CN110021028A - 一种基于服装款式图的自动制衣方法 - Google Patents
一种基于服装款式图的自动制衣方法 Download PDFInfo
- Publication number
- CN110021028A CN110021028A CN201910169141.9A CN201910169141A CN110021028A CN 110021028 A CN110021028 A CN 110021028A CN 201910169141 A CN201910169141 A CN 201910169141A CN 110021028 A CN110021028 A CN 110021028A
- Authority
- CN
- China
- Prior art keywords
- point
- component
- measured
- feature
- fashion drawing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000009466 transformation Effects 0.000 claims description 24
- 230000014509 gene expression Effects 0.000 claims description 20
- 238000013139 quantization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000012935 Averaging Methods 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000010606 normalization Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及服装定制领域,公开了一种基于服装款式图的自动制衣方法,包括以下步骤:步骤一、建立来自多个类型的服装款式图中各个部件图与其结构图一一对应的数据库;步骤二、对待测服装款式图进行预处理,获得二值化服装款式图;步骤三、对所述二值化服装款式图进行部件分割,再对分割后的各个部件分别进行矢量化处理,获得多个待测矢量部件图;步骤四、对各个待测矢量部件图进行特征提取,再将提取到的特征进行归一化处理,然后对归一化的待测矢量部件图进行分类识别,结合数据库,从而获得与之对应的结构图,完成自动制衣。
Description
技术领域
本发明涉及服装定制的技术领域,尤其涉及一种基于服装款式图的自动制衣方法。
背景技术
近年来,国际经济形式的影响和国内原材料和劳动力成本的不断上升,使国内服装纺织行业的市场竞争愈演愈烈。在此竞争环境中,服装企业只有努力提高自身技术创新、产品研发、运营管理能力,通过转型来实现生存和发展,在转型中,版型制作的技术投入十分关键。在传统的服装制作过程中,样板师根据客户或者设计师需求通过手工打版或者服装CAD制版***生成服装样板,进而制作成样衣,供客户或者设计师查验效果,整个流程所耗时间久,花费成本高,而且对样板师的经验依赖性较强。使用服装CAD来制版,在一定程度上加快了版型制作速度,但服装CAD***只是借助计算机来代替传统的手工版型制作程序。针对目前的服装样板制作***PDS技术,自动化程度低、操作复杂、效率低,设计师灵感、工艺等不能被其完全取而代之,而且也没有脱离对纸样师经验的依赖,繁琐的打版过程并没有根本上改变,其设计过程也并非是智能的。
计算机科学的发展,促使许多计算机应用技术的研究也得到了发展,如分类识别、图像处理等多样化的应用技术领域的研究。当前时尚行业的发展和更新速度促使了服装行业对服装设计和生产的高效率运行的需求,进一步也对服装CAD***朝着智能化发展起到了一定的推动作用。目前,计算机CAD***在服装行业的应用已非常普遍,越来越多的款式图以及与之对应的结构图文件都被保存下来了,充分利用重复的款式和版型部件是当前大数据和智能化背景下企业的需求,同时也可以节省服装设计与制版的成本、加快反应速度,从而提高生产效率。另一方面,许多计算机应用领域也使用图像处理技术,因此,怎样将服装平面款式图同服装结构图有效结合,充分利用重复的款式部件并将它们应用于服装智能设计中成为智能化服装设计技术发展的重要研究方向。
发明内容
本发明提供了一种基于服装款式图的自动制衣方法,解决了现有服装企业制衣流程繁琐,耗时久,花费成本高,而且对样板师的经验依赖性较强等问题。
本发明可通过以下技术方案实现:
一种基于服装款式图的自动制衣方法,包括以下步骤:
步骤一、建立来自多个类型的服装款式图中各个部件图与其结构图一一对应的数据库;
步骤二、对待测服装款式图进行预处理,获得二值化服装款式图;
步骤三、对所述二值化服装款式图进行部件分割,再对分割后的各个部件分别进行矢量化处理,获得多个待测矢量部件图;
步骤四、对各个待测矢量部件图进行特征提取,再将提取到的特征进行归一化处理,然后对归一化的待测矢量部件图进行分类识别,结合数据库,从而获得与之对应的结构图,完成自动制衣。
进一步,所述步骤三中获得多个待测矢量部件图的方法包括:
步骤Ⅰ、采用区域生长法对二值化服装款式图进行部件分割;
步骤Ⅱ、采用基于Canny算子的边缘检测方法对于分割后的各个部件进行边缘检测;
步骤Ⅲ、对检测到的边缘进行解析,并按照解析顺序将边缘上的点存储成点集序列,利用Hough变换对所述点集序列内部的所有点进行特征判断,若符合共线特征,则对其进行标注,否则,不标注;
步骤Ⅳ、对标注的点进行直线段矢量化,对未标注的点采用分段三次Bezier曲线进行矢量化。
进一步,所述步骤Ⅱ中的解析方法包括:首先,对检测到的边缘用顺序解析方法找到第一个边缘点作为起始点,再采取八邻域解析法将所有边缘点全部解析出来,然后按照解析顺序存储成点集序列。
进一步,所述步骤Ⅰ中的分割方法包括:在二值化服装款式图上手动选定生长点,以待测点与生长点的灰度值之差设置为1或者0作为生长规则,进行部件分割。
进一步,所述步骤四具体包括以下步骤:
步骤ⅰ、采用弦特征提取方法来提取各个待测矢量部件图的特征,获得三个弦特征矩阵,分别为平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM;
步骤ⅱ、对三个所述弦特征矩阵分别进行平移、旋转和缩放的归一化处理;
