數字圖像處理技術在服裝領域的應用

張艷紅，楊 思，徐增波

(上海工程技術大學 服裝學院，上海 201620)

數字圖像處理技術是指通過計算機或其他數字技術對圖像進行加工處理，從而識別、提取所需目標信息，其具有圖像再現性好、處理精度高、適應性好、靈活性強等特點[1]。20世紀80年代后期，數字圖像處理技術開始被應用于紡織檢驗，并日趨成熟[2]。隨著數字圖像處理技術研究的深入，一些研究者開始將其應用于服裝領域，譬如服裝疵點檢驗、服裝平整度檢驗以及服裝款式特征的識別與分類等。利用數字圖像處理技術對服裝進行檢測與分類，有效避免了傳統人工檢測手段存在的效率低、成本高、不定性等問題，使結果更加客觀、高效。本文分析了數字圖像處理技術在服裝中的應用，并指出其發展趨勢。

1 服裝外觀質量檢測

為保證服裝的外觀質量，在服裝生產的整個流程中需要對其進行嚴格的質量檢驗。傳統檢測方式依賴于人工檢測，效率較低；采用數字圖像處理技術代替人工檢測，不僅可以提高檢測速度、降低成本，而且檢測結果更加精確。利用數字圖像處理技術進行服裝外觀質量檢測主要采用特征表征的方法，即從圖像中提取表征服裝外觀質量的特征指標，常用的特征指標提取方法包括：閾值分割、小波分析、Gabor變換以及灰度共生矩陣等。

1.1 服裝疵點檢測

為保證服裝質量，服裝疵點檢驗必不可少。傳統手工標記法存在耗時、耗力、一致性差等弊端。近年來，一些研究學者開始采用數字圖像處理技術進行服裝疵點檢驗，如服裝面料疵點檢驗、服裝縫線疵點檢驗以及服裝成衣疵點檢驗等。按照圖像預處理方式的不同可分為2種：一是利用閾值分割與形態學相結合的方法提取疵點[3]，該方法操作簡單、運算量小，適用于目標對象與背景差異較大的圖像，適用范圍單一；另一種是利用小波變換[4]、傅里葉變換[5]、Contourlet變換[6]等方法將圖像轉換到頻域，通過紋理特征的變化區分疵點。服裝疵點圖像預處理的目的在于消除無用特征信息，突出疵點，同時利用圖像處理技術將圖像轉換為便于分析的圖像形式。

針對織物圖像疵點檢驗，張明艷[7]提出采用圖像分析方法識別服裝縫線疵點。針對不同疵點圖像設計相應處理算法，具有較高識別率。不足之處是該算法為串行算法，算法適應性不強。當同一圖像中同時出現多種疵點時，算法無法相對篩選出所有疵點，導致誤差較大。針對具有不同模式特征的服裝疵點圖像，殷開成等[8]設計了相應的圖像預處理算法。該算法可以有效保留不同紋理圖像的疵點信息，為后續特征提取奠定基礎。基于上述研究，程凱[9]采用小波分析與閾值分割相結合的方法對輕薄彈性褲襪進行圖像疵點檢驗。由于輕薄彈性褲襪具有輕薄、柔滑、彈性好等特點，導致其疵點獲取難度增加，采用該算法可以準確檢測出輕薄彈性襪中的破洞、缺經、重緯3種疵點，算法實用性較強。

1.2 縫制外觀檢測

縫紉平整度是評價服裝縫紉外觀質量的重要指標，主要采用標樣對照法進行主觀評定。該方法操作簡單，但評價時間長，評價結果穩定性差。20世紀90年代起，一些研究學者開始利用圖像處理方法定量評價面料縫紉起皺，并提出采用褶皺強度、功率譜密度、尖銳度、隨機分布程度和總體外觀等評價指標評定面料的平整度等級[10-13]。利用數字圖像處理技術對服裝縫紉平整度進行評價，可以避免人為因素的影響，提高檢測準確率與檢測效率。

2009年，NA等[14]采用圖像增強、去噪、閾值分割等方法對采集的襯衫樣品圖像進行分析，并針對不同線跡設計相應檢測算法。池金米等[15]結合圖像處理和小波分析提取縫紉平整度的評價指標，通過分析指標與縫紉平整度等級的相關關系，建立了概率神經網絡模型。該評價模型克服了傳統檢測的弊端，且適應性高、評價準確。2017年，張寧等[16]采用灰度共生矩陣和小波分析相結合的方法提取圖像的特征參數。該算法將圖像的全局信息和局部信息相結合，有效提高了分類準確率。2018年，陳麗麗[17]提出采用Gabor變換與信息融合的總熵值估算精紡毛織物縫紉平整度等級，評價結果客觀準確。

1.3 著裝平整度檢測

主觀評價服裝平整度，要求評價人員具有較高專業素養，結果易受到環境、評價人員主觀性等因素的影響。針對上述弊端，一些研究學者提出以褶皺數、褶皺銳度、褶皺深度、褶皺寬度和褶皺不勻度等指標定量評價服裝平整度[18-20]。

基于上述評價指標，文獻[21-22]利用圖像處理技術分別對衣袖和緊身女褲前襠部位平整度進行評價。通過對所采集的褶皺圖像進行灰度處理，繪制灰度曲線，根據灰度曲線的波谷與波峰來客觀分析服裝的褶皺信息。劉婷[23]采用分數微分算法、Gabor變換和小波變換3種算法進行褶皺參數提取，實現對服裝肘部穿著平整度的客觀評價，并結合神經網絡構建出了平整度預測系統。

綜上研究，利用圖像處理技術評價服裝平整度主要借助于圖像灰度信息的變化，采用不同算法提取表征服裝褶皺的指標，如褶皺高度、深度、數量等，利用特征參數分析褶皺的形狀與分布，進而量化分析服裝平整度。采用灰度特征提取與紋理特征提取相結合的方法，可以更加全面的表征服裝褶皺，使評價結果更加客觀、準確。

2 服裝圖像的識別與分類

采用拆線法或利用數字化儀進行服裝款式分析，操作方式復雜且投入成本大。利用數字圖像處理技術不僅可以快速識別服裝圖像的款式信息并分類，還可以實現款式圖與結構圖的轉換。其中常用的服裝圖片為服裝款式圖和服裝實物圖。

2.1 服裝款式圖的特征識別

服裝款式圖也稱服裝設計平面圖，用于展示服裝的造型特征，如服裝的領、袖、褶裥、結構線以及拉鏈等[24]。從復雜的款式圖像中提取制版所需的關鍵結構尺寸數據，是實現款式圖向結構圖智能轉換的關鍵。有文獻[25-26]通過直接測量圖像尺寸，利用比例關系獲得結構參數，該方法操作簡單，但測量過程中存在較大誤差。李克兢等[27]通過輪廓提取、節點分析、矢量化等方法，將服裝款式圖片轉換為矢量圖，利用智能化拆分將其轉換為對應的結構圖。該算法分割點的確定依賴于各特征尺寸間的比例關系，算法復雜，僅適用于簡單款式圖的識別。朱菊香等[28]以襯衫平面款式圖為例，構建坐標系提取款式圖的所有幾何元素端點坐標，通過款式圖與結構圖之間的映射關系確定結構圖的關鍵點坐標，采用集函數獲取輪廓信息繪制結構圖。不足之處在于該算法需要遍歷所有關鍵點獲取坐標值，效率較低，適用于結構簡單的款式圖識別。

2.2 服裝實物圖的特征識別與分類

對于服裝實物圖，其包含的結構特征繁多，比如顏色特征、輪廓特征和紋理特征等[29-33]。其中輪廓特征的提取通常采用Canny、Roberts、Sobel等邊緣檢測算子；紋理特征提取的常用方法有小波變換和灰度共生矩陣等方法[34-36]。針對特征復雜的服裝圖像，通常采用輪廓特征提取與紋理特征提取相結合的方法；針對服裝細節要素的提取，常用方法是進行圖像分割，在分割后的目標區域進行特征提取。該方法更具針對性，可以避免其他區域信息的干擾，減小檢測范圍，提高檢測效率。

2.2.1 輪廓特征提取

針對服裝輪廓的提取，文獻[29-31]提出采用模糊聚類算法對服裝款式進行識別分類，但該方法僅適用于局部輪廓片段的識別。采用傅里葉描述子與支持向量機相結合的方法識別服裝款式[32]，既可以快速、有效的識別多類服裝款式，又具有較好的魯棒性，但無法與服裝輪廓一一對應。李東[33]通過從服裝輪廓曲線中提取曲率極值點來表征服裝輪廓形狀，提出了基于輪廓曲率特征點的服裝款式識別方法。該算法操作簡單，同時可以更加直觀的展現服裝輪廓的特征信息。

2.2.2 紋理特征提取

紋理特征提取中最常用的方法是灰度共生矩陣，其可以較好地反映圖像的紋理信息，且原理簡單易于理解。基于此，文獻[34]提出一種將局部二值模式算法與灰度共生矩陣相結合的紋理特征提取方法。該方法具有良好的抗旋轉性，在服裝圖像發生旋轉時，該方法與傳統的紋理特征提取方法相比具有更高的檢測效率和準確率。

為提高圖像識別的精確度，文獻[35-36]提出了基于輪廓和紋理特征的并行融合方法，用于提取服裝圖像的結構特征和統計特征，該方法可以更加全面地對服裝款式圖像進行識別描述。

2.2.3 服裝細節特征的識別與分類

服裝輪廓與紋理特征提取主要是針對服裝圖像的整體屬性。針對服裝局部要素的識別，紀娟等[37]結合方向梯度直方圖(Histogram of Oriented Gradient, HOG)和幾何特征提取方法，基于衣領、衣袖等局部特征對服裝圖像進行分類。在獲得服裝輪廓的基礎上，在框定的區域進行局部HOG特征提取。該方法識別的準確度依賴于外接矩形的區域面積，區域過小，提取的信息不具代表性；區域過大，重要信息不突出。

3 服裝面料的識別與分類

3.1 服裝面料屬性的識別與分類

識別服裝面料種類的傳統方法有手感觸摸法、燃燒法、顯微鏡觀察法等，這些方法都需要借助服裝實物，且易受環境等因素的影響。基于圖像處理技術的服裝面料識別主要通過從服裝面料圖像中提取面料屬性進行仿真，以達到識別面料的目的。李蓓蓓[38]利用從不同材料、不同紗支的面料圖像中提取的服裝褶皺信息進行面料仿真，對比仿真圖像與實物圖像的效果實現服裝面料識別。該方法具有較高的準確性，但需要進行反復仿真實驗才能達到理想效果，識別效率低。

3.2 服裝面料情感語義的識別與分類

隨著信息技術的發展，很多設計師開始借助設計軟件設計面料圖案和服裝。借助圖像處理技術對服裝面料圖像進行情感語義識別，不僅可以為設計師提供情感判斷，還可以為消費者提供參考。張海波等[39]利用面料顏色、紋理特征來表征面料情感語義，構建特征與語義的表達式，利用支持向量機實現面料圖像情感語義的識別分類。在此基礎上，張春燕等[40]結合圖像特征提取分類算法和動態鏈接技術，開發了基于Web的面料圖像情感語義識別模塊。該方法為客戶提供了一種簡單易行的檢索手段，同時滿足了消費者在挑選商品時的情感需求。

4 服裝造型評價

服裝造型評價通常采用主觀評價法，評價結果無法量化，加之個體審美的差異，導致評價結果一致性差。基于圖像的服裝造型評價，常用方法是采用圖像處理軟件從不同角度的服裝圖像中提取反映服裝造型的評價指標，比如褶皺、角度、曲率等。結合主觀評價構建指標與評價等級的相關關系，建立評價體系。

4.1 服裝局部造型評價

針對主觀評價的弊端，文獻[41-43]嘗試利用圖像處理技術量化評價不同面料性能對A字裙、褶裙、超短裙等裙裝造型的影響。采用Photoshop、MATLAB等軟件對不同方向的裙裝外觀圖像進行處理分析，提取面積、長度、角度、褶皺等反映裙裝造型的指標，結合主成分分析、因子分析等方法構建評價體系。

基于上述研究方法，陳冬蕾等[44]提出采用曲率分析對翻駁領圓順度進行客觀評價。利用Photoshop軟件從灰度圖像中提取后領口翻折線，通過UGNX10.0軟件提取目標曲線中的拐點數、曲率極差最大值、曲率極差和以及曲率極差變異系數4項特征指標，以此表征翻駁領的圓順度。

4.2 服裝廓形評價

隨著圖像處理技術的發展，一些研究學者亦嘗試利用圖像分析人體與服裝廓形之間的關系[45-46]。文獻[47]提出采用人體區段寬度特征定義識別服裝廓形。采用AdaBoost算法進行人臉識別獲取人臉尺寸信息，然后進行閾值分割、去噪、人體比例劃分，通過逐行掃描提取各區段寬度，以各寬度比例表征服裝廓形。該方法采用形態比例量化服裝廓形，具有較高辨識度。

5 虛擬試衣

為解決線上購物試衣難的問題，虛擬試衣技術越來越備受關注。目前常見的虛擬試衣系統主要分為3類：虛擬試衣鏡，采用用戶頭像直接替換試衣模特頭像，通過簡單的局部體型調節，展示試衣效果；體感試衣鏡，將分割后的服裝圖片匹配在采集好的用戶圖像上；三維數字試衣系統，通過三維數據采集裝置獲取用戶的三維信息，將三維服裝模型匹配到構建的人體模型上。虛擬試衣鏡、體感試衣鏡只需要通過簡單的圖像預處理、圖像分割、圖像匹配等方法就可以實現虛擬試衣展示效果，但用戶只能看到二維的著裝效果，同時由于個體差異，匹配效果存在較大瑕疵。三維數字試衣系統中人體和服裝信息來源于三維點云圖像，能夠展現三維著裝效果，匹配效果較好，但較耗時、實時性差。

目前虛擬試衣存在的主要問題是：虛擬模特的構建以及服裝與人體的匹配。如何快速準確的獲取用戶身體各部位尺寸信息，生成符合不同人體的個性化試衣模特，實現與虛擬服裝的完美貼合是目前研究的重點。

6 圖像處理技術在服裝領域的發展趨勢

數字圖像處理技術在服裝領域的應用比較廣泛，譬如服裝外觀質量檢驗、服裝款式特征的識別與分類以及服裝造型評價等，應用框架見圖1。

圖1 數字圖像處理技術在服裝領域的應用框架

但很多方法僅適用于背景單一、結構簡單的服裝圖像識別，算法的魯棒性和適應性較差。此外，關于服裝面料屬性識別的研究相對較少，只有少量文獻提出通過褶皺信息表征面料屬性從而進行仿真識別，識別效率比較低。

結合目前圖像處理技術在服裝領域的應用研究，提出以下2個觀點。

①服裝面料的虛擬仿真：服裝面料材質、觸感的仿真是當前虛擬試衣中的關鍵問題。由于服裝面料獨特的紋理結構，使得不同材質、不用屬性的面料具有自身獨特的紋理特征。針對材質仿真，提出利用圖像處理算法，獲取服裝面料的頻譜分布圖像，根據頻譜信息的變化，提取紋理特征參數，結合逆向工程技術進行圖像重構，實現服裝面料材質的虛擬仿真。此外，面料的觸感仿真仍是未來研究一大難點和重點。

②構建智能服裝推薦搭配系統：智能化是目前服裝領域研究的熱點，消費者越來越傾向于試衣系統智能推薦符合自身風格的服裝搭配。因此，結合圖像自動化采集技術、圖像處理技術、虛擬試衣、神經網絡以及專家系統等方法，構建一體化的服裝風格識別與搭配推薦系統，是今后研究的趨勢。

7 結束語

從服裝面料檢測到成衣評價，再到虛擬試衣，數字圖像處理技術在服裝領域應用廣泛，促使服裝領域逐步走向智能化、現代化。該技術的應用可以減少繁瑣工作、節約人力；同時，有效避免主觀因素的干擾，使評價結果更加科學準確。但是，由于應用范圍的不斷擴大，對服裝圖像處理質量的要求也不斷提高。現有算法的適用性和魯棒性仍需進一步提高，才能真正滿足工廠、企業的需求。

基于當前數字圖像處理技術在服裝領域的研究情況，實現服裝面料觸感的虛擬仿真，構建智能化服裝搭配推薦系統是當前服裝領域實現智能化、一體化的研究重點。因此，要將現有研究與新理論、新技術相結合，使服裝領域向著更加智能化、一體化方向發展。