基于遗传算法优化Canny算子的织绣文物纹样抽取方法研究

张宇 张健 齐林

Research on the extraction method of woven and embroidered artifacts' patterns based ongenetic algorithm optimization of Canny operator

摘要：织绣文物中的纹样彰显中国传统文化造型艺术的形式美感，是文创设计的重要素材源泉。针对传统Canny算子进行纹样边缘检测需人为确定阈值的问题，本文提出基于遗传算法自适应优化Canny算子阈值的方法，将边缘点、非边缘点类间梯度幅值方差设置为适应度函数，通过格雷码对阈值染色体编解码、锦标赛选择算法优选交叉变异后的阈值，求解最优适应度对应的高低阈值，用于纹样边缘检测;此外，运用形态学操作得到纹样的完整、精确轮廓;最后，添加Alpha通道抽取纹样前景。实验表明，上述方法在织绣纹样抽取精度和像素准确度（PA）上，优于传统Canny算子、混合蛙跳自适应Canny算子、Otsu法优化Canny算子等已有方法，可有效检测织绣文物图像中纹样真实边缘并完成纹样抽取。

关键词：织绣文物;遗传算法;Canny算子；边缘检测；纹样抽取;最优阈值

中图分类号：TS101.1     文献标志码：A 文章编号：1001-7003（2024）06-0001-12

DOI： 10.3969 / j.issn.1001-7003.2024.06.001

收稿日期：2023-12-10；修回日期：2024-05-06

基金项目：北京市属高等学校优秀青年人才培育计划项目（BPHR202

203235） ;国家重点研发计划青年科学家项目（2021 YFF0900200） ;北京信息科技大学促进高效内涵发展项目（5026010961）

作者简介：张宇（1999），女，硕士研究生，研究方向为计算机视觉与文化计算。通信作者：齐林，副教授，qilin@bistu.edu.cn。

织绣是用棉、麻、丝、毛等纺织材料织造、编结或绣制的工艺。中国是丝绸之路的起点，是养蚕、缫丝、织绸的发祥地，织绣业的精湛技艺在世界享有崇高声誉［1］。织绣文物的纹样呈现了历史文化与艺术价值，彰显了中国传统文化中造型艺术的形式美感，为文创设计提供了丰富的素材资源［2］。然而，传统的织绣设计主要依赖人工纹样抽取，存在成本高、步骤繁、周期长、效率低等问题［3-4］。为此，本文提出一种基于遗传算法自适应确定Canny算子最优阈值的算法，自动抽取织绣文物图像中的纹样，提高抽取效率和效果，让织绣文物“活”起来，促进中国传统文化的传承与保护。

纹样抽取是计算机视觉领域的图像分割问题［5］。现有研究中，主要有基于边缘检测、阈值、聚类、区域、神经网络和图论等分割方法［6］。阈值分割按照某一准则将像素分类，实现图案分割［7］，适用于目标与背景灰度差异大的图像，计算简

单，但对噪声敏感。聚类分割中，如K-means聚类算法先确定聚类数目，进而对像素点分类，获得所需的最佳分割区域［8］。这类算法简单、应用广泛，但存在初始聚类数目不稳定、受噪声干扰、运行时间长、易陷入局部最优等问题［2］。基于图像区域分割的算法，采用迭代方式，根据图像特性将待分类点划分到不同组别当中进行图案的提取，算法的时空开销大。基于图论的分割方法，将图像映射为加权无向图，将像素或区域视作节点，两节点属于同一区域的可能性表示为边的权值，根据图的某种划分准则建立相应的能量函数，最小函数值对应图像的一个最佳分组［9］。基于深度学习的方法需要标注数据，对于织绣文物边缘检测这类特定问题，大规模标注数据集很难获得且边际收益不大。

作为经典的图像分割方法，边缘检测分割算法根据检测到的边缘获得实例轮廓，进而完成分割，剔除了不相关的信息，大幅减少了数据量，保留了图像重要的结构属性，是图像分割的最重要依据。目前图像边缘检测算法大致分为基于梯度算子的检测方法、人工特征方法和深度学习方法等［10］。在经典的基于梯度算子的算法中，常用的一阶检测算子有Sobel算子、Robert算子、Prewitt算子等，二阶检测算子有Canny算子、Laplacian算子等。其中，Canny算子因抑噪比大、检测精度高的优点得到广泛应用［11］，但仍存在人为确定阈值的不足。

为此，本文提出遗传算法优化Canny算子阈值的方法。Canny算子基于梯度幅值图像确定像素点是否为边缘点，而非灰度图，但目前多数群智能算法寻找最优阈值时仅将灰度值方差设为优化函数。本文针对Canny算子原理，设计背景、边缘两类像素点的梯度幅值方差为优化函数，通过遗传算法寻找优化函数最大值的对应阈值。该方法根据图像特点自动选取独立的高、低阈值，较传统Canny算子适应性更强。实验结果表明，该算法能准确提取纹样真实边缘，效果优于传统Canny算子、混合蛙跳自适应Canny算子、Outs最大值优化Canny算子等方法。