步骤ⅲ、利用步骤ⅰ和步骤ⅱ的方法对数据库中的各个部件图进行归一化处理,再采用基于支持矢量机SVM分类法对数据库中的归一化处理后的各个部件图进行分类,并判断各个待测矢量部件图的所属类别;
步骤ⅳ、采用最近邻法1NN对待测矢量部件图在所属类别中进行精确识别,从而找出与待测矢量部件图最接近的部件图。
进一步,令所述点集序列为集合C={Pi(xi,yi),i=1,...,N},其中N=2T,且T取正整数,所述二值化后的部件图的函数表达式设置为x与y分别表示部件图中的像素点的横纵坐标,D表示部件图的边缘在部件图中的所在区域,
所述外弦长矩阵OM的表达式设置为:
所述内外弦长差的绝对值矩阵IODM的表达式设置为:
所述平均投影长度矩阵PM的表达式设置为:
其中,表示外弦长,表示内弦长,A=(ys+i-yi)/ls,i,B=(xs+i-xi)/ls,i,C=(xiys+i-yixs+i)/ls,i,δ(Δ)表示狄拉克函数,x1和x2分别表示xi和xi+s的最小值和最大值,y1和y2分别表示yi和yi+s的最小值和最大值,s表示单位长度的个数,取值为21,22,...,2T-1,表示从边缘上的点Pi(xi,yi)出发,沿边缘按逆时针方向达到另一点Pi+s(xi+s,yi+s)所经过弦长,Ax+By+C=0表示点Pi和Pi+s所决定的直线的法线方程,表示弧到弦的平均投影长度,表示弦所对应的弧上的点Pi+t到所述弦的投影距离。
进一步,对缩放的归一化处理,以平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM中的每一行的最大值对所处行的每个元素进行归一操作;对旋转的归一化处理,采用傅里叶变换进行。
进一步,将平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM的每一行都作为一个一维的离散信号,然后对所述一维的离散信号进行一维离散傅里叶变换,用傅里叶变换系数的模的序列代替变换前的行,其中傅里叶变换的系数表达式设置如下:
进一步,所述步骤二的预处理方法包括:采用基于二阶微分的拉普拉斯算子Laplace算子对待测服装款式图进行锐化处理,设置阈值为0.6对应锐化后的待测服装款式图进行二值化处理。
本发明有益的技术效果在于:
通过对待测服装款式图进行预处理,再进行部件分割,然后对分割后的部件图进行矢量化处理和特征提取,对提取的特征进行归一化处理,将归一化后的待测矢量部件图进行分类识别,结合数据库,获得与之对应的结构图,完成自动制衣,从而构建出服装款式图部件识别的框架,以此为服装企业节省大量的人力和时间,降低服装前期的开发成本,提升服装企业的竞争优势,并为自动化款式识别、软件化开发和应用提供思路。这样既可以节省服装设计与制版流程的成本,又可以提升整个制作流程的反应速度,从设计图入手,让设计师直接参与制版的过程,缩短流程并减少环节,使企业面临的问题迎刃而解。
附图说明
图1为本发明的流程图;
图2为本发明的分段三次Bezier曲线图;
图3为本发明的部件半边衣领的像素点集图;
图4为本发明的三次Bezier曲线控制多边形与部件边缘上PmPn段的对应关系图;
图5为本发明的圆领领提取特征矩阵进行傅里叶变换后,分别选取尺度级S为4的前5,10,18,32,40个描述子进行重构,得到这些个分量描述子重构后的图;
图6为本发明的翻驳领提取特征矩阵进行傅里叶变换后,分别选取尺度级S为4的前5,10,18,32,40个描述子进行重构,得到这些个分量描述子重构后的图;
图7为本发明的采用傅里叶变换归一化后低频系数个数与分类准确率关系图;
图8为本发明的采用基于支持矢量机SVM分类法对翻驳领、普通翻领和平翻领的三个弦特征矩阵OM、IODM、PM进行分类的分类过程和分类结果图,其中,标识a表示对翻驳领的分类过程图,标识b表示对普通翻领的分类过程图,标识c表示对平翻领的分类过程图,标识d表示分类结果图;
图9为本发明的在MATLAB里运行程序后得到某一圆领特征归一化后的三个弦特征矩阵数据分布图,其中,标识A表示弦特征矩阵IODM的数据分布图,标识B表示弦特征矩阵OM的数据分布图,标识C表示弦特征矩阵PM的数据分布图。
具体实施方式
下面结合附图,对本发明的具体实施例做进一步阐述。
附图1为本发明的流程图,本发明提供了一种基于服装款式图的自动制衣方法,包括以下步骤:
步骤一、建立来自多个类型的服装款式图中各个部件图与其结构图一一对应的数据库。
这些款式图和结构图样本库来源于两个部分:一部分是由上海PGM公司提供的已制作好的服装款式图和样板结构图,这部分款式图与样板是一一对应的关系,但是样本量并不是很多,因此这部分样本主要是用于服装部件分割和矢量化;另外一部分是由发明人制作的服装部件图,主要用于本发明的部件款式图的特征提取和分类识别。
根据以上对款式图要求,按照绘图标准,在CORELDRAW X6中制作款式图。服装各部件的款式***,以衣领为例,衣领可以分为翻领、翻立领、驳领、翻驳领、立领、连立领、无领等,其中每种大致分类的领子下面又可以细分为很多类型的领子,这里制作的是各种普通常规领型部件,如翻驳领部件,主要考虑类似西装的翻驳领服装结构,每种类型的衣领部件分别制作60个,用于后续的特征提取与部件分类识别。
计算机图像处理一般是运用各种图像处理算法,对所要处理图像中的各个像素点进行操作,以达到某种预期效果。由于在图像处理过程中需要对图像的每个像素点进行操作,对像素点的处理形成图像本身的特征信息,便于后期的图像识别,因此在图像预处理中通常会对图像进行多项预处理操作,如去噪、增强、灰度化、复原、分割、边缘检测等等。运用本发明的方法处理的是平面二维款式图,没有纹理、颜色和光照信息,主要是服装的轮廓信息,所以在图像预处理中,只需要对款式图进行锐化、二值化、款式图部件分割、边缘检测和分割出的部件矢量化,主要通过以下步骤二和三实现,以便为后续的特征提取与识别做准备。获取的款式图边缘信息是服装款式识别的关键,边缘曲线的平滑和准确程度会影响后续形状特征提取和描述的准确性。
步骤二、对待测服装款式图进行预处理,获得二值化服装款式图,具体是先进行锐化,再进行二值化处理。
从服装款式图样本的来源来看,用于识别的款式图并不是同一个大小规格,会产生压缩过程或者保存过程中图像分辨率不同,这就会导致一些款式图分辨率不高,因此需要进行服装款式图的锐化,锐化的目的是让原始模糊的图变得更加清晰起来,使得分割出来的图视觉效果更好。
