基于卷積神經網絡的楚國紡織品服裝元素遷移

________________________________ """""""""""""""""""""""""""

作者簡介：沙莎（1987-），女，副教授，博士，碩士生導師，研究方向：針織數字化設計.

基金項目：國家自然科學基金項目（61802285）；湖北省哲學社會科學研究項目（22ZD083）；湖北省教育廳科學研究計劃重點項目（D20201704）；湖北省服裝信息化工程技術研究中心開放基金（184084006）；紡織服裝福建省高校工程研究中心開放基金（MJFZ18103）；福建省新型功能性紡織纖維及材料重點實驗室開放基金（FKLTFM1813）.

引文格式：沙莎，李怡，魏宛彤，等. 基于卷積神經網絡的楚國紡織品服裝元素遷移[J].武漢紡織大學學報，2024，37（1）：3-6.

SHA Sha， LI Yi， WEI Wantong， et al. Element Migration of Textiles and Clothing in Chu State Based on Convolutional Neural Network [J]. Journal of Wuhan Textile University，2024，37（1）：3-6.

摘 要：文章以楚國紡織品為研究對象，通過目標內容圖輪廓提取和線條增強，生成具有楚國紡織品風格的圖像；提出基于VGG-19優化模型的楚國紡織品紋樣圖像遷移方法，克服了圖案組合創新設計、自動提取數量少和資源大量損耗等困難。研究表明：該算法在楚國紡織品風格遷移中的表現優于現有方法，保留了紡織品藝術風格的完整性，并成功地將遷移的紋樣應用到不同的服裝品類中，有利于傳承和發展中國優秀傳統服飾文化，為服裝設計者降低了試錯成本并提供新的思路。

關鍵詞：卷積神經網絡；深度學習；楚國紡織品元素；現代紡織品；風格遷移

中圖分類號：TS941.12 文獻標識碼：A 文章編號：2095－414X（2024）01－0003－06

0" 引 言

我國古代紡織品種類繁多，不同時期的紡織品代表了不同朝代的藝術風格與人民智慧。楚地擁有獨特的風俗文化和藝術形式，其中出土的紡織品紋樣色彩豐富，以暖色為主，兼用冷色；造型手法獨特，既有寫實風格的動物、人物紋樣，又有寫意風格的自然、幾何紋樣；元素種類繁多，具有典雅，古樸的藝術特點。以古鑒今，挖掘民族服飾的特點，實現對楚國紡織品的風格遷移，是對中華民族傳統服飾文化傳承和發展，有利于提高當代服飾的獨特性和創新性。

隨著深度學習等關鍵技術的不斷發展，較多學者致力于將深度學習方法應用到紡織品設計開發中[1-3]。風格遷移可保留圖像原有內容并融合不同種類的風格，從而產生新型的藝術效果[4]。卷積神經網絡（CNN）是深度學習領域應用較為普遍模型[5]。經過技術不斷發展與創新，出現了AlexNet[6]、VGGNet（Oxford-Net）[7]、GoogleNet[8]等網絡模型。自AlexNet結構之后，大多數網絡通過增加網絡深度來改進算法，但同時引發了梯度爆炸、梯度消失的現象，VGG采用幾個3*3卷積核代替AlexNet中[9]的較大卷積核（11*11，7*7，5*5），對于給定的感受野，優先使用較小的卷積核、較少的參數和多層的非線性層滿足更復雜的模型，學習能力更強，表示的空間更大。

基于卷積神經網絡進行風格遷移，鄭銳等[10]實現了立體感強、色彩多樣的刺繡藝術風格效果，林峰等[11]分割不同花型的印花織物圖案基元，Chen[12]等人提出局部匹配的方法將內容結構和風格紋樣進行預訓練，實現了快速生成任意風格的遷移方法，Zhu[13]等人在GAN網絡的基礎上加入Ugan遷移網絡，解決了非成對圖像不同風格的快速遷移問題。