1 研究现状

1.1 基于统计学的方法

在基于统计学寻找Canny算子阈值的研究中，Rong等［12］将图像分为边缘信息较少和较多的图像，分别提出了基于图像梯度幅均值和标准差的阈值选择方法。王植等［13］将图像分割为若干子图，根据子图的边缘梯度信息和全局边缘梯度特征，自适应生成动态阈值。杨永杰等［14］对图像灰度变换后，用Otsu算法得到阈值。胡克满等［15］取图像的平均方差和平均灰度作为高低阈值，完成了织物瑕疵点检测。王艺玮等［16］利用基于灰度图的Otsu法确定最优高阈值，将高阈值的0.5倍设置为最低阈值，完成侗锦图案提取，由于阈值比例固定，会丢失边缘信息或出现伪边缘。李牧等［17］提出基于梯度幅度直方图和类内方差最小化的阈值确定方法。Gao等［18］和唐路路等［19］的研究均使用基于梯度的Otsu法确定阈值。这些方法在一定程度上解决了人为确定阈值的问题，为群智能算法的优化函数设计提供了参考，但部分算法计算量大，处理大型图像时运算缓慢。

1.2 基于深度学习的方法

随着深度学习被应用于图像边缘检测，部分研究通过深度神经网络学习最佳阈值，输入Canny算子对图像边缘检测。Schmid-Schickhardt［20］提出基于深度学习的自适应Canny边缘检测（CED）方法，其中预测模型使用带有代理网络的三模型管道训练，验证模型为给定图像选择最佳阈值。Choi等［21］采用演员—评论家强化学习算法确定阈值，演员网络使用预训练权重提取图像特征，通过全连接层产生阈值均值和标准差，但该方法不能完全应对阈值反转，边缘评估网络仍需有监督的方式训练。总体而言，基于深度学习的方法需要大量标注边缘的图像数据集，对于织绣文物纹样边缘图像，可行性较低。

1.3 基于群智能的方法

群智能算法是模仿自然界生物种群社会行为规律的元启发式算法，具有简单、灵活、自适应的特点，广泛用于图像处理领域，其中粒子群算法［22］、混合蛙跳算法［23］、萤火虫算法［24］、烟花算法［25］、人工蜂群算法［26］等都已被用于求解Canny算子最优阈值。这些研究在一定程度上解决了 Canny算子阈值确定的问题，但上述算法也存在陷入局部最优的缺点。

遗传算法是一种随机优化与搜索方法，具有简单、通用、全局优化和鲁棒性的优点，已在图像预处理、边缘检测、图像分割、目标检测、去噪和识别等图像处理领域应用［27-28］。用遗传算法优化Canny算子图像边缘检测效果的关键在于设计合理的适应度函数。其中，PavloviS等［29］将优化函数设置为错误检测像素（WD）与正确检测像素（RD）的跟随比，用遗传算法对轨道检测中的Canny算子阈值进行优化。陈燕龙等［30］针对遗传算法收敛速度慢的问题，对阈值进行二次寻优，提高算法的实时性，并采用Otsu值作为评价函数。Zhao等［31］利用Mallat小波变换对图像的弱边缘强化，进而结合文献［30］提出的算法对路面边缘检测。胡佳林等［32］采用半像素插值法将3×3模板扩展成5×5模板，对每个子块采用二次寻优遗传算法迭代最佳阈值，同样采用Otsu值作为评价函数。Otsu算法设定阈值将像素点分为目标区域和背景区域两类，计算类间灰度值方差，选取方差最大对应的阈值为图像分割阈值［19］。但在Canny算子边缘检测算法中，基于梯度幅值图像确定像素点是否为边缘点，而非灰度图。因此，本文针对Canny算子原理设计了种群进化的适应度函数，将该函数设置为背景、边缘两类像素点的梯度幅值方差，通过寻找优化函数最大化确定最优阈值，以获得图像的精确边缘检测图。

2 研究方案

2.1 图像获取与特征分析

本文选取的研究对象来源于“北京服装学院民族服饰博物馆网站”中的织绣文物图像。图像为“.PNG”格式，水平或垂直分辨率大于1000像素，每幅图像可达到百万像素以上级别，织绣纹样轮廓结构清晰可见。经分析，织绣文物图像有以下特点：

2.1.1 图案和纹样丰富

织绣文物的图案和纹样丰富多样，具有独特的艺术风格。既有花卉、鸟兽、山水、人物等自然和人文主题描绘，也有抽象、几何风格的纹样，还有寓意深远的吉祥图案。这些图案和纹样既是装饰，也承载着文化、历史和民俗的内涵。

2.1.2 背景复杂多样

织绣中纹样间纵横交错，存在互相遮挡的情况，不利于纹样抽取。因此，本文研究对象只选取以纯色布料为纹样背景的织绣文物，如图1所示。

2.1.3 普遍存在噪声

首先，织物有特定组织结构，图像中以线条、网格、花纹等形式呈现的织物纹理明显，展现出有规律的重复和交错。其次，织绣文物历经岁月洗礼，有一定程度的污损和褪色，在织品的不同区域表现有不均匀的磨损、褪色和模糊。再次，文物扫描过程中存在布料放置不平整、光源不均匀的影响，产生局部色差。最后，部分织物长期折叠存放形成的褶皱，也会导致纹样形变。

