基于注意力机制的艾德莱斯绸纹饰图案分割研究

目的由于艾德莱斯绸具有丰富的色彩和复杂的纹饰图案,在对其进行图案分割时难度较大,容易出现错分割和漏分割的情况。为此,提出了基于注意力机制的艾德莱斯绸纹饰图案分割算法。方法采用FCN模型对艾德莱斯绸纹饰图像进行卷积训练,突出图像的语义特征信息。利用通道注意力模块和位置注意力模块,分别对艾德莱斯绸纹饰图像展开学习,得到维度完全相同的特征图。将两个模块特征图融合后与FCN模型输出图像再次融合,得到艾德莱斯绸纹饰图像的特征提取结果,选取图像中的感兴趣区域,完成对艾德莱斯绸纹饰图案的分割。结论实验结果表明,所提方法取得了精准度较高的分割结果,分割图像边缘清晰,没有出现错分割和漏分割的情况,分割结果总体上较为理想。

基于区域跟踪的交互式图案分割算法

传统图案包含着许多具有一定特征的纹样元素,而现有的基于边缘与区域的分割算法难以获得图案的纹样元素及分布等信息.本文以新疆栽绒毯为例,提出一种基于区域跟踪的交互式图案分割算法.首先定义模板算子,通过调整模板算子的参数,标识图案元素,并引入图案元素对称性判据,解决图案分割冗余与重叠问题.实验仿真表明该方法可以满足具有对称性的织物图案的分割与提取.

一种基于改进SegNet模型和融合注意力机制的苗族服饰图案分割算法

针对目前语义分割模型需要消耗大量计算资源,对苗族服饰图案分割精度不高等问题,提出一种在改进的Seg Net模型中嵌入注意力机制模块的算法模型。改进后的Seg Net模型减少了卷积层数,在一定程度上减少了内存资源的消耗;为了提高对服饰图案细小纹理的分割精度,减少细小纹理细节的丢失,使用二分类交叉熵损失函数作为损失函数,提高了服饰图案细小纹理的分割精度;改进的Seg Net模型中嵌入轻量级的注意力模块,使得模型能够关注图像中更多的细节特征,更好地将感兴趣的特征从局部水平关联到全局水平,加强对目标特征信息的提取,减少损失率,提高模型的分割性能。实验结果表明,改进后的算法模型相对于传统相关算法,对苗族服饰图案的分割精度有了一定的提高,分割结果的视觉效果和定量指标上都要优于传统相关算法。

一种融合注意力机制的苗族服饰图案分割方法

针对苗族服饰因缺少像素级标注的数据库、元素多元化、纹饰图案不规则等引起的目标区域特征提取难度大的问题,提出了一种融合了注意力机制的SegNet分割模型(SE-SegNet)。在改进的SegNet模型中融入通道注意力SE模块,关注更多的细节特征,旨在于加强对目标特征的提取,实现苗服饰图案的自动分割。实验结果表明,该模型在苗族服饰数据集中,像素准确率为92.69%,交并比值为85.27%,相似系数为92.05%。与其他模型相比,该模型分割结果更精细,在苗族服饰图案分割的效果得到显著提升。服饰图案分割效果的提升对苗族服饰文化的保护和发展具有重要意义。

基于注意力机制的苗族服饰图案分割

针对苗族服饰图案存在色彩差异大、样式及纹理多样性等问题,采用传统的图像分割算法进行苗族服饰图案分割,会使得一些特征空间信息丢失,导致图像分割的效率与精度较低。为此,本文提出一种基于注意力机制的苗族服饰图案分割模型,通过提取图像特征,使模型能够更好地将感兴趣的特征从局部水平关联到全局水平。同时也采用了数据增强策略,增加训练数据以提高模型泛化能力。实验结果表明,本文模型与传统语义分割网络(U-Net)和全卷积神经网络(FCN)模型相比,仅采用不到1/2的训练参数,IoU增长了14.79%和18.21%,Dice系数增长了11.03%和13.95%。因此,本文为苗族服饰图案分割算法研究提供了一种有效可行的方法。

基于RSKP-UNet模型的苗族服饰图案分割研究

为保护苗族服饰文化的传承,以及增加对苗族文化的研究为目的,文章以苗族服饰图案分割为研究内容,提出了一种基于RSKP-UNet(Residual Selective-Kernel Parallel U-Net)模型的苗族服饰图案分割算法。算法在U-Net模型的编码器部分加入Residual模块以提升模型的特征提取能力,在解码器部分嵌入SKNet模块和ParNet模块以增强模型的特征表达能力。通过引入的Lovász-hinge损失函数有效地解决了苗族服饰图案存在的样本类别不均衡的问题,实验结果还表明Lovász-hinge损失函数在各项分割指标上均优于最常用的BCE损失函数。文章提出的RSKP-UNet分割模型在该损失函数下进行训练,并与4种经典的深度学习分割模型进行分割性能对比,RSKP-UNet模型在各项分割指标上好于其他模型,相比于基准模型U-Net,在Dice系数、IoU、精确率、召回率及准确度等指标上分别提升了6.98%、11.07%、2.89%、6.75%及3.92%,可为苗族服饰图案分割研究提供有效可行的办法。

采用纹理平滑的印花织物图案轮廓提取

为丰富印花产品的种类,提出了一种可有效提取出印花织物中图案轮廓的方法,可提取出高精度的印花图案边缘轮廓。首先对图像进行平滑,通过控制平滑程度参数和空间尺度参数,平滑掉织物图像中的纹理结构。再用Canny边缘检测算子检测图案边缘,Canny分割的判别阈值采用默认自动选择阈值就能成功提取织物上图案的轮廓,分割后的图像轮廓清晰,边缘连续,并且能分割出印花织物图像中的细小结构。通过实验证明,在RGB颜色空间对图像平滑和边缘提取的效果要优于其他颜色空间,比较了其他边缘检测算子分割印花织物图案的效果,结果证明Canny算子分割效果最好。

图像提取技术在服装轮廓与图案提取中的研究进展

图像提取技术已广泛应用于医疗、生物、工业自动化、军事安全、纺织、服装等领域。整理近年常用于服装图像提取的相关算法,对图像提取技术在服装图像图案分割提取、服装图像款式图及轮廓识别提取方面的国内外研究和应用进展进行了比较详细地阐述,为图像分割提取技术在服装产业智能化、自动化领域的进一步研究提供参考,并对该技术在服装领域的研究应用及其未来发展趋势进行展望。

基于图像的织物图案和颜色主题提取研究进展

为提高织物设计的效率及多样性,文章从“再设计”的角度梳理“织物-织物”的设计流程,重点整理织物图案形状及颜色主题的主要提取方法。大部分提取研究主要利用织物图像底层视觉特征中的形状及颜色特征,其中针对图案形状的提取,大多采用边缘检测、阈值、聚类、区域及其他特定理论对图案轮廓或整体区域进行分割;针对颜色主题的提取,则通过聚类、中位切分及八叉树等颜色量化方法建立和谐的配色规律,两个方向的提取算法可以相互借鉴。通过图像实例对不同提取方法的特点进行分析比较,发现单一算法具有一定的局限性,采用多特征、多算法融合的方式可有效提高提取的精度和效率。最后对织物再设计流程的完善及其在纺织服装领域的应用发展进行展望。