由于楚國紡織品圖像匱乏，本文根據互聯網搜索和博物館拍照得到的紡織品圖像，利用卷積神經網絡的VGG-19模型，將楚國紡織品的面料和紋路分離開來，產生新的紡織品效果，并對生成的圖像進行質量評價，提高了楚國紡織品風格圖像數據集品質。遷移得到的紋樣融合了現代服飾與傳統服飾的特點，實現快速生成楚國風格紡織品紋樣，降低設計的試錯成本，為開發文創產品提供了新的思路。

1" 網絡模型建立

采用改進后的VGG-19模型對楚國紡織品風格進行遷移，網絡結構如圖1所示。該結構由卷積層、池化層、全連接層結合而成，保留了網絡原有

的結構層數，即16個卷積層，3個全連接層，中間是池化層。該模型不僅確保網絡更深，且盡量減少卷積層的參數，使得特征的傳遞更簡潔高效，易于訓練和優化。

輸入圖片后，經過2次2層卷積，3次4層卷積，每次卷積過后，都通過最大池化層輸出。選擇最大池化層的輸出可減少因卷積層參數誤差導致估計均值偏移的后果，從而獲取更多的紋理信息。在VGG-19模型中，通過多次卷積和池化到達了全連接層，即將最后一層的神經元和前一層所有的神經元相連接，融合卷積層或池化層具有特征性的細節信息。

2" 楚國紡織品風格遷移算法

2.1" 目標內容圖輪廓提取

基于楚國風格紡織品的風格遷移首先提取現代紡織品的邊緣輪廓，再填充不同飽和度的色彩紋理，從而利用目標內容圖的邊緣輪廓模擬真實的楚國風格紡織品。

提取目標圖像輪廓是為了在數據圖像中標識出局部區域亮度變化較大的部分。Canny邊緣檢測是一種使用多級邊緣檢測算法，能夠盡可能多的辨識出圖像的實際邊緣。同時標識出的邊緣輪廓與實際圖像準確率較高[14]。Canny算法的檢測結果優于其它算子，在邊緣輪廓提取前通常要利用高斯濾波進行除噪，其次根據雙閾值方法篩選邊緣信息，圖2顯示了利用Canny算法進行邊緣輪廓提取前后的圖像，圖2（a）為輸入的目標圖像，圖2（b）為計算得到的結果圖像，為最終楚國紡織品藝術效果的實現奠定基礎。

2.2" 目標內容圖輪廓線條增強

上文通過Canny算法生成的邊緣輪廓圖線條較細且不連續，而真實的內容圖像背景飽和度低且與前景對比度特征明顯。因此采用形態學方法對圖像進行膨脹處理，增強圖像的邊緣輪廓線條。通過閉運算、膨脹等操作模擬內容圖線條特征，形態學操作計算如式（1）所示。

（1）

式中：B（x，y）為內容圖邊緣輪廓圖像；為形態學膨脹運算；為形態學閉運算；A為線條輪廓增強后的結果圖像。圖3（a）為輸入內容邊緣輪廓圖，圖3（b）為線條增強后的結果圖像，線條增強后的結果圖像更加凸顯真實的內容圖前景。

2.3" VGG-19模型優化

為更好適應不同楚國紡織品的特點，對目標內容圖輪廓進行檢測。紡織品元素具有相似性，首先提取由VGG-19模型分離和融合所選擇紡織品的風格和內容，為服飾設計提供新的思路；其次，尋找現代紡織品圖片；最終生成具有楚國紡織品風格的圖像。該模型適用于不同服裝元素的風格遷移，為服裝元素的多元化和趣味性提供了可能。如圖4所示，風格遷移的流程主要分為以下5個步驟。

（1） 隨機輸入一張初始化白噪聲紡織品圖像；

（2）白噪聲紡織品圖像輸入VGG-19優化網絡模型計算損失函數；

（3）計算損失函數相對于每個像素的梯度；

（4）微調每一個像素值；

（5）不斷的進行迭代并微調每一個像素值，從而獲得較為完整的風格遷移圖像。

2.3.1" 內容損失函數建立

在VGG-19優化模型中，內容損失函數通過比較內容圖像與生成圖像在某一層的輸出結果特征圖的差異，衡量了兩張圖像的內容差異。首先，將內容圖輸入到該模型的某一卷積層求出一個生成結果，再將生成圖輸入相同的卷積層求出一個生成結果，對得到的兩個生成結果進行逐元素作差、平方、求和作為內容損失函數，該模型的內容生成圖像的計算如式（2）所示。