2.2 研究路线

根据织绣文物图像特点，本文拟定以下研究路线：首先对有噪声的原始图像平滑处理，采用双边滤波算法［33］和均值漂移算法（Mean-Shift） ［34］两种算法;再对平滑后的图形灰度化，选取遗传算法求解Canny算子的最优阈值，把最优阈值输入Canny算子对灰度图边缘检测；为填充边缘检测图像的边缘凹陷，使纹样轮廓更加清晰，对边缘图像形态学膨胀;在此基础上，根据每个连通域的面积、长度和宽度自动过滤掉噪点和不完整纹样，以便得到完整纹样目标的更精确轮廓;最后，为图像添加α通道，抽取纹样前景区域，研究框架如图2所示。

3 织绣图像边缘检测与纹样获取

3.1 图像预处理

3.1.1 平滑纹理

织绣文物图像噪声会对纹样的提取带来干扰，为此采用保边平滑处理。双边滤波算法和Mean-Shift算法能在去除彩色图像纹理噪声的同时较好保持图案原有的边缘［2］。考虑空间邻近度与像素值相似度，双边滤波算法将颜色域的高斯滤波函数和空间域的滤波函数结合，在滤除噪声的同时保持图像细小的颜色边界完整。Comaniciu等［35］提出的Mean-Shift算法因计算量小，易于实现，且可保留被测图像的显著特征，已被广泛应用。本文在使用双边滤波算法对原始图像平滑纹

理的基础上，再使用Mean-Shift算法对图像纹理抑制平滑滤波，使得图像平滑纹理，但又保留纹样边缘信息。

3.1.2 灰度图转换

Canny算子进行边缘检测的输入要求是灰度图像，需要对平滑后的彩色图形灰度化。根据人眼的色彩敏感度，对RGB三通道的像素值加权平均，得到该像素点灰度。通常RGB三通道对应的加权系数为0.299、0.587、0.114。

3.2基于Canny算子的边缘检测

1986年John Canny提出的Canny边缘检测器方法［36］，由于抑燥比大、检测精度高被广泛使用［25］，在织物纹样边缘检测领域也有较好的应用效果［16］。Canny算子进行图像边缘检测的步骤为［37］：1）高斯滤波器抑噪。使用高斯滤波器对原始图像卷积平滑。2） 梯度幅值和方向图计算。对平滑后的图像计算梯度方向和梯度幅值，根据梯度方向以45°划分为八个方向，找到邻接像素。3）梯度幅值图非极大值抑制。保留沿梯度方向的最大梯度值像素，将其他像素置0。4）阈值设定和边缘连接。设定高低阈值，像素点梯度幅值大于高阈值的为边缘点，小于低阈值的为非边缘点，两者之间的需要进一步判断该点是否与边缘点八连通，连通则为边缘点。

经典的Canny算子边缘检测算法的缺点在于阈值需要人为设定，通过实验和经验值判断设定阈值，改善边缘检测效果。在处理大量图像时，适合每张图片的参数都不同，因此该方式效率不高。

3.3基于改进Canny算子的阈值优化

本文提出一种基于遗传算法的自适应确定阈值方法，根据每幅图像的特征自动确定双阈值。遗传算法（Genetic Algorithm，GA）是利用达尔文种群进化准则解决自然选择优化问题的方法，由Holland于20世纪70年代提出［38］。用遗传算法优化Canny算子图像边缘检测效果的关键在于适应度函数的设计。本文借鉴Otsu算法使类间灰度值方差最大化自动确定阈值的思想［39］，将背景、边缘两类像素点的梯度幅值方差设置为适应度函数，提高求解效率。

3.3.1 适应度函数设计

Otsu算法设定阈值将像素点分为目标区域和背景区域两类，计算类间灰度值方差，选取方差最大对应的阈值为图像分割阈值［19］。在Canny算子边缘检测算法中，一般不考虑灰度值，基于像素点本身的梯度幅值确定像素点是否为边缘点。因此，本文根据像素点的梯度幅值将像素点分为D1、D2两类，其中D1为原图非边缘点，包含梯度幅值为｛t1， t2，…，tk， tk + 1，…，tm-1｝的像素点；D2为原图边缘点，包含梯度幅值为｛ tk + 1，tk+2，…，tm，tm + 1，…，tl｝的像素点，k和m分别为Canny算子的低、高阈值。设像素点总数为N，梯度幅值为tj对应的像素点数量为nj，概率为pj= nj/N， （j = 1，2，…，l）。整个图像的梯度幅值期望为：

式中：两类像素点梯度幅值类间方差 σ2（ k，m）最大时对应的（k，m）为Canny算子的当前图像边缘检测最优阈值。

3.3.2遗传算法优化Canny算子

使用遗传算法优化Canny算子边缘检测的过程就是求解式（6）最优解的过程，具体流程如图3所示。主要步骤如下：

1）种群初始化。设置种群大小n，变异概率Pm，最大进化代数T，当前代数G，随机生成n个个体作为初始化种群P0。n如果过大容易找到最优解，但计算量变大，如果过小计算量小，但难以找到全局最优解，一般设置在20 ～ 100。Pm —般较小，0.05 ～0.1较为合适。代数T太小种群还不成熟算法不易收敛；反之收敛后继续进化徒增时间开支和资源浪费。实验发现，算法迭代到10次以上最大适应度已趋于稳定，算法趋于收敛，故本文将最大迭代次数设置为20。

