)算子法如LoG算子和Canny 算子，是一種根據(jù)信噪比來檢測出圖像邊緣的最優(yōu)濾波器，其抗噪和準(zhǔn)確性大大優(yōu)于傳統(tǒng)算法。

由于Canny 算子包括了諸多圖像預(yù)處理步驟［12-14］，使其成為目前邊緣檢測中使用較為普遍的標(biāo)準(zhǔn)算法。Canny算法流程圖如圖4 所示。

圖4 Canny算法流程圖

該算法首先需要對原始圖像進(jìn)行高斯平滑處理。二維高斯函數(shù)的形式為：

為了得到更好的效果，將該函數(shù)分解為行列濾波器，該函數(shù)所對應(yīng)的梯度矢量如下：

將二維高斯濾波函數(shù)直接分解為行和列濾波器，并將其與圖像分別進(jìn)行卷積運算，此時可以得到如下公式。

式中：?表示高斯濾波函數(shù)的空間尺度函數(shù)，直接反映濾波器性能，若參數(shù)?過大，函數(shù)抑制噪聲能力強但邊緣定位能力弱；*表示卷積運算。

濾波后應(yīng)計算梯度的幅值和方向，由經(jīng)上述處理的圖像中2 ×2 鄰域進(jìn)行對角線差分操作獲得，其結(jié)果如下：

式中：M（i，j）表示圖像中灰度值；θ（i，j）表示圖像灰度方向；fx（i，j）和fy（i，j）分別是圖像沿著x和y方向上的偏導(dǎo)數(shù)。

Canny算子在對圖像進(jìn)行非極大值處理后采用雙閾值處理。首先Canny 使用高、低閾值分別處理得到兩個邊緣圖像，由高閾值得到的邊緣圖可能會忽略一些邊緣信息，而由低閾值得到的邊緣圖可能會含有相對較多的邊緣無用信息，因此對兩種邊緣圖像進(jìn)行融合。Canny圖像處理技術(shù)中利用圖像之間的邊緣聯(lián)通特性，高閾值得到的圖像確定起點，低閾值圖像決定連接的邊緣點，以此進(jìn)行邊緣連接得到最終邊緣圖像。

2.2 傳統(tǒng)Canny算法的不足

Canny算法對于傳統(tǒng)邊緣檢測算法有了極大的提升，但是對于現(xiàn)實中對圖像處理技術(shù)越來越高的要求，傳統(tǒng)Canny算法逐漸顯現(xiàn)出其不足之處。主要有：

（1）平滑函數(shù)的不定性。傳統(tǒng)Canny算法使用高斯濾波函數(shù)對圖像進(jìn)行平滑處理，此時需要人為設(shè)置函數(shù)的參數(shù)，因此在不同條件下需要設(shè)置不用的參數(shù)，增加了工作量，單一參數(shù)的使用會大大增加工作量。

（2）閾值選取的多變性。傳統(tǒng)算法中高低閾值均是人為設(shè)定，需要經(jīng)過大量的參數(shù)調(diào)整，普適性弱，主觀性太強，不同環(huán)境條件下需要重新設(shè)定。

（3）噪聲敏感性。傳統(tǒng)算法使用2 ×2 鄰域內(nèi)的方差來計算出梯度幅值，由于該方法自身缺陷，計算結(jié)果產(chǎn)生誤差，且不具備濾波因子，對噪聲敏感。

針對傳統(tǒng)算法的上述幾點不足，本文提出了Canny的改進(jìn)算法。

2.3 改進(jìn)Canny算法

傳統(tǒng)Canny算法首先將圖像進(jìn)行平滑，減弱噪聲對圖像處理的影響。其中圖像濾波函數(shù)的選取對于處理效果具有至關(guān)重要的作用。Canny 算法選取高斯濾波器，通過最有原則，是目前邊緣檢測中效果最好的濾波器。其主要特性有旋轉(zhuǎn)不變性，單瓣傅里葉頻譜等。

二維高斯濾波器由式（2）指出，σ2表示濾波器的方差，二維高斯濾波器可以分解為兩個一維濾波器之和，因此一維濾波器為：

高斯濾波器對圖像的平滑程度取決于σ 的選取，其值過大造成虛假邊緣，過小對噪聲抑制能力太弱。鑒于上述矛盾，本文提出一種自適應(yīng)高斯濾波器，通過圖像不同區(qū)域的特征自動求得不同方差。