（2）

式中：為第l層的內容損失，分別為內容圖像和白噪聲圖像，i為第i個特征圖，j為特征圖上的第j個值，為從白噪聲優化的生成圖像輸入VGG-19模型后第l層特征圖的值，為內容圖輸入VGG-19后第l層特征圖的值，通常是一個常數。內容損失函數可以對生成圖的特征值求偏導得到第l層的激活導數（3）如下：

（3）

特征圖與越接近，表示兩者的差異越小，當二者數值相等時，內容損失函數為0。

2.3.2" 風格損失函數建立

除了上文提到的內容損失函數保留內容圖像的輪廓，同樣風格損失函數利用VGG-19模型提取圖像的風格紋理及邊緣化信息，從而確保獲得完整的目標圖像風格特征。風格損失函數通常用格拉姆矩陣（Gram Matrix，GM）來表示圖像合成的紋理信息，用特征之間的共現相關性，而非空間的像素信息值來表示一個圖像的風格。GM矩陣通過在VGG-19優化模型中任意一層的特征值與轉置矩陣的特征值的內積，如式（4）所示。

（4）

假設取第l層的輸出風格特征，和表示原圖和生成圖，和是第l層樣式，其中表示第l層在總損失中所占的權重，則可計算出該層風格損失函數和總的損失函數如式（5）和式（6）所示。

（5）

（6）

式中：為通道數，為特征圖的長寬之積。每一層都有不同的權重，每一層的風格損失函數與對應層的權重相乘再加權求和得到最終的風格損失函數。通過多次迭代，判斷最終的結果是否理想化，再進行反向傳播和梯度下降，求出風格損失函數相對于原始生成圖像素的梯度，不斷的調整每一個像素值，使得風格損失函數最小化，輸出最佳的理想紡織品圖像。

2.3.3" 風格遷移圖像生成

VGG-19優化模型相當于一個特征提取器，該模型中間層提取的結果衡量生成的圖像內容。比較內容圖特征與生成圖特征得出了內容損失函數，風格損失函數用該特征計算圖像GM矩陣，從而比較風格圖的GM矩陣和生成圖的GM矩陣衡量風格差異，得出風格損失函數。在總的損失函數中，內容損失函數反映內容圖與生成圖的內容差異，風格損失函數表現風格圖與生成圖的風格差異，如式（7）所示。

（7）

式中：和為內容和風格不同的權重系數，為內容圖片，為風格圖片，為生成圖片。

3" 實驗結果與分析

3.1" 搭建實驗環境

為了滿足楚國風格遷移的實驗要求，選用計算機硬件設施CPU（配置Intel i7-11700K）、GPU（配置Intel（R） UHD Graphics 750）、 內存32G；實驗程序在python（3.6.5版本）、TensorFlow（TensorFlow 2.8.0版本）、IDE（PyCharm community edition版本）集成開發環境中運行。以楚地的紡織品紋樣作為風格圖像，現代紡織品圖片作為內容圖像。利用上文提到優化VGG-19模型進行風格遷移，并對紡織品風格遷移的實驗進行分析。

3.2" 楚國紡織品風格遷移實驗結果

本文提出VGG-19優化模型在紡織品圖像上的創新應用，圖5選用不同楚國紡織品紋樣作為風

格圖像，圖6選擇現代紡織品紋樣作為內容圖像遷移，生成的紡織品如圖7所示。

圖5（a）為蟠龍飛鳳圖，二龍相對于蟠于鳳背上，鳳尾用菱形符號相連。圖5（b）為舞人動物錦，描述了穿著色彩各異的舞女與不同姿態的動物相間排列，錯落有致，并用三角形紋和菱形紋加以裝飾。圖5（c）展現出一人與巫鬼互訴衷腸的場景，不同于中華地區正統的祭祀文化以及“神明至高無上”的思想，為楚國的藝術文化增添了浪漫色彩。

