劉其思， 徐平華*,2， 周佳， 宗雅倩， 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)

基于變分水平集的服飾圖案輪廓提取

劉其思1， 徐平華*1,2， 周佳1， 宗雅倩1， 桑振聰1

( 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)

圖案復(fù)原、圖形圖案再設(shè)計中，人工提取服飾圖案輪廓效率和精度較低。利用圖像處理技術(shù)，在圖像濾波基礎(chǔ)上，對服飾圖案的輪廓進(jìn)行快速提取。首先采用總變差模型對原始圖案底紋進(jìn)行自動消隱，然后利用變分水平集算法對圖案輪廓進(jìn)行邊緣檢測和分割，并與目前常用的圖像邊緣檢測方法進(jìn)行對比。實驗結(jié)果表明，基于變分水平集算法的圖像分割有效地提取出服飾圖案邊緣輪廓信息，相比較傳統(tǒng)的分割方法更為準(zhǔn)確有效。

服飾圖案；水平集；總變差；邊緣檢測

在繡花、印花等工藝中，對服飾圖案紋理的提取主要采用人工的方式進(jìn)行分割，消耗了大量的時間和人力，增加了企業(yè)的生產(chǎn)成本。近年來，由于圖像采集設(shè)備如手機(jī)、數(shù)碼相機(jī)等普及以及互聯(lián)網(wǎng)的迅猛發(fā)展，海量的圖像信息成為服飾設(shè)計中重要的素材來源，從中快速提取具有設(shè)計價值的圖形圖案成為設(shè)計取材的重要途徑[1]。

為了提高服飾圖案的提取效率，節(jié)約勞動力，亟需對服飾圖案的自動提取進(jìn)行研究。在計算機(jī)圖像處理視覺領(lǐng)域中,圖像的提取研究近年來受到較多關(guān)注[2- 4]。將一幅圖像中具有實際生產(chǎn)價值的圖案提取出來,再進(jìn)行更深一步分解和處理，對繡花、印花、快時尚的設(shè)計具有重要意義。圖像紋理提取算法較多，如何從中優(yōu)選出有效的算法應(yīng)用于當(dāng)前服飾紋理的提取成為文中研究的重點(diǎn)。

圖像分割是圖像分析中基本而重要的問題之一。所謂圖像分割，就是把圖像分成若干個特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。雖然在圖像分割算法研究方面，已經(jīng)涌現(xiàn)出諸多典型算法，如基于像素分類的閾值法、基于邊緣檢測的算子法、基于區(qū)域分割的區(qū)域生長法、分裂合并法等，但由于圖像采集條件和圖像本身都具有復(fù)雜性，目前圖像分割算法在對于服飾圖案輪廓的提取都不能獲得良好效果。文中提出基于變分水平集算法對服飾圖案進(jìn)行分割，變分水平集算法在圖像分割中應(yīng)用是基于圖像的性質(zhì)和亮度變化，其不要求圖像對比度大，且實驗結(jié)果準(zhǔn)確，運(yùn)算速度快，是圖像分割中的優(yōu)秀算法，能夠?qū)Ψ棃D案進(jìn)行良好分割。

原始圖像自身存在一定的紋理，會干擾服飾圖案的邊緣提取，文中利用總變差模型對原始圖像進(jìn)行濾波，在此基礎(chǔ)上利用變分水平集算法對服飾圖案的邊緣進(jìn)行提取，并與常見的邊緣檢測算法進(jìn)行比較分析。

1 常見邊緣檢測算法

服飾圖案的輪廓提取屬于圖案邊緣提取問題，根據(jù)圖像亮度信息對具有顯著變化的位置進(jìn)行提取和標(biāo)識，保留了圖像的重要結(jié)構(gòu)信息。邊緣檢測方法主要是利用物體和背景在某種圖像特性上的差異來實現(xiàn)的。常見的邊緣檢測算法包括基于微分的邊緣檢測[5]、基于區(qū)域的邊緣檢測[6]等。以下是對常見的邊緣檢測算法原理的描述。