2）编码与解码。采用格雷码，作为二进制编码的一种变形，它在拥有二进制编码的全部优点的同时，还拥有更优的局部搜索能力［40］。将低阈值TL和高阈值TH取值范围设置为［0，255］，对应每条染色体长度为8。

3）适应度评估。使用式（6）作为适应度函数。

4）选择。采用锦标赛选择算法，模仿淘汰赛制，每次在种群中随机抽取Tourn个个体参与竞争，适应值最优的作为父体。重复该操作，直到被选集合达到需要选择的个体数。随机选择算子的使用，增加了种群多样性和随机性，防止最优个体支配种群［41］，避免早熟和局部最优［42］。

5）交叉。采用两点交叉，即在相互配对的两个个体编码串中随机设置两个交叉点，交换交叉点之间的部分染色体。

6）变异。采取基于多项式变异算子的变异操作，对染色体中的每个基因位以概率Pm变异。在多项式变异中，当前元素值以一定概率加上一个服从多项式概率分布的值得到邻近值［43］。

7）算法终止。在连续Tc代适应度没有明显改进，或达到最大进化代数T时，终止算法迭代，得到最优阈值，输入Canny算子进行边缘检测，得到织绣文物图像的初始边缘图。

3.4 纹样获取

3.4.1 形态学膨胀

膨胀是形态学基础变换之一，在噪声消除、元素分割、连接等图像处理任务中得到应用［44］。膨胀为求局部最大值的操作，本文按AB = { z | （B） z ∩A≠?}规则做形态学膨胀。其中，A为图像，B为3×3矩形实心核，其锚点在中心，A?B表示A被B膨胀。其作用是填充分割后疵点图像的边缘凹陷、内部沟槽等。对边缘图像形态学膨胀，能解决断裂区域的连接问题，并使纹样轮廓更清晰，便于抓住纹样本质的形状特征。

3.4.2 纹样抽取

针对小瑕疵点和拍摄原因造成的不完整的纹样，计算每个连通域的面积，统计长度和宽度，据此自动过滤掉部分噪点和不完整纹样，使纹样目标轮廓更精确。最终，在R、G、B三通道基础上为添加α通道（即Alpha通道，透明度），将背景区域透明化，抽取出纹样前景区域。

4 实验与分析

根据现有资料［11，45-47］将纹样分为植物纹样、动物纹样、人物纹样、器物纹样、景物纹样、几何纹样、文字纹样、吉祥寓意纹样、其他等。本文随机选取100张织秀图像，涵盖上述各

类，抽取其中纹样。实验使用Apple M1 Ultra芯片，20核，64 GB内存;软件环境为macOS Monterey 12.6.4操作系统，Python 3.10 和 OpenCV 4.7 编程环境。

4.1 平滑降噪

选取双边滤波算法和Mean-Shift算法对原始彩色织绣图像纹理抑制平滑滤波，双边滤波中有三个重要的参数，分别为滤波窗口大小d，颜色空间滤波器标准差吟和坐标空间滤波器标准差 σs。本文将d设置为max（3，max（w，h） /200），其中w和h分别为图像的宽和高，将 σc 和 σs均设置为50。Mean-Shift算法中的参数有空间窗口大小ds和颜色窗口大小dc，设置准则与双边滤波算法相同，迭代终止准则为最大迭代5次，误差容差为1。平滑后的图像如图4所示，可以看出图像经双边滤波后部分织线纹理已消除，经Mean-Shift算法处理后绝大部分纹理已经去除，图像平滑，但保留了纹样边缘信息。

4.2自适应Canny算子纹样边缘检测

分别采用Sobel算子、Roberts算子、Prewitt算子、传统Canny算子（高低阈值比设置为2：1）和本文算法对同一织绣文物图像进行边缘检测，并进行效果对比，如图5所示。

由图5对比结果表明，Sobel算子检测出的边缘有较多重影，Roberts算子检测出的轮廓不清晰，Prewitt算子检测出的边缘部分轮廓连续性较差，传统Canny算子提取出的轮廓有较多噪点，本文算法提取的轮廓清晰且连续。

4.3 纹样抽取

为增强图像中纹样边缘的清晰度和连续性，对轮廓做形态学膨胀，进而根据连通域的面积、长度和宽度自动过滤掉一些噪点和不完整纹样。对原图添加α通道，将纹样轮廓外的区域全透明显示，得到图像中的所有完整纹样，如图6（d）所示。

4.4 算法有效性与鲁棒性评价

为验证本算法的有效性，分别抽取服饰、材料、陈设用织绣品和织绣书画等不同种类的织绣文物中的纹样，部分结果如表1所示。使用Photoshop软件人工抠取的目标纹样作为正确分割的参照对象，采用像素准确度（PA）来评估目标图案的分割精度［9］。fpA为分类正确的像素数量与所有实验所得分类像素数量的比值：