圖6（a）、（b）、（c）是具有現代特色的紡織品面料。圖7（a）、（d）、（g）生成的風格遷移圖像具有古風樸素感，保留了原有內容圖像的輪廓，并融入了蟠龍飛鳳紋的風格和細小的紋路，更加凸顯了風格特點，形成了新的紡織品圖像，驗證了該模型的可行性和實用性。

圖7（b）、（e）、（h）的遷移圖像去除了內容圖像原有的色彩，保留了花卉、蝴蝶和幾何的輪廓，融入了舞人動物錦的細小紋理，疊加了不同姿態使得遷移的圖像具有秀麗高雅的特色。圖7（c）、（f）、（i）的遷移圖像融入了新的背景，成功的在現代刺繡與幾何紋理圖像中融入了浪漫的楚國巫鬼的文化風采，順利實現單一的現代紡織品與楚國紡織品的風格遷移，豐富了傳統楚國服飾文化的特色，產生了具有楚國浪漫色彩的新裝飾風格。

3.3" 楚國紡織品風格遷移對比分析

為了確保本文模型的可行性，同時復現了GoogleNet、VGG-19的風格遷移方法，并對生成的圖片質量進行評價，利用峰值信噪比（PSNR）和結構相似性（SSIM）對圖像進行客觀的評價，結果如表1所示。PSNR 值越大，圖像質量越好。SSIM值越大，結構越相似[15]。

在表1中，（a）為GoogleNet模型的風格遷移圖像，可以明顯的看出花卉的輪廓，但圖像的整體亮度較暗，存在色彩不均勻的問題。（b）為VGG-19模型的風格遷移結果，該方法保留了圖片內容信息，紋理損失較為嚴重。（c）為本文算法遷移結果，該方法成功的遷移了花卉的紋理，并獲取了楚國龍鳳紋風格效果，提高了圖片整體的飽和度。

算法迭代次數是影響最終生成效果的主要因素之一。表2顯示的是圖6（a）不同的迭代次數生成的風格遷移圖像，本文選擇了對比明顯的迭代次數，分別是20次、600次、1000次和1600次。從表2中可以看出，在VGG-19優化模型不斷推演過程中，隨著迭代次數的增加，網絡會同時降低風格損失和內容損失，迭代次數越多，該損失就會逐漸變低。

表1中當迭代20次時，生成的圖像輪廓與原內容圖6（a）最為相近，清晰的可以看出春意盎然、迎風開放的花卉，呈鵝黃的色調；當迭代為600次時，花卉迎風飄揚的姿態具有清晰地辨識度，整體保留了風格圖像的秀麗典雅的蜀錦風格，并在邊緣局部地方隱藏著細節的舞人與動物紋樣，使得風格圖像的風格在內容圖像上呈現較好的效果；當迭代次數為1600次時，整體的圖像變成了白噪聲圖像，只能通過顏色的深淺判斷花卉的輪廓，內容損失較大，存在不規則的黑團，破壞了原有圖像的內容。迭代1000次與迭代600次的圖像并無明顯差異，但由于600次的參數更少，更加節省時間，因此選擇600次的迭代運算，保留了內容圖像對應位置的紋樣，豐富生成圖像的風格。雖部分風格紋理辨識度不高，但整體效果色彩比較均勻和諧，對楚地服飾風格學習和現代紡織品遷移應用有一定的參考價值[16]。

4" 結論

本文將卷積神經網絡VGG-19優化模型應用到楚國紡織品風格遷移中，首先對目標內容圖像進行邊緣輪廓提取和線條增強，避免了因風格遷移造成的色彩溢出和重疊現象。其次，利用損失函數提取楚國紡織品風格特征，并將提取的楚國風格用于刺繡、幾何等不同內容的現代紡織品中，保留了現代紡織品的紋理，使生成的圖像邊緣細節更加飽滿。最后對圖像進行質量評價，取得了優于現有算法的效果。該算法克服了楚國紡織品數量匱乏、傳統紋樣與現代紡織品創新設計等不足，并為遷移其他中國元素風格提供參考。

參考文獻：

[1]吳航. 基于卷積神經網絡的葫蘆烙畫風格模擬[D]. 昆明：云南大學， 2019.