1.1 一階導(dǎo)數(shù)算子

Sobel算子包含2組3×3的矩陣，分別為橫向及縱向模板，將之與圖像作平面卷積，分別得出橫向及縱向的亮度差分近似值[7]。

梯度大小采用公式(1)求得:

(1)

梯度方向為

(2)

Sobel算子是典型的基于一階導(dǎo)數(shù)的邊緣檢測算子，由于該算子中引入類似局部平均的運(yùn)算，因此對噪聲具有平滑作用，能很好地消除噪聲影響[8]。與此類似的Prewitt，使用2個有向算子，每一個逼近一個偏導(dǎo)數(shù)，2個方向的偏導(dǎo)矩陣,分別用水平算子和垂直算子對圖像進(jìn)行卷積，得到的是2個矩陣，通過閾值處理得到邊緣圖像。Sobel存在檢出邊緣較多問題，且邊緣灰度值過度比較尖銳，使得在對服飾圖案分割處理上，出現(xiàn)過分割現(xiàn)象，不能取得良好效果。

1.2 二階導(dǎo)數(shù)算子

二階微分算子較為典型的算法為Laplacian of the Gaussian(LoG)[9]，其利用圖像強(qiáng)度二階導(dǎo)數(shù)的零交叉點(diǎn)求邊緣點(diǎn)。圖像中灰度值緩變形成的邊緣，經(jīng)過微分算子峰值兩側(cè)的符號相反，其極值點(diǎn)對應(yīng)二階微分中的過零點(diǎn)。

該算法將高斯濾波器和拉普拉斯零交叉算子結(jié)合形成LoG算子。LoG 算子實現(xiàn)的方式有2種:一種是圖像先與高斯濾波器進(jìn)行卷積，再求卷積的拉普拉斯變換; 另一種是先求高斯濾波器的拉普拉斯變換，再求與圖像的卷積。邊緣檢測分割方法適用于邊緣灰度值過渡明顯，噪聲相比較小的圖像分割。對于圖像邊緣相對復(fù)雜以及噪聲較強(qiáng)的圖像而言，要面臨抗噪性和檢測精度的矛盾。如果提升檢測精度，那么圖像噪聲將會形成偽邊緣促成不恰當(dāng)?shù)妮喞庑危蝗绻嵘龍D片的抗噪性，那么就會產(chǎn)生輪廓漏檢和位置誤差。因此，在閾值選擇上存在一定困難。

1.3 基于區(qū)域的分割方法

在區(qū)域分割方法中，串行區(qū)域分割方法可以有兩類,一類為分裂合并，另一類則為區(qū)域生長。

區(qū)域生長的主要原理是把圖像中屬性具似的像素匯集在一起使之組成一個區(qū)域。先在需要分割的某個區(qū)域中找出一個種子像素當(dāng)做它的生長起點(diǎn),而后再將種子像素和周圍鄰域中與種子像素屬性類似的像素歸并到種子像素所在的區(qū)域中。將這些新的像素作為新種子延續(xù)以上流程,直至沒有能滿足前提的像素可以被囊括進(jìn)來。通過這樣的方式,即得到一個生長成的區(qū)域。區(qū)域生長需要利用人工交互獲取種子點(diǎn)，并且對圖像噪聲較為敏銳，容易造成圖像的過度分割。

綜上所述，在對服飾圖案分割算法中，上述算法線條不夠清晰，斷枝明顯，紋理連貫性不強(qiáng)，難以滿足分割需要，亟需一種新型算法對服飾圖案進(jìn)行較完美分割。

2 服飾圖像消隱及變分水平集分割

2.1 服飾圖案輪廓提取算法流程

文中對服飾圖案輪廓的提取采用圖像消隱處理和變分水平集分割，解決當(dāng)前服飾圖案自動分割中紋理模糊、斷枝明顯、連貫性差等缺陷。算法流程如圖1所示。

算法流程由5個部分組成，分別為：(1)圖像輸入，圖像的獲取可以由相機(jī)采集或網(wǎng)絡(luò)圖像檢索獲得；(2)圖像灰度化處理；(3)圖像消隱，即對圖像進(jìn)行濾波，剔除背景紋理；(4)基于變分水平集的圖像分割；(5)最后對紋理進(jìn)行提取和輸出。