式中：TP为分类正确的像素数量，FP为分类错误的像素数量。

结果表明，本文算法可有效检测织绣文物中纹样边缘，提取的纹样轮廓清晰、完整度高，能成功对不同种类织绣文物抽取纹样，且有较高的鲁棒性。

在现实保存中，织绣文物折叠存放，存在褶皱情况，导致纹样形变。孙晓婉等［48］基于结构线拟合算法对形变的丝绸文物进行修复，效果良好。为进一步检验本算法的鲁棒效果，抽取存在褶皱形变的织绣文物纹样。对图7（a）中石青缎五彩绣折枝散花女袄进行纹样抽取，最终得到的纹样如图7（b）所示。由图7（b）可见，所有完整纹样均抽取成功，表明本文所述算法具有良好的适应性和鲁棒性。

4.5 评价结果分析

为客观评价抽取效果，验证算法有效性，本文采用周峰等［49］提出的纹样抽取精度指标，即抽取出的边缘完整轮廓清晰的纹样个数与图像中所有完整有效纹样个数的比例。将本文方法的纹样抽取精度指标、PA值，与使用Sobel算子、传统Canny算子（高低阈值比设置为2：1）、基于梯度幅值类间最大化求阈值［18-19］、Otsu求阈值［16]、混合蛙跳算法自适应Canny算子［23］、基于Otsu的遗传算法求阈值方法［32］得到的纹样抽取精度、PA值和边缘检测算法运行时间进行定量比较。

经统计，随机选取的100张图片中共含1 243个完整有效纹样，7种算法抽取纹样效果和算法运行时间如表2所示。在纹样抽取效果上，使用本文算法纹样有效抽取个数为1 211个，抽取精度为97.4%，PA值为0.961，高于其他五种方法，略低于基于梯度幅值类间最大化求取双阈值算法，表明本文算法在纹样抽取效果上稍逊于未使用遗传算法的基于梯度幅值的Otsu算法，但遗传算法的使用极大地提高了本算法的运行效率。在算法运行时间上，本算法稍慢于Otsu + Canny、SFLA +Otsu + Canny、GA + Otsu + Canny算法，因为基于梯度幅值的Otsu算法比Otsu算法增加了高斯滤波器抑噪、梯度幅值和方向图计算、梯度幅值图非极大值抑制步骤。纹样抽取任务与道路边缘检测、行人检测等任务不同，不要求实时性，所以纹样抽取精度比算法运行时间更重要。综上，本文算法优于其他六种算法。

5 结 论

织绣文物蕴含深厚的文化底蕴和艺术价值，通过纹样抽取，设计者可以将传统文化元素融入现代设计，打造独特的文创产品。本文提出了基于遗传算法自适应确定Canny算子阈值的织绣文物纹样抽取方法，算法将边缘点与非边缘点梯度幅值类间方差设置为适应度函数，通过遗传算法寻找适应度函数全局最优解，解决了传统Canny算子对织绣文物图像边缘检测需人为确定阈值、抽取效率不高的问题。实验表明，算

法可以准确检测织绣文物图像中纹样真实边缘，较其他五种传统算子检测出的边缘更加清晰、连续性更强。在纹样抽取精度和像素准确度（PA）上，优于传统Canny算子、混合蛙跳自适应Canny算子、Otsu最大值优化Canny算子等已有方法。对存在褶皱而导致纹样形变的织绣文物抽取纹样，所有的纹样均抽取成功，算法鲁棒性强。

在文创设计过程中，文创素材数字化是首要步骤。此外，对纹样蕴含的历史文化、艺术内涵、独特故事和象征意义等知识的把握和运用，可以更加准确地抓住其所代表的文化精髓和情感表达。为此，未来开展纹样、知识等多模态信息的融合挖掘研究，具有更深入的意义和价值。

参考文献：

[1]李英华.论我国古代的观赏性织绣[J].故宫博物院院刊，1993（2）： 33-44.

LI Y H.On ornamental weaving and embroidery in ancient China [J].Palace Museum Journal， 1993（2）： 33-44.

[2]赵崧灵，徐凯忆，张健，等.基于图像的织物图案和颜色主题提取研究进展[J].丝绸， 2022， 59（8）： 90-99.

ZHAO S L， XU K Y， ZHANG J， et al.Research progress of image-based fabric pattern and color theme extraction [J].Journal of Silk，2022， 59（8）： 90-99.

[3]李俞霏，梁惠娥.明代织物纹样的智能提取：以斗牛袍为例[J].丝绸， 2018， 55（11）： 53-58.

LI Y F， LIANG H E.Intelligent extraction of patterns from Ming Dynasty fabrics： The case study of the bullfight robe[J].Journal of Silk， 2018， 55（11）： 53-58.

[4] CHEN D L， CHENG P P.A method to extract batik fabric pattern and elements[J].Journal of the Textile Institute， 2020， 112 （7）：1093-1099.

[5]侯小刚，陈洪，赵海英.融合形态学连通域和CV模型的民族服饰图案纹样元素分割方法[J].浙江大学学报（理学版），2019，46（3）： 288-294.

HOU X G， CHEN H， ZHAO H Y.The national costume pattern elements segmentation by incorporating morphology connected component and CV model [J].Journal of Zhejiang University （Science Edition）， 2019， 46（3）： 288-294.

[6]刘梦林，王晓云，许君.图像提取技术在服装轮廓与图案提取中的研究进展[J].北京服装学院学报（自然科学版），2020， 40（3）： 96-105.

LIU M L， WANG X Y， XU J.Research progress of image extraction technology in clothing contour and pattern extraction [J].