目前常见的图像锐化方法主要是基于一阶微分的Robert锐化、Sobel锐化、Prewitt锐化处理算子和基于二阶微分的Laplace算子锐化,它们的模板中,各系数的和都为零。这表明这些算子在灰度恒定的区域的响应为0,也就是在锐化处理后的图像中,原图像的平滑区域基本是黑色,而原图中目标物边缘、细节和灰度跳变点都会在黑色背景中以高灰度部分凸显出来。在MATLAB中运行程序后,款式图在不同锐化滤波算子处理下的效果比较如下表。
由上表可以看出,Sobel算子和Prewitt算子在锐化滤波时会增强提亮款式图边缘信息,起到锐化效果,但款式图的部分边缘显示不清楚,如领子、腰两侧的轮廓,并没有达到增强的效果。Prewitt算子将款式图边缘拉大,近乎失真;而Sobel算子的特点是对称的一阶差分,对中心加权起到一定的平滑作用,Sobel算子处理款式图后的轮廓线条相比Prewitt算子处理后的轮廓线条稍微加宽了。相比前两种锐化滤波算子,Laplace算子将款式图模糊的部分得到了锐化,衣领和腰围两侧的边界更加明显,运用Laplace可以加强服装平面款式图的细节,找到款式图的边缘,因此,本发明选用拉普拉斯算子Laplace对款式图进行锐化。
由于实验所用的款式图本身就是黑白图像,所以对锐化后的款式图不需要进行灰度处理,直接进行二值化处理,二值化处理的目的是为后续的基于HOG变换的图像矢量化的前提条件。在MATLAB中常用的二值化函数是im2bw,分别设置阈值为1,0.6,0.2,运行程序得到不同的阈值二值化图像如下表所示。
由上表可以看出当阈值为1时,服装款式图轮廓较粗,并且许多噪点被当作目标图像处理,如上表图像中的圆圈所标定的地方,这样会影响后续的边缘检测;当阈值取0.2时,轮廓线细化了,但衣领、袖笼等边界不明显的地方轮廓线断断续续,如上表图像中的圆圈所标定的地方,轮廓不再是闭合线条,这会直接阻碍部件分割。当阈值取0.6时,可以看到轮廓线分明并且都是闭合的线条,噪点也没有出现。因此本文设置阈值0.6进行二值化处理。
步骤三、对上述二值化服装款式图进行部件分割,再对分割后的各个部件分别进行矢量化处理,获得多个待测矢量部件图。
服装款式图锐化和二值化后,接着就需要从整个服装款式图中分割出各部件。服装款式图的分割结果作为边缘提取、部件识别与矢量化的基础,部件分割的好坏决定着边缘轮廓提取的好坏和矢量化效果精确与否。以下以从整体服装款式图中分割出衣领和袖子为例,具体操作如下:
步骤Ⅰ、采用区域生长法对二值化服装款式图进行部件分割,由于本发明研究的是仅有轮廓线的平面款式图,在检测到边缘的同时还需要分割出款式图部件,可以看出款式图除了黑色线条以外就是白色区域,所以只需要把闭合曲线所围成的部件的白色区域分割出来就可以,因此采用区域生长法来分割款式的各个部件。
首先,在二值化服装款式图上手动选定生长点,以待测点与生长点的灰度值之差设置为1或者0作为生长规则,如把灰度值为8的像素作为初始的生长点,按照该生长规则进行部件分割。
步骤Ⅱ、采用基于Canny算子的边缘检测方法对于分割后的各个部件进行边缘检测。
对分割后的区域提取区域轮廓,轮廓点的检测与提取是矢量化的重要步骤,轮廓提取的准确度将直接影响到后续矢量化的精度,边缘检测能够缩减像素点的数据量,而且保留住款式部件的边缘形状信息,考虑到各种边缘检测方法的优缺点,本发明采用基于Canny算子的边缘检测方法获取分割后的各个部件的边缘信息。
步骤Ⅲ、对检测到的边缘进行解析,并按照解析顺序将边缘上的点存储成点集序列,利用Hough变换对上述点集序列内部的所有点进行特征判断,若符合共线特征,则对其进行标注,否则,不标注,具体如下:
在对部件进行边缘检测后,得到的是部件的边缘信息,其中0为白色表示边缘信息,1为黑色表示背景信息。部件要矢量化,就需要对边缘点集序列进行顺序存储,部件图的点集存储,实际上是将部件的边缘轮廓按连接顺序存储成点集序列,在存储为点集序列之前需要对部件进行解析。常用的有顺序解析和邻域解析,本发明结合顺序解析和八邻域解析的方法,首先在分割出的部件图中用顺序搜索方法找到第一个边缘点作为起始点,然后采取八邻域法将所有边缘点全部解析出来,并按解析顺序存储成点集序列。
点集序列存储完成后,便可对其进行矢量化,矢量化就是用简单的图形或者用数学方程的形式来表示服装部件,通常采用直线和自由曲线来表示。直线段数学模型简单易理解,可用如下参数方程表示:
P(t)=P1t+P2(1-t)
其中,P1、P2分别表示线段起始点和终止点,参数t∈[0,1]。
对于曲线段数学模型,在制作服装结构图和设计款式***中常用的有曲线内插法、B-spline曲线、Bezier曲线等。由于Bezier曲线是用控制点来控制多边形的形状,使曲线的设计和修改非常直观,而分段表示能使测量精度更高。所以本发明采用分段三次Bezier曲线来表示款式图部件边缘的自由曲线,从几何意义上实现与部件图曲线边缘的等效,分段三次Bezier曲线如图2所示,其矩阵表示如下所示:
P(t)=TMBQ
其中,T=[t3 t2 t 1],t∈[0,1],Q为控制多边形的控制点。
Hough变换是寻找直线段特点的一种有效算法,其原理是将直角坐标系中的点(x,y)变换成极坐标系上的点(r,θ),利用直角坐标系中同一条直线上的所有点即共线点在(r,θ)平面上表现为同一个点这一特征,来进行直线的判断。直角坐标系中直线表达式y=mx+b用极坐标表示如下:
ri=xi cosθi+yi sinθi
若要判断某一部件图的点集序列是否为直线,可将r-θ平面量化成若干小格,根据每一个已知的(x,y)点代入θ后的量化值后,由上式算出r,则可知(r,θ)值处在某一格子内,此时将此小格的数量加1,当所有(x,y)点经过上述操作后,统计出小格的数量,统计数值较大的小格就对应共线点,这一点(r,θ)即为所求直线的极坐标参数,把这一参数作为判断部件边缘点是否为直线段的参数。
步骤Ⅳ、对标注的点进行直线段矢量化,对未标注的点采用分段三次Bezier曲线进行矢量化。
下面以一幅包含直线P0Pm,直线P0Pn和曲线PmPn的衣领部件图为例说明矢量化的过程,图3为部件半边衣领的像素点集图。设对衣领部件的边缘检测处理后得到领子边缘像素点集序列如下所示:
P0Pm={P0,P1,P2,...,Pm-2,Pm-1,Pm};
PmPn={Pm,Pm+1,Pm+2,...,Pn-1,Pn};
P0Pn={Pn,Pn+1,Pn+2,...,Pn+k-2,Pn+k-1,Pn+k};