2.2 背景紋理消隱

對于服飾圖案，因其自身材質(zhì)不同，表現(xiàn)為圖像的固有紋理?？蛻魜順拥谋砻婕y樣是再設(shè)計的重要“信息”，而載體的紋理作為一類“噪聲”，需要將其消隱，實現(xiàn)信噪分離。因此，在對服飾圖案的預(yù)處理中，利用總變差模型對圖像進(jìn)行紋理消隱，使得圖像具有更為清晰的視覺效果。

一幅被污染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)噪聲為具有零均值，方差為σ2的高斯白噪聲，且含有噪聲的圖像比無噪聲圖像的全變分明顯加大，最小化全變分可以消除噪聲[10]。

圖像U的全變分定義為梯度幅值的積分形式為

(3)

(4)

因此，約束項的選取尤為關(guān)鍵。

TV(u)=∫Ωudxdy=

(5)

以皮革面料印花圖像為例，利用該函數(shù)消隱后，得出主干信息(見圖2)。圖2(a)圖像為組織結(jié)構(gòu)和紋樣的混雜效果，紋樣印花部分融入了組織結(jié)構(gòu)紋理，經(jīng)過算法消隱后，如圖1右側(cè)圖像所示，能夠完全消除掉材質(zhì)紋理的干擾，獲得較為清晰的彩色紋樣圖。

2.3 基于變分水平集算法對服飾圖案的分割

實際操作中，很多圖像邊緣都不是理想的邊緣(即由梯度定義的邊緣)，如果圖像邊緣比較模糊，無法定義，則基于閾值的圖像分割等方法都無法取得良好的分割效果。為了解決這一問題，Chan和Vese提出了一種基于Mumford-Shah模型的區(qū)域最優(yōu)劃分圖像分割模型[11]，此模型中，能量函數(shù)構(gòu)造為

F(c1,c2,c)=μLength(c)+

λ1∫∫inside(c)|I(x,y)-c1|2dΩ+

λ2∫∫outside(c)|I(x,y)-c2|2dΩ

(6)

式中：I(x,y)為圖像函數(shù)；c為平面演化曲線；c1,c2為圖像域上曲線c的內(nèi)外部區(qū)域的灰度平均值;Length(c)為曲線c的長度;μ,λ1,λ2為正常數(shù)。

式(6)是關(guān)于平面曲線c的能量函數(shù)。為建立變分水平集模型，Chan和Vese引入Heaviside函數(shù)H(z)及狄拉克函數(shù)λ(z)。φ是與平面曲線c相對應(yīng)的水平集函數(shù)，Ω為整個圖像定義域。水平集函數(shù)φ可表示為

(7)

式中，右端第1項為內(nèi)部能量項，第2,3項為外部能量項。

將式(7)看作是關(guān)于水平集函數(shù)φ的能量函數(shù)，利用變分法，便得到水平集函數(shù)φ滿足的偏微分方程。

在對圖案進(jìn)行預(yù)處理的基礎(chǔ)上，利用變分水平集算法對圖像進(jìn)行分割，變分水平集算法能夠有效地分割出更為清晰的服飾圖案。圖2(a)經(jīng)過紋理消隱后的效果如圖2(b)所示，再基于灰度化處理后，利用變分水平集算法對其進(jìn)行處理。圖3(a)為未經(jīng)過紋理消隱，利用變分水平集算法后處理的效果見圖3(b)。

從對比可以看出，圖3(a)中將圖案上的紋理也將其分割出來，大大影響了其準(zhǔn)確性，由此可看出紋理消隱等預(yù)處理對變分水平集算法的重要性。圖3(b)中圖案紅色的外輪廓即為分割線，其與圖案十分貼合，無斷續(xù)等不良好現(xiàn)象。