信號fg（x）是經(jīng)過高斯濾波后的函數(shù)，可推出：

經(jīng)過近似處理可得自定義濾波器方差為：

這里定義誤差為：

接下來進(jìn)行尺度參數(shù)的計算，本文采用3 ×3 鄰域進(jìn)行圖像處理并求的尺度參數(shù)。對于σ，噪聲信號處的尺度參數(shù)應(yīng)該較大，相反的，位于平滑區(qū)域的尺度參數(shù)盡可能小，這樣才能達(dá)到理想的濾波器效果，即僅僅將圖像中噪聲點濾除不影響原始圖像信號。根據(jù)上述分析，可以得到如下公式：

式中，σn和σf分別為噪聲信號與原始信號的尺度參數(shù)。

假設(shè)當(dāng)前像素點的坐標(biāo)為P（x，y），則當(dāng)前點與其鄰域點的灰度值平均差為：

式中選用3 ×3 的窗口，當(dāng)前窗口周圍有8 個鄰域像素點。由公式可知，圖像越平滑，灰度值平均差越小。將當(dāng)前點與圖像鄰域特征相結(jié)合，在一個3 ×3 鄰域范圍內(nèi)，求得當(dāng)前點與鄰域點的平均灰度誤差的絕對值，將其除以鄰域點灰度平均值。當(dāng)前像素與鄰域的對比度N如下所示：

由此，本文使用對比度N作為目前像素點的尺度參數(shù)σ，即可得到自適應(yīng)高斯濾波函數(shù)的尺度參數(shù)以適應(yīng)不同邊界環(huán)境。

為驗證該處理方式對噪聲的抑制作用，本文對原始服裝圖像添加了椒鹽噪聲，并通過上述算法進(jìn)行預(yù)處理和邊緣檢測，得到的服裝邊緣如圖5 所示。

圖5 加入噪聲后以及處理后圖像

由圖5 可知，本文使用的改進(jìn)方式對噪聲具有很好的抑制作用，仍能完整的提取出服裝輪廓。

3 服裝款式識別實驗結(jié)果

對于已經(jīng)獲得準(zhǔn)確邊緣的二值化圖像，采用簡單高效的輪廓曲率特征法進(jìn)行特征提取，使其快速準(zhǔn)確的識別和表達(dá)出具體衣物特征，有助于服裝款式快速識別。服裝款式識別流程如圖6 所示。

圖6 服裝款式識別流程

通過輪廓曲率得到服裝圖像的基本特征，再通過均值Hausdorff距離（MHD）對兩張圖像特征點之間的距離進(jìn)行計算，判別是否屬于同一類服裝。

3.1 服裝模板匹配

服裝圖像輪廓由封閉曲線構(gòu)成，曲線的拐點曲率較大，決定了該點的特殊性，因此曲率點極值的位置和分布直接反映了服裝特點，即服裝具體款式。從服裝曲率點中提取出一系列特征點，能夠較好展現(xiàn)出譬如衣領(lǐng)，肩寬等服裝特征元素。服裝曲率的計算按下式進(jìn)行：

式中，d′k、d″k分別表示在k點處的一階和二階導(dǎo)數(shù)。從服裝圖片可以看出，服裝某些輪廓平行于坐標(biāo)軸，此時將計算不出具體曲率。為了將曲率特征全部表示出來，將服裝的橫縱坐標(biāo)進(jìn)行互相置換，將之前計算出的缺漏的點補上。根據(jù)上述原則，得到一系列曲率數(shù)據(jù)，曲率數(shù)據(jù)選擇過少，不足以表達(dá)服裝特征，若曲率特征點選擇過多，則增加無意義的計算量。本文選取37 個特征點進(jìn)行服裝特征的描述。提取出的服裝特征和制定的服裝模板如圖7 所示。

圖7 服裝特征點以及服裝模板

由于目前沒有統(tǒng)一的服裝款式樣本模板庫，本文從谷歌圖片中搜集到800 張圖片作為樣本庫。其中包括連衣裙、長褲、短褲、長袖T 恤，短袖T 恤、襯衫、西服、外套這些生活中常見的服裝款式，并且每種款式各100 張白色背景圖像。

進(jìn)行模板匹配時，使用典型的、具有代表特征的模板對最終分類效果具有顯著的影響。因此需要制作每種服裝款式的模板圖案，本文以襯衫為例制作輪廓曲率特征模板。具體制作流程如下：①將樣本圖片進(jìn)行預(yù)處理，統(tǒng)一樣本輪廓高度為320 像素，保持長寬比一致進(jìn)行等比例縮放，統(tǒng)一尺寸。②將預(yù)處理圖片進(jìn)行疊加并邊緣均值濾波，再次使用閾值分割技術(shù)提取出二值化圖像，并進(jìn)行形態(tài)學(xué)邊緣處理。③將完整模板圖像進(jìn)行特征提取，得到本款式樣本的曲率特征向量模板。