利用Hough变换求衣领像素点集序列的特征,其中P0Pm段和P0Pn段各自符合共线特征,对其相关点做标记,PmPn段不符合共线特征,不做标记。对做标记的像素点集进行直线段矢量化,对未做标记的像素点集如图3中PmPn段用分段三次Bezier曲线进行矢量化。
在自由曲线矢量化的过程中,由于Bezier曲线是由控制点决定的多边形确定的,而本发明已知的只是衣领边缘点,要获得Bezier曲线的参数,就须求出所有的控制点Q。为确保所拟合的Bezier曲线能够通过衣领边缘上的点,需用部件边缘上的部分点来反求控制多边形的控制点,图4为三次Bezier曲线控制多边形与部件边缘上PmPn段的对应关系图,其数学模型如下方程式所示:
其中,P1、P2、P3、P4为领子边缘点,Q1、Q2、Q3、Q4为控制多边形的控制点,由图4可知,P1、P2、P3、P4和Q1、Q4为已知点,Q2、Q3为未知点,t1、t2为已知点P2、P3所对应的参数值,它们的值由所取P2、P3的位置来决定。若P1、P2、P3、P4间距相等,则可求出t1、t2。解上述方程组即可求出控制多边形的4个控制点,从而得到三次Bezier曲线,从而矢量化自由曲线。
步骤四、对各个待测矢量部件图进行特征提取,再将提取到的特征进行归一化处理,然后对归一化的待测矢量部件图进行分类识别,结合数据库,从而获得与之对应的结构图,完成自动制衣。
本发明的部件图特征提取主要是几何形状特征的提取,部件图的边缘轮廓形状基本都是由直线和自由曲线构成,因此采用部件图边缘线条的形状特征,其中含有边缘线条的弯曲度、凹性、凸性等形状特征,对目标部件进行特征描述。目前针对图像对象识别的轮廓弯曲特性提取与描述已出现了多种方法,其中,基于曲率特征提取的方法是较具代表性的,它是比较直观展现图像目标轮廓线弯曲程度的一种形状特征。
王斌在2016年提出的弦特征矩阵描述子CFM来对树叶进行分类识别,得到了很好的识别效果,树叶和款式图提取特征的共同之处在于都是提取目标图像的几何形状,因此本发明选用王斌的特征提取与描述的方法,基于弦特征矩阵来描述款式图各部件的特征,该方法是间接性的描述衣领边缘线凹凸特征的方法,其在款式图部件特征提取过程中相比其他方法更有优势。关于间接性的特征描述,目前已有用弦长、边缘上的点到最远点距离等作为描述子的参数,这些参数在某些程度上间接反映目标边缘线的弯曲特性,但边缘线的凹凸性还得不到很好的描述。本发明使用的弦特征提取方法来描述部件图的各特征,此种方法也叫做CFM,这种特征描述方法可以描述衣领部件轮廓的凹凸性,其中通过提取多个尺度级的弦的内外弦长作为款式部件的特征描述子,而内外弦长很好的描述出衣领部件边缘的凹凸性,从而更加精确的描述部件轮廓曲线的凹凸特征,该方法不仅仅刻画出衣领边缘的凹凸性,而且引入的弧到弦的平均投影长度参数,这一参数特征能够刻画各衣领款式部件曲线边缘的弯曲度,通过以上凸性、凹性和弯曲特性的刻画,可以完整的描述部件边缘轮廓的几何形状特征。
具体包括以下步骤:
步骤ⅰ、采用弦特征提取方法来提取各个待测矢量部件图的特征,获得三个弦特征矩阵,分别为平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM。
令点集序列为集合C={Pi(xi,yi),i=1,...,N},其中N=2T,且T取正整数,二值化后的部件图的函数表达式设置为x与y分别表示部件图中的像素点的横纵坐标,D表示部件图的边缘在部件图中的所在区域,
外弦长矩阵OM的表达式设置为:
内外弦长差的绝对值矩阵IODM的表达式设置为:
平均投影长度矩阵PM的表达式设置为:
其中,表示外弦长,表示内弦长,A=(ys+i-yi)/ls,i,B=(xs+i-xi)/ls,i,C=(xiys+i-yixs+i)/ls,i,δ(Δ)表示狄拉克函数,x1和x2分别表示xi和xi+s的最小值和最大值,y1和y2分别表示yi和yi+s的最小值和最大值,s表示单位长度个数,取值为21,22,...,2T-1,单位长度定义为边缘上的点与之最相邻点之间的距离,该距离与点集序列的大小有关,表示从边缘上的点Pi(xi,yi)出发,沿边缘按逆时针方向达到另一点Pi+s(xi+s,yi+s)所经过弦长,Ax+By+C=0表示点Pi和Pi+s所决定的直线的法线方程,表示弧到弦的平均投影长度,表示弦所对应的弧上的点Pi+t到所述弦的投影距离。
从CFM的数学模型可知,三个矩阵都是(T-1)×N的,s每取一个值就有一个尺度与之对应,也就是描述子有(T-1)个尺度。由此可知,此方法的弦特征矩阵的每一行都对应每一行特有的尺度级。其中特征矩阵的第1行就是最小尺度级即s=21,矩阵的最后一行就是最大尺度级即2T-1,其中T=log2 N。不同尺度级特征描述的几何形状特征信息不同,尺度小的刻画的特征信息比较细致,尺度大的描述的形状信息比较粗略,从弦特征矩阵构建来看,它是从21的尺度,成等比数列的增大到2T-1,这样就可以把整个部件轮廓的形状特征全面的描述出来。另外,因为本发明是对服装款式图中的部件进行识别,衣领部件轮廓线之间的特征相似度很大,所以就要提取很多的细节特征来进行辨别,如很多无领,圆领、V领、U型领等等,在这些部件轮廓的凸点,凹点,拐点,极值点等区域就需要小尺寸特征来刻画。
从下表中可以看到,当边缘点确定后,尺度越小整个边缘信息描述的更细致;尺度大仅描述轮廓的整体外形,当轮廓细节较多可能会漏掉细节特征;当尺度值相同时,边缘点数量越多特征越多,边缘细节描述的越齐全,但是如果边缘点过多的话,算法运行时间更长。
步骤ⅱ、对上述三个弦特征矩阵分别进行平移、旋转和缩放的归一化处理。
由于平面款式图的几何形状在平移、旋转、缩放的变换下,其几何形状不会变化,因此在对衣领部件的分类和识别前,需将服装部件的弦特征描述子归一化处理,避免因为出现这些几何变换导致描述子不同,最后引起部件分类错误、识别不准确。
(1)部件图平移
从上述OM、IODM、PM公式可以发现,当部件发生平移时,外弦长矩阵中的值、内外弦长差的绝对值和平均投影长度三个矩阵中的值是保持不变的,所以不用对平移的变化做归一化处理。
(2)部件图缩放
当部件图发生缩放时,弦的值要发生变化。假设部件构成的弦特征函数由g(x,y)变为g(ax,ay),其中a>0是缩放系数。用特征描述子OM,IODM,PM三个矩阵中的每一行的最大值对该行的每个元素归一操作。由特征矩阵的构成可知,处在同一行的特征元素都对应同样的尺度级,不同的行对应不同尺度级,因此本发明分别对每一行归一操作,就可以保证T-1个尺度级的特征即各行特征在部件识别中有同样的贡献,就不会出现因为某一行的轮廓线特征值过大而使其他行轮廓线特征值较小的失效。