[2]李海濤， 羅維平. 基于深度學習的棉花品種識別[J]. 武漢紡織大學學報， 2022， 35（4）： 22-26.

[3]侯宇康， 呂健， 劉翔， 等. 基于神經風格遷移網絡的民族圖案創新方法 [J]. 圖學學報， 2020， 41（4）： 606-613.

[4]李芳芳. 基于深度學習的風格遷移算法研究[D]. 合肥：

安徽大學， 2020.

[5]賈小軍， 鄧洪濤， 劉子豪， 等. 基于VGGNet卷積神經網絡的藍印花布紋樣分類 [J]. 光電子·激光， 2019， 30（8）： 867-875.

[6]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks[J].Communications of the ACM， 2017， 60（6）： 85-90.

[7]SIMONYAN K ， ZISSERMAN A .Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv： 1409. 1556： 1-14.

[8]SZEGEDY C ， LIU W ， JIA Y ，et al.Going Deeper with Convolutions[A]. 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2015： 1-9.

[9]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet Classification with Deep Convolutional Neural Networks[J]. Communications of the ACM， 2017，60（6）： 84-90.

[10]鄭銳， 錢文華， 徐丹， 等. 基于卷積神經網絡的刺繡風格數字合成 [J]. 浙江大學學報（理學版）， 2019，56（3）： 270-278.

[11]林峰， 向忠. 基于深度學習的印花織物循環圖案基元分割 [J]. 計算機技術與發展， 2022， 32（5）： 160-165.

[12]CHEN T Q ， SCHMIDT M .Fast Patch-based Style Transfer of Arbitrary Style. arXiv： 1612. 04337： 1-10.

[13]ZHU D ， LIU S ， JIANG W， et al. UGAN： Untraceable GAN for Multi-Domain Face Translation. arXiv： 1907. 11418： 1-18.

[14]錢文華， 徐丹， 官錚， 等. 粉筆畫藝術風格模擬[J]. 中國圖象圖形學報， 2017， 22（5）： 622-630.

[15]蔡興泉， 李治均， 奚夢瑤，等. 基于神經網絡的手繪服飾圖紋上色及風格遷移[J]. 系統仿真學報， 2023， 35（3）： 604-615.

[16]任建軍， 張衛正， 張偉偉， 等. 青花瓷紋飾的藝術風格遷移研究 [J]. 輕工學報， 2022， 37（5）， 113-119、126.

Element Migration of Textiles and Clothing in Chu State based

on Convolutional Neural Network

SHA Sha1，2， LI Yi3， WEI Wantong3， LIU Hanqi4， DENG Zhongmin4

（1. Design Innovation and Fiber Science Research Institute， Wuhan Textile University， Wuhan Hubei 430073， China；2. Wuhan Textile and Apparel Digital Engineering Technology Research Center， Wuhan Hubei 430073， China；3. School of Fashion Design， Wuhan Textile University， Wuhan Hubei 430073， China；4. State Key Laboratory of New Textile Materials and Advanced Processing Technologies， Wuhan Textile University， Wuhan Hubei 430200， China）

Abstract： This paper takes Chu textile as the research object. An image with Chu textile style is generated by extracting the contours of the target content diagram and enhancing the lines. An image migration method of Chu textile pattern based on VGG-19 optimization model is presented. Overcame the difficulties of innovative design of pattern combination， low number of automatic extraction and large loss of resources. The results show that this algorithm is better than the existing method in Chu textile style migration. The integrity of the textile art style is preserved. The transplanted patterns were successfully applied to different clothing types. It is conducive to the inheritance and development of China's excellent traditional clothing culture. It reduces the cost of trial and error and provides new ideas for clothing designers.

Key words： convolutional neural network; deep learning;elements of Chu state textiles; modern textiles; style transfer

（責任編輯：李強）