3.2 均值Hausdorff距離

進(jìn)行模板匹配的主要算法是進(jìn)行相似度的判別，服裝圖像與模板圖像的相似度能夠很好地反映特征點的匹配程度。傳統(tǒng)Canny算法采用歐式距離對兩張圖像的特征進(jìn)行距離判別。歐式距離雖然簡單高效，但是對于圖像面狀的特征點集并不適合。本文擬采用Hausdorff距離［15-16］來進(jìn)行相似度匹配。

Hausdorff距離描述兩個點集之間的距離的最大值。兩個數(shù)據(jù)集合A和B之間的Hausdorff 距離如下所示：

式中，d（B，A）表示數(shù)據(jù)集B中所有數(shù)據(jù)點到集合A中任意一點的最小距離的均值。判別圖像和模板圖像時，若Hausdorff距離小于設(shè)定值，則可判定服裝圖像屬于模板圖像一類。

3.3 識別結(jié)果分析

本文實驗平臺為MATLAB2014A，編寫對應(yīng)圖像處理算法對服裝圖像進(jìn)行上述處理，實現(xiàn)邊緣檢測算法和模板匹配算法，并對Canny 算法改進(jìn)前后的處理效果進(jìn)行分析。首先通過改進(jìn)Canny算法得到服裝輪廓，提取出對應(yīng)輪廓特征點，與模板庫中輪廓特征點進(jìn)行對比計算出MHD值，越小反映兩者特征值越接近，即服裝款式越相似。以襯衫為例，本文從谷歌圖片中獲取了另外1 600 張圖像，8 種服裝款式每種各200 張圖像進(jìn)行實驗。圖8 為模板庫中計算出的各個種類服飾與長袖襯衫特征數(shù)據(jù)之間的MHD值。

圖8 襯衫與各類服裝之間MHD值

由上圖可知，MHD 值最小的為長袖襯衫，得知該服裝特征與模板庫中長袖襯衫的特征最為相近，因此最后判定該服裝為長袖襯衫。

接下來輪流將八種服裝的1 600 張圖像進(jìn)行模板匹配，每次將一種模板庫作為標(biāo)準(zhǔn)，與全部測試圖像的特征向量進(jìn)行比對，得到各個款式服裝的識別率，如圖9 所示。

將所有識別率進(jìn)行統(tǒng)計，得到原始算法對1 600張圖片的平均識別率為86.725%，而改進(jìn)算法對全部圖片的平均識別率為88.763%。從上圖可以看出，應(yīng)用改進(jìn)算法后，除了西服，其他所有款式的識別率均高于原始算法。

圖9 各個款式服裝識別率比較

為了驗證改進(jìn)算法的特性，將上述實驗重新使用傳統(tǒng)Canny算法實現(xiàn)并將其結(jié)果與改進(jìn)算法對比，并以襯衫為具體例子得到結(jié)果見表1。

表1 系統(tǒng)運行結(jié)果

從表1 中可以清楚看出，改進(jìn)后的Canny 算法由于得到的邊緣更好，后續(xù)模板匹配更加精準(zhǔn)，準(zhǔn)確率有一定幅度的提升，并且運行速度不受影響。

4 結(jié) 論

本文對服裝款式特征進(jìn)行分析，對采集到的服裝圖像進(jìn)行一定的預(yù)處理操作，通過閾值分割，形態(tài)學(xué)處理等操作得到服裝大致輪廓，分析了傳統(tǒng)Canny 邊緣檢測算子的特征及優(yōu)缺點，提出一種改進(jìn)的Canny 算法檢測服裝邊緣。完成基于Hausdorff 距離的服裝特征匹配，將待分類圖像特征與模板圖像的特征點進(jìn)行比對分析，得到最終服裝判別分類結(jié)果，并使用MATLAB平臺進(jìn)行驗證。實驗結(jié)果表明，該改進(jìn)系統(tǒng)具有十分優(yōu)良的服裝檢測效果，效率高，能夠有效減少人工勞動，其快速準(zhǔn)確的分類大大加快服裝設(shè)計流程的進(jìn)度，提高設(shè)計效率。