(3)部件图旋转
当实验用的衣领部件图有所旋转,部件边缘线上的弦也都产生同样的旋转,根据OM、IODM、PM的表达式能够知道边缘线的内外弦长、弧到弦的平均投影长度同旋转前的。但是衣领部件图的旋转会让提取的边缘线的初始位置点产生变化,进而让弦特征描述子的三个矩阵的各行产生顺次移位。若t表示平移量,其中1≤t≤N是平移量,则三个矩阵中的第m行,第k列的特征值就会移动到第m行,第k+t列。针对这个问题,本发明运用一维离散傅里叶变换对衣领部件图的旋转作归一化处理。
首先,将OM、IODM、PM中的每一行都看作是一个一维的离散信号,然后进行一维离散傅里叶变换,用傅里叶变换系数的模的序列代替变换前的行。其中傅里叶变换的描述系数公式如下:
其中,u=0,1,2,...,M-1,在信号的开始处经过傅里叶变换后的值a(0)被称作傅里叶变换的直流分量。由Fourier变换的理论可知,若部件有所旋转,对应到一维信号也有相应平移,所得到Fourier变换系数的模|a(u)|是不变的,所以旋转后的弦特征矩阵和未旋转的部件经Fourier变换得到的矩阵是一样的。本发明对弦特征矩阵每行元素作Fourier变换后获得的向量长度为N,为凸显主要款式部件的特征量和抑制噪声干扰,选取前M个低频系数,M的值将在后续实验时确定。因为取的系数越多,虽然可以更好的描述款式部件特征,但会增加对噪声的敏感度,并且会加大分类识别计算量;反之,若提取的低频系数较少,那么提取的特征量并不能精确的区分部件的形状。傅里叶变换后三个矩阵和的每一行的值都被做一次傅里叶变换,变换后的对应系数值有M个,对这M个值分别取模,即得到三个矩阵每一行的值分别对应每次的变换值:|a(0)|,|a(1)|,...,|a(M-1)|。最终,部件的弦特征矩阵都将由大小为(T-1)×N的矩阵变为大小为(T-1)×M的矩阵。
图5和6分别为圆领和翻驳领提取特征矩阵进行傅里叶变换后,分别选取尺度S为4的前5,10,18,32,40个傅里叶描述子进行重构,得到这些个分量描述子重构后的图。从图中可以看出,当选择的傅里叶描述子的长度分量越多的话,重构后的效果图越接近原图,可以看到当长度分量个数为18时,已基本跟原图相同,但是若使用的傅里叶描述子的长度分量过多,虽然重构后的形状更精细,但是分类识别时的计算量也相应增加,反之,如果选取的长度分量越少的话,对其衣领形状的描述很粗糙,所以在后续的款式图分类识别时,需要进行多次实验确定合适的低频系数个数。
步骤ⅲ、利用步骤ⅰ和步骤ⅱ的方法对数据库中的各个部件图进行归一化处理,再采用基于支持矢量机SVM分类法对数据库中的归一化处理后的各个部件图进行分类,并判断各个待测矢量部件图的所属类别。
在SVM的多分类问题中,其多分类器通常是由多个二值子分类器组合起来构建的。本发明以对八种衣领部件进行分类为例,属于SVM多分类问题,就要构建八个二值子分类模型,关于第i个分类模型,本发明将第i类衣领部件当作一类,即正类,其余的7类衣领部件当作另一类,即负类,在分类时,将待分类衣领部件特征x顺次输入到各SVM二值子分类模型中,比较哪一个SVM输出值最大,若第k个的输出值大,就将待分类衣领部件归为第k类。
具体实现步骤如下:
(1)SVM训练的步骤:输入各待训练服装衣领部件的特征矩阵;选择合适的输入空间核函数;求解优化方程,获得支持向量和对应的拉格朗日算子;利用服装衣领部件特征库中一个支持向量,带入判别函数,得到类别值。
(2)SVM分类的步骤:输入待测服装部件特征;使用步骤(1)中训练好的拉格朗日算子,偏差值以及输入空间核函数,解出最优判别函数;根据sgnf(X)的值输出类别。
本发明的SVM分类器中核函数选取RBF核函数,特征归一化后,得到OM,IODM,PM三个特征矩阵并不是一个数值构成的,而是由(T-1)×M的二维矩阵构成。因为训练样本中每一行作为一个样本,所以需要将三个特征矩阵的量顺次接成一行构成一个部件特征量。首先,将OM矩阵的T-1行顺次接在每一行的后面构成一整行作为特征量,然后,将IODM和PM各自的T-1行顺次接在每一行的后面构成一整行作为特征量,最后,将IODM得到的一整行特征接到OM的后面,将PM的接到IODM后面,最终得到的每个部件样本有(T-1)*M*3的特征量。由上述边缘上的点的数量和尺度实验可知,部件图的细节边缘点变化并不是特别的频繁,所以本发明的预设边缘点N=64,即T=log2 N=6。
为了选取适当的Fourier变换归一化的低频系数个数,也就是M的值,本发明开展了预实验:从衣领部件图库的八种款式中随机各抽取40个衣领部件图,进行上述款式图预处理和提取弦特征矩阵,对特征归一化,其中基于Fourier变换来进行归一化时,低频特征系数个数分别选择1,2,3,4,5…,60,如图7所示,以此进行部件图训练和分类测试,其分类准确率如图7所示。由图7可知,当系数个数为16,识别准确率基本达到最高,并且选取的系数越多的话,程序运行时间也会相应的越长,因此,本发明的低频系数M选择16。
由以上可得,每一个弦特征矩阵现在为5*16的二维矩阵,所以输入SVM训练时,每一种弦特征矩阵有80个特征量,结合三个弦特征矩阵OM,IODM,PM得到每种部件由240个特征量构成,然后对特征集进行主成分分析,选取累计贡献率为95%的主成分为特征向量,对各自弦特征和综合的特征分别进行分类识别,得到各自特征描述子下的准确率。随机抽取衣领部件库中66.7%样本的特征向量为训练集,剩余33.3%样本的特征向量为测试集,其中各部件的数量与整体比例一致,测试数据和训练数据除了特征向量还包含此款式的标签,见下表。
以翻驳领、普通翻领和平翻领的三个弦特征矩阵OM、IODM、PM、为例进行实验测试,分类过程和分类结果如下图8,从图8中发现翻驳领分类基本全部正确,普通翻领和平翻领有三个分类错误,但是整体识别准确率还是做到了95%,其中翻驳领识别准确率为100%。
步骤ⅳ、采用最近邻法1NN对待测矢量部件图在所属类别中进行精确识别,从而找出与待测矢量部件图最接近的部件图。
基于SVM的分类识别对款式图部件分类效果好,但是它并不能将待测款式部件同库中每个单独的部件的相似度大小区分开来,也就是当识别出属于哪一类时,在智能服装款式设计中还不够,还需要将同类中的款式区分开来,这就需要借助最近领分类识别法进一步将同类中的相似度大小排序区分开来。