3 實驗結(jié)果及分析

采用Matlab編程，選用4種典型紋理圖案作為測試樣(圖像大小均為800像素×600像素)，經(jīng)過預(yù)處理后對其表面圖案進(jìn)行邊緣檢測和分割。

圖4(a)為利用Robert算法對圖像分割的效果；圖4(b)為Sobel算法檢測效果；圖4(c)為Prewitt算法檢測效果；圖4(d)為總變差模型檢測效果。由利用變分水平集算法的實驗結(jié)果與利用普通算法對比可得：Robert算法復(fù)雜程度低，簡潔易于實現(xiàn)，算法運(yùn)行程序少。實驗中斷枝非常明顯，破壞了紋理的連貫性，且大面積出現(xiàn)分割不完全現(xiàn)象，分割區(qū)域得到的一致性差，分割結(jié)果不理想；Sobel算法復(fù)雜程度低，運(yùn)行時間快，分割結(jié)果含有較多雜點(diǎn)，分割邊緣模糊，其提取出來的線條不夠清晰，紋理出現(xiàn)斷枝的情形較為明顯，出現(xiàn)了過度分割現(xiàn)象；Prewitt算法雖然較分割前3種算法好，提取的物體邊緣輪廓線是封閉的，連貫性相對較好，但提取時斷枝現(xiàn)象的存在，分割結(jié)果也含有雜點(diǎn)，還遺留許多噪聲，干擾圖像。

從算法時間消耗來看，Robert算子消耗時間是最短的，但其對圖像邊緣檢測的能力也是最差的；Sobel和Prewitt處理圖像的時間基本差不多；Variation Level Set算法程度高，運(yùn)行程序多，消耗時間也相對其他算子短，并且能夠較好地提取出清晰的邊緣輪廓。變分水平集算法復(fù)雜程度高，算法運(yùn)行程序略長，能準(zhǔn)確定位目標(biāo)物體，對微弱邊緣具有良好的響應(yīng)，并且能夠去除噪聲的影響，紋理連貫，邊緣輪廓清晰，圖案完整，分割結(jié)果理想。對于復(fù)雜圖案研究表明，常見算法對于復(fù)雜圖案提取的不足越來越明顯，難以滿足復(fù)雜分割的需求。

4 結(jié)語

采用Matlab編程，利用變分水平集算法對服飾圖案進(jìn)行邊緣檢測和分割，并與傳統(tǒng)的圖像分割方法進(jìn)行比較分析。實驗結(jié)果表明，利用總變差模型有效消除了圖像的固有紋理；基于變分水平集的提取算法能夠有效地分割出服飾圖案邊緣輪廓信息，且簡單易行，準(zhǔn)確穩(wěn)定，邊緣輪廓清晰，大大提升了企業(yè)在對服飾圖案裁剪分割時所需的勞動力和成本，滿足快時尚的發(fā)展需求。

[1] 吳圓圓,徐平華,余志越.多元圖騰元素在創(chuàng)意服飾設(shè)計中的運(yùn)用[J].設(shè)計藝術(shù)研究,2012,2(4):84-87.

WU Yuanyuan,XU Pinghua,YU Zhiyue.Application of multiple totem in creative fashion design[J].Design Research,2012,2(4):84-87.(in Chinese)

[2] 宋春剛.基于圖像的皮革顏色紋理檢測分類方法研究及系統(tǒng)研制[D].杭州：浙江大學(xué),2006.

[3] 呂梁.衣料自動切割系統(tǒng)的算法研究[D].杭州：浙江大學(xué),2007.

[4] 徐平華,丁雪梅,吳雄英.基于局部特征的服飾圖案檢索研究[J].北京服裝學(xué)院學(xué)報,2013(4):43- 49.

XU Pinghua,DING Xuemei,WU Xiongying.Retrieval technology of dress pattern based on image local features[J].Journal of Beijing Institute of Clothing Technology,2013(4):43- 49.(in Chinese)

[5] 程東旭,楊艷,趙慧杰.一種改進(jìn)的Log邊緣檢測算法[J].中原工學(xué)院學(xué)報,2011(2):18-21.

CHENG Dongxu,YANG Yan,ZHAO Huijie.An improved edge detection algorithm of log[J].Journal of Zhongyuan Institute of Technology,2011(2):18-21.(in Chinese)

[6] 王植，賀賽先.一種基于Canny理論的自適應(yīng)邊緣檢測方法[J].中國圖象圖形學(xué)報,2004,9(8):957-962.

WANG Zhi,HE Saixian.An adaptive edge-detection method based on canny algorithm[J].Journal of Image and Graphics,2004,9(8):957-962.(in Chinese)

[7] 羅麗萍,徐平華,高先科,等.基于圖像的動物皮革紋理提取[J].中國皮革,2016,45(5):24-29，35.

LUO Liping,XU Pinghua,GAO Xianke,et al.Based on the image of the animal leather texture extraction[J].China Leather,2016,45(5):24-29，35.(in Chinese)

[8] Plataniotis K N.Color image processing and applications[J].Measurement Science and Technology,2001,12(1):3301-3304.

[9] 陳小梅,倪國強(qiáng),劉明奇.基于分水嶺算法的紅外圖像分割方法[J].光電子·激光,2001,12(10):1072-1075.

CHEN Xiaomei,NI Guoqiang,LIU Mingqi.On infrared image segmentation algorithm based on watershed[J].Journal of Optoelectronics·Laser,2001,12(10):1072-1075.(in Chinese)

[10] 徐平華,徐蓼芫,高先科,等.基于總變差模型的彩色紋樣提取[J].北京服裝學(xué)院學(xué)報(自然科學(xué)版),2016(1):70-76.

XU Pinghua,XU Liaoyuan,GAO Xianke,et al.Color pattern extraction based on total variation model[J].Journal of Beijing Institute of Clothing Technology(Nature Science Edition),2016(1):70-76.(in Chinese)

[11] 劉秀平,常先堂,李治隆.一種基于邊緣和區(qū)域信息的變分水平集圖像分割方法[J].大連理工大學(xué)學(xué)報,2008,48(5):754-758.

LIU Xiuping,CHANG Xiantang,LI Zhilong.A variational level set method of image segmentation based on boundary and region information[J].Journal of Dalian University of Technology,2008,48(5):754-758.(in Chinese)

(責(zé)任編輯：楊勇)

Contour Extraction of Costume Pattern Based on Variational Level Set Method

LIU Qisi1, XU Pinghua*1,2, ZHOU Jia1, ZONG Yaqian1, SANG Zhencong1

(1.School of Textile and Clothing,Nantong University,Nantong 226019,China;2 Xinglin College,Nantong University,Nantong 226019,China)

Manual extraction of costume patterns presents inefficiency and low precision during pattern restoration and redesigning.In this paper,the pattern contour was extracted using image processing technology.Concretely,the original image was filtered using total variation model algorithm to eliminate image noise.The variation level set algorithm was then utilized to detect the garment contour.Besides,the traditional methods of image edge detection were compared in this experiment.Results showed that the traditional segmentation method was difficult to meet the requirements of complex segmentation.However,the image segmentation based on the variation level set algorithm is simple and easy to operate.Meanwhile it is accurate and stable.

costume pattern，variational level set，total variation，edge detection

2016-06-06；

2016-10-08。

南通大學(xué)自然科學(xué)類科研基金項目(13180036)；江蘇省大學(xué)生實踐創(chuàng)新訓(xùn)練項目(201610304051Z)；南通大學(xué)紡織服裝學(xué)院教改課題項目(FZFZ201402)；南通大學(xué)“挑戰(zhàn)杯”全國課外學(xué)術(shù)科技作品競賽項目。

劉其思(1996—)，女，本科生。

*通信作者：徐平華(1984—),男,講師，博士。主要研究方向為紡織品服裝數(shù)字化檢測。Email:xph@ntu.edu.cn

TS 941.26

A

2096-1928(2016)05-0482-05