Journal of Beijing Institute of Fashion Technology （Natural Science Edition）， 2020， 40（3）： 96-105.

[7] XU B Q， LIU X J， LU C F， et al.Transferring the color imagery from an image： A color network model for assisting color combination [J].Color Research & Application， 2019， 44 （2）：205-220.

[8]刘静，庄梅玲，商蕾，等.基于色彩聚类的皮影服饰纹样分割[J].现代纺织技术， 2021， 29（5）： 71-77.

LIU J， ZHUANG M L， SHANG L， et al.Pattern segmentation of shadow puppetry costumes based on color clustering [J].Advanced Textile Technology， 2021， 29（5）： 71-77.

[9]刘静，庄梅玲，石历丽，等.基于纹理平滑和GrabCut的皮影图案轮廓的智能提取[J].丝绸， 2020， 57（11）： 20-27.

LIU J， ZHUANG M L， SHI L L， et al.Intelligent contour extraction of shadow patterns based on texture smoothing and GrabCut [J].Journal of Silk， 2020， 57（11）： 20-27.

[10]肖扬，周军.图像边缘检测综述[J].计算机工程与应用，2023，59（5）： 40-54.

XIAO Y， ZHOU J.Overview of image edge detection [J].Computer Engineering and Applications， 2023， 59（5）： 40-54.

[11]刘婷婷，潘伟杰，吕健，等.基于OpenCV的蜡染图案快速定制系统[J].计算机系统应用，2022，31（6）：65-74.

LIU T T， PAN W J， LU J， et al.Rapid customization system of batik pattern based on OpenCV [J].Computer Systems & Applications， 2022， 31（6）： 65-74.

[12] RONG W， LI Z， ZHANG W， et al.An improved Canny edge detection algorithm [C] / / 2014 IEEE International Conference on Mechatronics and Automation.New York： IEEE， 2014.

[13]王植，贺赛先.一种基于Canny理论的自适应边缘检测方法[J].中国图象图形学报， 2004（8）： 957-962.

WANG Z， HE S X.An adaptive edge-detection method based on Canny algorithm [J].Journal of Image and Graphics， 2004 （8）：957-962.

[14]杨永杰，陈香，唐钰婷，等.基于灰度变化后阈值分割的丝带检测[J].丝绸，2013，50（9）：36-40.

YANG Y J， CHEN X， TANG Y T， et al.Ribbon detection based on threshold segmentation after grey level transformation [J].Journal of Silk， 2013， 50（9）： 36-40.

[15]胡克满，罗少龙，胡海燕.应用Canny算子的织物疵点检测改进算法[J].纺织学报，2019， 40（1）：153-158.

HU K M， LUO S L， HU H Y.Improved algorithm for fabric defect detection based on Canny operator[J].Journal of Textile Research，2019， 40（1）：153-158.

[16]王艺玮，郭虹，易兵.湖南侗锦图案的自动提取[J].丝绸，2023， 60（5）：113-119.

WANG Y W， GUO H， YI B.Automatic extraction of Hunan Dong brocade patterns[J].Journal of Silk， 2023， 60（5）：113-119.

[17]李牧，闫继红，李戈，等.自适应Canny算子边缘检测技术[J].哈尔滨工程大学学报， 2007（9）：1002-1007.

LI M， YAN J H， LI G， et al.Self-adaptive canny operator edge detection technique [J].Journal of Harbin Engineering University，2007（9）： 1002-1007.

[18] GAO J， LIU N.An improved adaptive threshold Canny edge detection algorithm [C] / / 2012 International Conference on Computer Science and Electronics Engineering.New York： IEEE，2012.

[19]唐路路，张启灿，胡松.一种自适应阈值的Canny边缘检测算法[J].光电工程， 2011， 38（5）： 127-132.

TANG L L， ZHANG Q C， HU S.An improved algorithm for canny edge detection with adaptive threshold [J].Opto-Electronic Engineering， 2011， 38（5）： 127-132.

[20] SCHMID-SCHICKHARDT D.Adaptive Canny Edge Detection：Hysteresis Thresholds with Deep Learning [D].Nijmegen：Radboud University， 2021.

[21] CHOI K H， HA J E.An adaptive threshold for the Canny edge with actor-critic algorithm[J].IEEE Access， 2023， 11： 67058-67069.

[22]缪晶晶，崔长彩，周丽君，等.基于粒子群优化算法的金刚石砂轮磨粒边缘提取[J].图学学报， 2015， 36（2）： 238-243.

MIAO J J， CUI C C， ZHOU L J， et al.Grains detection of diamond grinding wheel based on particle swarm optimization [J].Journal of Graphics， 2015， 36（2）： 238-243.

[23]樊石，任小洪.混合蛙跳优化算法的裱糊线机器人边缘提取[J].包装与食品机械， 2020， 38（1）： 50-54.

FAN S， REN X H.Edge extraction of pasting robot based on shuffled frog leaping optimization algorithm [J].Packaging and Food Machinery， 2020， 38（1）： 50-54.

[24]闫丽梅，褚思琦，徐建军，等.基于GSO-Canny算法的输电线路覆冰厚度检测度].国外电子测量技术，2022，41（2）：157-161.

YAN L M， ZHU S Q， XU J J， et al.Detection of ice thickness of transmission line based on GSO-Canny algorithm [J].Foreign Electronic Measurement Technology， 2022， 41 （2）： 157-161.

[25]王坤，刘沛伦，王力.基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测[J].红外技术，2021， 43（5）：443-454.

WANG K， LIU P L， WANG L.Infrared image adaptive Cannyedge-detection of aircraft skin based on fast fireworks algorithm[J].Infrared Technology， 2021， 43（5）： 443-454.

[26]李磊，李英娜，赵振刚.基于改进Canny算子的输电导线图像边缘检测[J].电力科学与工程，2021， 37（12）：19-27.

LI L， LI Y N， ZHAO Z G.Edge detection of transmission line image based on improved Canny operator [J].Electric Power Science and Engineering， 2021， 37 （12）： 19-27.

[27] SOURABH K， SINGH C S， VIJAY K.A review on genetic algorithm： Past， present， and future [J].Multimedia Tools and Applications， 2021， 80（5）： 8091-8126.

[28] LEE M K， LEUNG S W， PUN T L， et al.Edge detection by genetic algorithm [C] / / Proceedings 2000 International Conference

on Image Processing （Cat.No.00CH37101）.New York： IEEE，2000.

[29]PAVLOVICM， NIKOLIC V， SIMONOVIC M， et al.Edge detection parameter optimization based on the genetic algorithm for rail track detection [J].Facta Universitatis， Series： Mechanical Engineering， 2019， 17（3）： 333-344.

[30]陈燕龙，祝成虎.基于Canny算子的边缘检测改进算法[J].计算机应用与软件， 2008（8）： 51-53.

CHEN Y L， ZHU C H.Improved edge detection algorithm based on Canny operator[J].Computer Applications and Software， 2008（8）： 51-53.

[31] ZHAO H， QIN G， WANG X.Improvement of canny algorithm based on pavement edge detection [C] / / 2010 3 rd International Congress on Image and Signal Processing.New York： IEEE， 2010.

[32]胡佳林，刘波峰，何玉成.基于遗传算法的Canny边缘检测算子在配药机器人中的应用[J].传感器与微系统，2013， 32（7）：141 -143.

HU J L， LIU B F， HE Y C.Application of Canny edge detection operator based on genetic algorithm in dispensing robot [J].Transducer and Microsystem Technologies， 2013， 32 （7）：141 -143.

[33]傅艺扬，刘妹琴，樊臻，等.基于纹理滤波和颜色聚类的提花织物纹样自动提取方法[J].丝绸，2019， 56（12）：9-15.

FU Y Y， LIU M Q， FAN Z， et al.Automatic pattern extraction of jacquard fabric based on texture filtering and color clustering [J].Journal of Silk， 2019， 56（12）：9-15.

[34]景军锋，赵娟.基于Mean Shift滤波的织物疵点检测方法[J].电子测量与仪器学报， 2016， 30（5）：739-747.

JING J F， ZHAO J.Fabric defect detection based on Mean Shift filtering [J].Journal of Electronic Measurement and Instrumentation， 2016， 30（5）：739-747.

[35] COMANICIU D， MEER P.Mean shift：A robust approach toward feature space analysis [J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（5）：603-619.

[36] CANNY J.A computational approach to edge detection [J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 1987， 8（6）：184-203.

[37]郭运冲，李孟军，刘名果，等.基于Canny子的建筑裂缝边缘检测改进算法[J].计算机仿真， 2022， 39（11）：36算0-365.

GUO Y C， LI M J， LIU M G， et al.Improved algorithm for edge detection of building cracks based on Canny operator[J].Computer Simulation， 2022， 39（11）：360-365.

[38] HOLLAND J B， HOLLAND J， HOLLAND J H， et al.Adaption in natural and artificial systems [J].Ann Arbor， 1975， 6 （2）：126-137.

[39]卢思童，刘让同，李淑静，等.表征织物中液态水传输域图像的分割遗传算法[J].毛纺科技， 2022， 50（9）： 75-81.

LU S T， LIU R T， LI S J， et al.Segmentation genetic algorithm for characterizing liquid water transport domain images in fabrics [J].Wool Textile Journal， 2022， 50（9）： 75-81.

[40]葛继科，邱玉辉，吴春明，等.遗传算法研究综述[J].计算机应用研究， 2008（10）： 2911-2916.

GE J K， QIU Y H， WU C M， et al.Summary of genetic algorithms research [J].Application Research of Computers， 2008（10）： 2911-2916.

[41]唐彩红.遗传算法确定特征权重值的图像分类[J].现代电子技术， 2020， 43（3）： 58-61.

TANG C H.Image classification to determine feature weight values by genetic algorithm[J].Modern Electronics Technique， 2020， 43（3）： 58-61.

[42]黄松，邱建林.改进的遗传K-means算法及其应用[J].计算机工程与设计， 2020， 41（6）： 1617-1623.

HUANG S， QIU J L.Improvement of K-means clustering algorithm based on genetic algorithm and its application [J].Computer Engineering and Design， 2020， 41（6）： 1617-1623.

[43] DEB K， GOYAL M.A combined genetic adaptive search （GeneAS） for engineering design [J].Computer Science and Informatics， 1996， 26： 30-45.

[44] KAEHLER A， BRADSKI G.Learning OpenCV 3： Computer Vision in C + + with the OpenCV Library [M].Sevastopol：O Reilly Media Inc， 2016.

[45]谷莉.宋辽夏金装饰纹样研究[D].苏州：苏州大学，2011.

GU L.On Decorative Patterns of Liao， Song， Xia and Jin Dynasty Abstract[D].Suzhou： Soochow University，2011.

[46]田自秉，吴淑生，田青.中国纹样史[M].北京：高等教育出版社，2003.

TIAN Z B，WU S S，TIAN Q.History of Chinese Patterns [M].Beijing： Higher Education Press，2003.

[47]古月.中国传统纹样图鉴[M].北京：东方出版社，2010.

GU Y.Illustrated Guide to Traditional Chinese Tattoos [M].Beijing： Oriental Publishing House，2010.

[48]孙晓婉，贾静，徐平华，等.基于结构线拟合的残损丝织品文物虚拟修复[J].丝绸，2023，60（1）： 1-8.

SUN X W，JIA J，XU P H，et al.Virtual restoration of defective silk cultural relics based on structure line fitting[J].Journal of Silk，2023，60（1）： 1-8.

[49]周峰，班倩.基于B氏距离准则的图案几何纹样提取仿真[J].计算机仿真，2021，38（8）： 492-496.

ZHOU F，BAN Q.Simulation of geometric pattern extraction based on B-distance criterion [J].Computer Simulation，2021，38 （8）：492-496.

Research on the extraction method of woven and embroidered artifacts' patterns based on genetic algorithm optimization of Canny operator

ZHANG Yu1 ZHANG Jian1 2 QI Lin1 3

1a.School of Economics & Management 1b.Key Research Base of Beijing Municipal Cultural Heritage Bureau Beijing Information Science & Technology University Beijing 100192 China 2.Beijing World Urban Circular Economy System

Industry Collaborative Innovation Center Beijing 100192 China 3.Beijing Key Lab of Green Development Decision Based on Big Data Beijing 100192 China

Abstract Weaving and embroidering are the craft of weaving knitting or embroidering with cotton linen silk wool and other textile materials.China is the starting point of the Silk Road the birthplace of sericulture silk reeling and silk weaving and the exquisite skills of the weaving and embroidery industry enjoy a high reputation in the world.The patterns of woven and embroidered artifacts present historical cultural and artistic values highlight the formal beauty of plastic arts in traditional Chinese culture and provide rich material resources for cultural and creative design.However the traditional weaving and embroidering design mainly relies on manual pattern extraction which has problems such as high cost complicated steps long cycle and low efficiency.To this end this paper proposed an algorithm based on genetic algorithm to adaptively determine the optimal threshold value of Canny operator to automatically extract the patterns in the images of woven and embroidered artifacts， improve the extraction efficiency and effect， make the artifacts "live"， and promote the inheritance and protection of traditional Chinese culture.

To realize the automatic extraction of patterns from images of woven and embroidered artifacts and solve the problem that traditional Canny operators need to manually determine the threshold for edge detection of images of woven and embroidered artifacts and that the extraction efficiency is not high the article took the images of woven and embroidered artifacts as the research object proposing a genetic algorithm to optimize the Canny operator for the extraction of patterns from woven and embroidered artifacts.Firstly the paper analyzed the characteristics of the images of the woven and embroidered artifacts and used bilateral filtering algorithm and mean drift algorithm to smooth the noisy original image for the gray scale of the smoothed graph it selected the genetic algorithm to solve the optimal threshold of Canny operator and input the optimal threshold into Canny operator for the edge detection of the gray scale graph.Then the paper expanded the morphology of the edge image and automatically filtered out noise and incomplete pattern samples based on the area length and width of each connectivity domain.Finally the algorithm was evaluated for the effect of extracting patterns and the algorithm，s running time.Experiments show that the algorithm can accurately detect the real edges of the pattern in the image of the woven and embroidered artifacts and the edges detected are clearer and more continuous than those detected by the other five traditional operators.In terms of pattern extraction precision and pixel accuracy PA it is better than the existing methods such as traditional Canny operators hybrid frog jump adaptive Canny operator Otsu maximum optimized Canny operator and so on.The algorithm is robust to the presence of folds that lead to pattern deformation in the woven and embroidered artifacts and all the patterns are successfully extracted.The algorithm can effectively detect the real edges of the patterns in the image of woven and embroidered artifacts and complete the pattern extraction.

Woven and embroidered artifacts contain deep cultural heritage and artistic value and through pattern extraction designers can integrate traditional cultural elements into modern design to create unique cultural and creative products.In this paper the algorithm solves the problem that the traditional Canny operators need to determine the threshold value for the edge detection of woven and embroidered artifacts and that the extraction efficiency is not high.In the process of cultural and creative design the digitization of cultural and creative materials is the first step.In addition the grasp and application of the knowledge of history and culture artistic connotations unique stories and symbolic meanings embedded in patterns can more accurately capture the essence of the culture and the emotional expression it represents.For this reason it is of deeper significance and value to carry out research on the integration and mining of multimodal information such as patterns and knowledge in the future.

Key words woven and embroidered artifacts genetic algorithm Canny operator edge detection pattern extraction optimal thresholding