最近邻法1NN是一种非参数识别方法,不需要事先给出先验概率和类条件概率密度函数等知识,而是直接对所得到的部件特征矩阵进行操作,特别适合于多分类问题。
假设有M个ω1,ω2,...,ωM类别的领子部件识别目标,每一类有标注类别的样本Ni个(i=1,2,...,M),可以规定ωi类的判别函数为其中,的角标i表示ωi类,k表示ωi类Ni个样本中第k个。决策规则表示为:
以上是运用SVM分类器对部件样本库进行分类,但有一定的缺陷,相比之下,KNN算法原理比较简单,它不用训练出模板和基于模板来测试识别,反而直接进行训练,在以上已经分好类别的部件图的基础上,计算待识别的部件图同已知类别部件图之间的距离,然后在这些距离中选取K个最小的进行投票标注累计,看K个最近的部件图中哪一类部件所占的个数多,就归为哪一类。但KNN算法在识别中也有缺陷,当各类别中部件数量不等时,若某一类的衣领部件数量很多,而其他类数量很少时,就可能导致当测试待识别的衣领部件时,该部件的K个较近距离中容量多的那一类的部件图所占数量多[53]。为了避免这个问题,本发明采用最近邻法分类识别,只要比较与N个已知类别的部件图特征库间的距离,并决策与离它最近的部件同类,这种只判别离它最近的款式类别,称作1NN分类识别方法。因为1NN识别前需要提前知道已知的款式类别,所以在进行1NN识别前需要对特征库进行分类,也就是在进行1NN识别前需要进行SVM训练分类。
在对部件款式图形状进行1NN分类识别时,使用类别判别函数之前,本发明则要将待判别的部件图形状,同已知特征部件库中的形状进行差异性度量,然后对差异性进行大小比较处理。通过前面的特征归一化操作和SVM分类器处理后,训练好的特征库类别已知,弦特征矩阵已满足特征归一化,判断两个款式部件是否属于同一类别的话,只需要比较部件的特征即它们的弦特征,从而来比较它们的相似性。假设已提取出翻领A的弦特征CFM的三个弦特征矩阵OM、IODM、PM为和待识别的翻领B的弦特征CFM的三个弦特征矩阵OM、IODM、PM分别为和则它们的差异度用下面公式[42]来表示:
其中,N表示边缘上的点个数,取64,T=log2 N=6,由上文所述可知M=16。那么以上三个弦特征矩阵为5*16的矩阵。图9是在MATLAB里运行程序后得到某一圆领特征归一化后的三个弦特征矩阵数据分布图,其中,图中的矩形框是数据大小范围,矩形框内部的线条对应的值为每个尺度级数值的均值,由图8可以看出,此圆领特征低频数据基本都是小于1的。
由1NN算法的原理得到如下算法流程:
(1)初始化训练部件特征集和类别;
(2)存储已知类别的数据和待识别的款式部件特征数据;
(3)设定参数k,这里k取1;
(4)计算待测类别特征数据同已知类别每一个部件特征数据的差异度;
(5)根据差异度大小对训练部件图特征数据集作升序排序;
(6)选取差异度大小最小的前k个训练款式部件,然后统计它们在各类别中的累计个数;
(7)返回累计个数最大的类别,这里只需选取差异度最小的类别即可,则待测衣领部件就属于该部件所在的类别;
(8)取出前L个距离较小的已知类别序号,这些类别就可以用于后续的设计开发。
以下以预先所准备的图片库,从中选取衣领的各部件来进行测试,在运行1NN时,待测部件图与分好类的数据库内部的部件图之间的差异度大小识别结果如下表所示,其中,表中最左侧为待测衣领部件图,数据库内部的部件图下面的对应的数值为它们的差异度。从表中可以看到,待识别的衣领部件图与数据库内部的部件图之间的差异度大小跟它们形状有紧密的联系,在智能服装款式设计时,设计师可以按照所需选取目标部件。
本发明将结合这两种方式对服装款式部件图进行识别,基于SVM的分类是将未知多维度多特征类别的部件数据库进行分类用于待测样本的识别,而后面的1NN的分类识别主要是已知类别,然后计算被测样本离各个类别的部件款式距离来判断它是属于哪一个款式部件,后者会更加具体的识别出最接近的部件款式图,从而为后面的结构图检索服务,其他服装部件的识别同以上衣领部件的识别。另外还可以按照差异度大小顺序排列款式图部件,这样在服装智能设计时会有多样的选择提供。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,因此,本发明的保护范围由所附权利要求书限定。
Claims (9)
1.一种基于服装款式图的自动制衣方法,其特征在于包括以下步骤:
步骤一、建立来自多个类型的服装款式图中各个部件图与其结构图一一对应的数据库;
步骤二、对待测服装款式图进行预处理,获得二值化服装款式图;
步骤三、对所述二值化服装款式图进行部件分割,再对分割后的各个部件分别进行矢量化处理,获得多个待测矢量部件图;
步骤四、对各个待测矢量部件图进行特征提取,再将提取到的特征进行归一化处理,然后对归一化的待测矢量部件图进行分类识别,结合数据库,从而获得与之对应的结构图,完成自动制衣。
2.根据权利要求1所述的基于服装款式图的自动制衣方法,其特征在于所述步骤三中获得多个待测矢量部件图的方法包括:
步骤Ⅰ、采用区域生长法对二值化服装款式图进行部件分割;
步骤Ⅱ、采用基于Canny算子的边缘检测方法对于分割后的各个部件进行边缘检测;
步骤Ⅲ、对检测到的边缘进行解析,并按照解析顺序将边缘上的点存储成点集序列,利用Hough变换对所述点集序列内部的所有点进行特征判断,若符合共线特征,则对其进行标注,否则,不标注;
步骤Ⅳ、对标注的点进行直线段矢量化,对未标注的点采用分段三次Bezier曲线进行矢量化。
3.根据权利要求2所述的基于服装款式图的自动制衣方法,其特征在于所述步骤Ⅱ中的解析方法包括:首先,对检测到的边缘用顺序解析方法找到第一个边缘点作为起始点,再采取八邻域解析法将所有边缘点全部解析出来,然后按照解析顺序存储成点集序列。
4.根据权利要求2所述的基于服装款式图的自动制衣方法,其特征在于所述步骤Ⅰ中的分割方法包括:在二值化服装款式图上手动选定生长点,以待测点与生长点的灰度值之差设置为1或者0作为生长规则,进行部件分割。
5.根据权利要求2所述的基于服装款式图的自动制衣方法,其特征在于所述步骤四具体包括以下步骤:
步骤ⅰ、采用弦特征提取方法来提取各个待测矢量部件图的特征,获得三个弦特征矩阵,分别为平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM;
步骤ⅱ、对三个所述弦特征矩阵分别进行平移、旋转和缩放的归一化处理;
步骤ⅲ、利用步骤ⅰ和步骤ⅱ的方法对数据库中的各个部件图进行归一化处理,再采用基于支持矢量机SVM分类法对数据库中的归一化处理后的各个部件图进行分类,并判断各个待测矢量部件图的所属类别;
步骤ⅳ、采用最近邻法1NN对待测矢量部件图在所属类别中进行精确识别,找出与待测矢量部件图最接近的部件图,从而获得与之对应的结构图,完成自动制衣。
6.根据权利要求5所述的基于服装款式图的自动制衣方法,其特征在于:令所述点集序列为集合C={Pi(xi,yi),i=1,...,N},其中N=2T,且T取正整数,所述二值化后的部件图的函数表达式设置为x与y分别表示部件图中的像素点的横纵坐标,D表示部件图的边缘在部件图中的所在区域,所述外弦长矩阵OM的表达式设置为:
所述内外弦长差的绝对值矩阵IODM的表达式设置为:
所述平均投影长度矩阵PM的表达式设置为:
其中,表示外弦长,表示内弦长,A=(ys+i-yi)/ls,i,B=(xs+i-xi)/ls,i,C=(xiys+i-yixs+i)/ls,i,δ(Δ)表示狄拉克函数,x1和x2分别表示xi和xi+s的最小值和最大值,y1和y2分别表示yi和yi+s的最小值和最大值,s表示单位长度的个数,取值为21,22,...,2T-1,表示从边缘上的点Pi(xi,yi)出发,沿边缘按逆时针方向达到另一点Pi+s(xi+s,yi+s)所经过弦长,Ax+By+C=0表示点Pi和Pi+s所决定的直线的法线方程,表示弧到弦的平均投影长度,表示弦所对应的弧上的点Pi+t到所述弦的投影距离。
7.根据权利要求5所述的基于服装款式图的自动制衣方法,其特征在于:对缩放的归一化处理,以平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM中的每一行的最大值对所处行的每个元素进行归一操作;对旋转的归一化处理,采用傅里叶变换进行。
8.根据权利要求7所述的基于服装款式图的自动制衣方法,其特征在于:将平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM的每一行都作为一个一维的离散信号,然后对所述一维的离散信号进行一维离散傅里叶变换,用傅里叶变换系数的模的序列代替变换前的行,其中傅里叶变换的系数表达式设置如下:
9.根据权利要求1所述的基于服装款式图的自动制衣方法,其特征在于所述步骤二的预处理方法包括:采用基于二阶微分的拉普拉斯算子Laplace算子对待测服装款式图进行锐化处理,设置阈值为0.6对应锐化后的待测服装款式图进行二值化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169141.9A CN110021028B (zh) | 2019-03-06 | 2019-03-06 | 一种基于服装款式图的自动制衣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169141.9A CN110021028B (zh) | 2019-03-06 | 2019-03-06 | 一种基于服装款式图的自动制衣方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110021028A true CN110021028A (zh) | 2019-07-16 |
CN110021028B CN110021028B (zh) | 2022-11-29 |
Family
ID=67189310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910169141.9A Active CN110021028B (zh) | 2019-03-06 | 2019-03-06 | 一种基于服装款式图的自动制衣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110021028B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858997A (zh) * | 2020-06-23 | 2020-10-30 | 浙江蓝天制衣有限公司 | 一种基于跨领域匹配的服装样板生成方法 |
CN112380687A (zh) * | 2020-11-10 | 2021-02-19 | 西安工程大学 | 一种基于模糊理论的西装快速配衬量化方法 |
CN113256758A (zh) * | 2021-05-20 | 2021-08-13 | 稿定(厦门)科技有限公司 | 图形光滑处理方法 |
CN113297642A (zh) * | 2021-03-31 | 2021-08-24 | 阿里巴巴(中国)有限公司 | 图像处理方法、数据处理方法、加工***及设备 |
CN113505410A (zh) * | 2021-07-13 | 2021-10-15 | 高瑞彤 | 一种智能服装设计*** |
CN113987344A (zh) * | 2021-10-26 | 2022-01-28 | 雅莹集团股份有限公司 | 基于版型库的3d服装款式智能模拟方法及其成本估算方法 |
CN114782653A (zh) * | 2022-06-23 | 2022-07-22 | 杭州彩连科技有限公司 | 一种自动扩充服饰设计版型的方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200233A (zh) * | 2014-06-24 | 2014-12-10 | 南京航空航天大学 | 一种基于韦伯局部描述符的服装分类识别方法 |
US20160358337A1 (en) * | 2015-06-08 | 2016-12-08 | Microsoft Technology Licensing, Llc | Image semantic segmentation |
JP2017182633A (ja) * | 2016-03-31 | 2017-10-05 | セコム株式会社 | 対象識別装置 |
CN107996024A (zh) * | 2015-09-09 | 2018-05-04 | 英特尔公司 | 独立的应用安全管理 |
-
2019
- 2019-03-06 CN CN201910169141.9A patent/CN110021028B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200233A (zh) * | 2014-06-24 | 2014-12-10 | 南京航空航天大学 | 一种基于韦伯局部描述符的服装分类识别方法 |
US20160358337A1 (en) * | 2015-06-08 | 2016-12-08 | Microsoft Technology Licensing, Llc | Image semantic segmentation |
CN107996024A (zh) * | 2015-09-09 | 2018-05-04 | 英特尔公司 | 独立的应用安全管理 |
JP2017182633A (ja) * | 2016-03-31 | 2017-10-05 | セコム株式会社 | 対象識別装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858997A (zh) * | 2020-06-23 | 2020-10-30 | 浙江蓝天制衣有限公司 | 一种基于跨领域匹配的服装样板生成方法 |
CN111858997B (zh) * | 2020-06-23 | 2024-04-16 | 浙江蓝天制衣有限公司 | 一种基于跨领域匹配的服装样板生成方法 |
CN112380687A (zh) * | 2020-11-10 | 2021-02-19 | 西安工程大学 | 一种基于模糊理论的西装快速配衬量化方法 |
CN112380687B (zh) * | 2020-11-10 | 2024-02-13 | 西安工程大学 | 一种基于模糊理论的西装快速配衬量化方法 |
CN113297642A (zh) * | 2021-03-31 | 2021-08-24 | 阿里巴巴(中国)有限公司 | 图像处理方法、数据处理方法、加工***及设备 |
CN113256758A (zh) * | 2021-05-20 | 2021-08-13 | 稿定(厦门)科技有限公司 | 图形光滑处理方法 |
CN113256758B (zh) * | 2021-05-20 | 2023-08-18 | 稿定(厦门)科技有限公司 | 图形光滑处理方法 |
CN113505410A (zh) * | 2021-07-13 | 2021-10-15 | 高瑞彤 | 一种智能服装设计*** |
CN113987344A (zh) * | 2021-10-26 | 2022-01-28 | 雅莹集团股份有限公司 | 基于版型库的3d服装款式智能模拟方法及其成本估算方法 |
CN114782653A (zh) * | 2022-06-23 | 2022-07-22 | 杭州彩连科技有限公司 | 一种自动扩充服饰设计版型的方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN110021028B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110021028A (zh) | 一种基于服装款式图的自动制衣方法 | |
Yue et al. | Automatic detection of feather defects using Lie group and fuzzy Fisher criterion for shuttlecock production | |
CN105389593B (zh) | 基于surf特征的图像物体识别方法 | |
CN106203523B (zh) | 基于梯度提升决策树半监督算法融合的高光谱图像分类方法 | |
CN109523520A (zh) | 一种基于深度学习的染色体自动计数方法 | |
CN109993213A (zh) | 一种用于服装部件图的自动识别方法 | |
CN104182763B (zh) | 一种基于花朵特征的植物种类识别*** | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及*** | |
CN101140623A (zh) | 一种基于支持向量机的视频对象识别方法及*** | |
Berretti et al. | 3d mesh decomposition using reeb graphs | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
Tristán-Vega et al. | A radius and ulna TW3 bone age assessment system | |
CN110245593A (zh) | 一种基于图像相似度的手势图像关键帧提取方法 | |
CN109344872A (zh) | 一种少数民族服装图像的识别方法 | |
CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
CN109447100A (zh) | 一种基于b样条曲面相似性检测的三维点云识别方法 | |
CN108681737A (zh) | 一种复杂光照下图像特征提取方法 | |
CN110264454A (zh) | 基于多隐藏层条件随机场的***组织病理图像诊断方法 | |
CN106919884A (zh) | 面部表情识别方法及装置 | |
CN115731400A (zh) | 基于自监督学习的x光图像异物检测方法 | |
Jin et al. | End Image Defect Detection of Float Glass Based on Faster Region-Based Convolutional Neural Network. | |
Artola et al. | Glad: A global-to-local anomaly detector | |
CN109918783B (zh) | 一种智能化的制衣设计*** | |
Rathore et al. | CBISC: a novel approach for colon biopsy image segmentation and classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |