湖南侗錦圖案的自動(dòng)提取

王藝瑋 郭虹 易兵

摘要： 為探尋民族織錦文化的最優(yōu)傳承模式，文章將湖南侗錦圖案作為一種傳統(tǒng)的文化符號(hào)與計(jì)算機(jī)圖像處理方法相融合。由于侗錦圖案在人工提取過(guò)程中存在直接取樣難的問(wèn)題，并且提取人員容易加入個(gè)人主觀意愿，為了提高圖案提取效率和準(zhǔn)確度，對(duì)侗錦采取圖像分析法進(jìn)行自動(dòng)提取。首先使用數(shù)碼相機(jī)對(duì)侗錦圖案進(jìn)行有效采集，接著將圖像灰度化，對(duì)處理后的圖像通過(guò)中值濾波算法進(jìn)行噪聲平滑預(yù)處理，再利用大津閾值分割算法求取雙閾值，最后使用Canny算法實(shí)現(xiàn)侗錦圖案的自動(dòng)提取。研究結(jié)果表明：該方法不僅能夠提取出更多完整的邊緣信息，且較人工手法而言更加精確、省時(shí)省力，較其他傳統(tǒng)算法來(lái)說(shuō)更有優(yōu)勢(shì)。

關(guān)鍵詞： 傳統(tǒng)文化;侗錦圖案;圖像處理;大津閾值分割算法;Canny算法

中圖分類(lèi)號(hào)： TS941.26

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1001-7003（2023）05-0113-07

引用頁(yè)碼： 051203

DOI： 10.3969/j.issn.1001-7003.2023.05.015

基金項(xiàng)目：

教育部人文社會(huì)科學(xué)研究項(xiàng)目（20YJE760001）;湖南省社會(huì)科學(xué)成果評(píng)審委員會(huì)課題項(xiàng)目（XSP20YBZ101）;湖南工程學(xué)院研究生科研創(chuàng)新項(xiàng)目（202127）

作者簡(jiǎn)介：

王藝瑋（1997），女，碩士研究生，研究方向?yàn)榉b設(shè)計(jì)與工程。通信作者：易兵，教授，bingyi2004@126.com。

湖南西部、廣西北部及貴州南部三省相鄰區(qū)域是侗族主要分布區(qū)域，其中，湖南通道侗族自治縣是侗錦保存與傳承最為完整的區(qū)域。侗錦作為侗族文化的重要組成部分，不僅可以作為衣衫裝飾，還將侗族所處地貌、歷史文化及民俗風(fēng)情等直接展示出來(lái)。對(duì)于侗族織錦文化，不少學(xué)者都對(duì)其歷史淵源、構(gòu)成方式、工藝流程、文化內(nèi)涵等做了詳盡的研究［1-3］，但對(duì)侗錦圖案進(jìn)行簡(jiǎn)單的紋樣變換重組仍然是侗錦創(chuàng)新的主要方式，關(guān)于侗錦圖案提取技術(shù)的研究也較少。楊建蓉［4］通過(guò)對(duì)侗錦圖騰紋樣和背后的故事以及文化內(nèi)涵解讀分析，探索侗錦在當(dāng)今社會(huì)的傳承與發(fā)展新思路;陳曉玲等［5］將收集到的侗錦紋樣進(jìn)行提取，結(jié)合其生態(tài)背景從抽象仿生、具象仿生和色彩仿生三個(gè)層面研究圖案特征的意義，并將圖案通過(guò)設(shè)計(jì)轉(zhuǎn)換應(yīng)用于現(xiàn)代產(chǎn)品中;舒鸚姿等［6］利用數(shù)字媒體提取到合適的紋樣后，經(jīng)過(guò)重疊變形轉(zhuǎn)換的方式得到新的圖案紋樣，并將其應(yīng)用到服飾、文具、家居等產(chǎn)品形態(tài)中。

在民族文化傳承與發(fā)展過(guò)程中，許多民族服飾圖案都采用人工視覺(jué)法進(jìn)行提取，但由于提取人員容易受到環(huán)境及生理因素的影響，存在個(gè)別差異性，且提取過(guò)程費(fèi)時(shí)費(fèi)力，造成提取結(jié)果準(zhǔn)確度低，無(wú)法滿足人們的需求。隨著圖像處理技術(shù)的不斷進(jìn)步，計(jì)算機(jī)工業(yè)被廣泛地應(yīng)用在服飾發(fā)展與生產(chǎn)中，這為傳統(tǒng)服飾圖案的提取提供了全新的技術(shù)途徑。于是，近年來(lái)的不少學(xué)者都對(duì)二者的結(jié)合做了深入研究。劉靜等［7］首先采用GrabCut算法對(duì)皮影圖案進(jìn)行局部的優(yōu)化分割，然后將分割后的圖案用Canny邊緣檢測(cè)算子進(jìn)行準(zhǔn)確完整的提取，最終得到了完整且清晰的皮影圖案輪廓;李俞霏等［8］采用中值濾波法對(duì)明代斗牛袍進(jìn)行平滑處理后，利用Calinski Harabasz指標(biāo)獲取最佳聚類(lèi)數(shù)，最后通過(guò)K-means聚類(lèi)算法實(shí)現(xiàn)明代織物紋樣的智能提取;邢樂(lè)等［9］討論了云肩實(shí)物圖像的色彩分類(lèi)，采用中值濾波的方法將被測(cè)圖像進(jìn)行過(guò)濾，色彩空間由RGB轉(zhuǎn)化為CIE Lab后，用大津閾值分割算法分離實(shí)物與背景，然后采用Mean-Shift算法聚類(lèi)分析提取了主要色彩。因此，將圖像處理技術(shù)應(yīng)用于侗錦圖案，從設(shè)計(jì)創(chuàng)新的角度結(jié)合圖像處理方法進(jìn)行相關(guān)研究，這對(duì)于侗族織錦文化的深入探究具有積極意義，既可為侗錦這一非物質(zhì)文化藝術(shù)的活態(tài)傳承拓展新方向，也可以豐富服飾設(shè)計(jì)素材。

1 研究路線

經(jīng)過(guò)反復(fù)考量本文將采用Canny邊緣檢測(cè)算子提取圖像輪廓。Canny邊界檢測(cè)算子是一個(gè)在實(shí)際運(yùn)用中十分普遍的多級(jí)邊緣檢測(cè)方法，對(duì)處理大數(shù)據(jù)信息、獲取所需信息、去除某些不相關(guān)的噪聲影響和無(wú)用信息等都具有高效率、高性能的優(yōu)點(diǎn)。一般情形下邊緣檢測(cè)的目的在于利用較少的數(shù)據(jù)量得到較多關(guān)注的數(shù)據(jù)。邊緣檢測(cè)包含多種算法，Canny算子與其他邊緣檢測(cè)算子相比較而言，對(duì)圖像邊緣的識(shí)別準(zhǔn)確度要高很多。Canny算法從1986年至今依舊廣泛使用，原因就在于它擁有良好的信噪比、高精度的定位性能，并且對(duì)單一邊緣僅有唯一響應(yīng)［10］。

經(jīng)典的Canny算法步驟［11］如下：1） 利用Gauss濾波器進(jìn)行圖像的平滑降噪;2） 利用一階偏導(dǎo)的有限差分法求出圖像的強(qiáng)度梯度;3） 用“非最大值抑制”的梯度幅度來(lái)消除邊緣錯(cuò)檢;4） 人工根據(jù)經(jīng)驗(yàn)設(shè)置高、低閾值，并對(duì)邊緣進(jìn)行檢測(cè)和連接。

由于經(jīng)典Canny算法中經(jīng)過(guò)高斯濾波器處理后的圖像很難濾除椒鹽噪聲的干擾，高低閾值的選取需要根據(jù)反復(fù)實(shí)驗(yàn)后人為設(shè)定，所以本文針對(duì)侗錦圖案輪廓的提取提出如下方法：1） 使用高清數(shù)碼相機(jī)對(duì)傳統(tǒng)侗錦進(jìn)行采集;2） 將采集后的圖像灰度化;3） 采用中值濾波算法對(duì)圖像進(jìn)行降噪;4） 使用大津法對(duì)圖像中侗錦圖案求取雙閾值；5） 將雙閾值代入Canny算子中提取圖像輪廓。具體算法流程如圖1所示。

2 實(shí)驗(yàn)與圖像預(yù)處理

2.1 圖像采集

本文選用高清數(shù)碼相機(jī)，在白色背景LED光源、垂直拍攝距離2 m的條件下對(duì)彩色圖像進(jìn)行拍攝采集。保證光線條件統(tǒng)一，獲得的侗錦圖案圖像應(yīng)具有兩個(gè)重要特點(diǎn)：1） 色彩高度保真。使用先進(jìn)的圖像采集設(shè)備，采集的圖像圖案清晰，色彩失真度小，可以很好地保留圖像細(xì)節(jié)。2） 圖案輪廓流暢完整，線條平滑清晰。噪點(diǎn)污點(diǎn)較少，邊界光滑［12］。

2.2 圖像預(yù)處理

2.2.1 圖像灰度化

彩色圖像轉(zhuǎn)換為灰度圖像稱(chēng)為圖像灰度化，灰度圖就是使彩色的R、G、B三個(gè)分量值均等。由于一張圖片的色彩是由R、G、B三部分組成，各部分的顏色范圍都是0～255（其中白色為0，黑色為255）。如使用彩色圖像則會(huì)對(duì)后續(xù)的預(yù)處理和提取過(guò)程增加計(jì)算步驟與時(shí)長(zhǎng)，所以將圖像進(jìn)行灰度化處理是整個(gè)算法步驟中不可或缺的一步。

經(jīng)過(guò)灰度化處理的效果如圖2所示，不難看出灰度化處理很好地保留了圖片的邊緣與紋理細(xì)節(jié)，并且大幅減少了圖片所需儲(chǔ)存空間，為后續(xù)的圖像處理等操作做足了準(zhǔn)備。

2.2.2 中值濾波圖像平滑

侗錦是由經(jīng)紗和緯紗交錯(cuò)而成的，這種特性會(huì)在圖片中形成亮暗交錯(cuò)的紋理。光線、相機(jī)性能及人為拍攝水平等因素也會(huì)在圖像采集過(guò)程中造成影響，并且在圖像傳輸時(shí)由于傳感器的局限性及通信系統(tǒng)的故障和缺陷等問(wèn)題，經(jīng)常受到與圖像內(nèi)容無(wú)關(guān)的噪聲干擾，這就造成了采集到的圖像中存在大量脈沖噪聲。這些噪聲會(huì)對(duì)后續(xù)圖像圖案的提取帶來(lái)一定的影響，降低算法精度，直接影響處理結(jié)果，因而對(duì)噪聲進(jìn)行濾波處理尤為必要。中值濾波作為非線性濾波技術(shù)的標(biāo)準(zhǔn)算法，在處理圖像時(shí)，不僅能夠去除或者減少噪聲干擾，還能很好地保留圖像細(xì)節(jié)和邊緣。

計(jì)算公式如下：

式中：f（x，y）表示待處理圖像，g（s，t）表示經(jīng)過(guò)中值濾波處理后圖像，Axy表示待處理像素點(diǎn)（x，y）為中心的鄰域值。

中值濾波平滑效率在不同窗口尺寸下也是不同的，通常為3×3、5×5、7×7、9×9區(qū)域。為了選擇出效果最好的窗口尺寸，對(duì)圖2（b）加入30%的椒鹽噪聲，分別采用3×3、5×5、7×7、9×9四種不同的窗口尺寸進(jìn)行處理，測(cè)試結(jié)果如圖3所示。對(duì)比可知：窗口尺寸大小與圖像細(xì)節(jié)的多少呈負(fù)相關(guān)，窗口尺寸越小，細(xì)節(jié)保留就越多，但無(wú)法濾除掉所有噪聲;窗口尺寸越大，圖像細(xì)節(jié)越少，雖然濾除掉了絕大多數(shù)的噪聲，但圖像細(xì)節(jié)丟失嚴(yán)重。綜上所述，實(shí)驗(yàn)將選用5×5的窗口尺寸對(duì)圖像進(jìn)行中值濾波處理。

2.3 圖像自動(dòng)提取

2.3.1 大津法求取雙閾值

在邊緣提取的過(guò)程中閾值的選取是關(guān)鍵，一個(gè)準(zhǔn)確的閾值能夠減少偽邊緣還能提高信噪比，而傳統(tǒng)方法對(duì)于高低閾值的確定往往依賴(lài)人工反復(fù)進(jìn)行實(shí)驗(yàn)選取，存在局限性，會(huì)降低算法的精確率。所以利用大津法確定閾值來(lái)代替Canny算法中人為設(shè)定的高低閾值，將會(huì)減少漏檢率。

日本學(xué)者大津提出的大津法，又叫做Otsu算法，它是一種用于閾值分割的二值化方法，該方法不考慮圖像的亮度和反差，只根據(jù)圖像的灰度特性將其劃分為背景和前景兩個(gè)區(qū)域。這種方法也稱(chēng)為最大類(lèi)間方差法，當(dāng)背景和前景圖像之間的方差達(dá)到最大時(shí)，可以將其劃分為黑白兩種顏色。每個(gè)圖像的閾值都是不一樣的，而大津法則能根據(jù)圖像的不同信息來(lái)選擇合適的閾值。通過(guò)對(duì)圖像進(jìn)行灰度處理，將圖像分為兩個(gè)層次，最后確定出符合要求的灰度值，高于灰度值的稱(chēng)為背景，低于灰度值的稱(chēng)為前景。

假設(shè)對(duì)于圖像f（x，y），T表示灰度閾值，h表示圖像寬度，w表示圖像高度，n1表示前景，n2表示背景，w1與w2分別表示前景和背景像素?cái)?shù)量占總像素?cái)?shù)量的比例，u1與u2表示前景與背景的平均灰度，表達(dá)公式如下：

遍歷每一個(gè)灰度值，選取最大的g值對(duì)應(yīng)的灰度閾值T，并將其設(shè)置為Canny算法的高閾值Th，根據(jù)公式Tl=Th2［13］確定低閾值Tl。操作后計(jì)算出圖3（c）的高閾值Th為124，則低閾值Tl為62。高低閾值的確定提高了Canny算子的自適應(yīng)性，為后續(xù)Canny算法的精確性奠定了良好的基礎(chǔ)。

2.3.2 Canny算子提取輪廓

傳統(tǒng)Canny算法選用高斯濾波器對(duì)圖像進(jìn)行平滑處理，雖然可以去除大部分噪聲，但邊緣模糊，會(huì)丟失部分細(xì)節(jié)信息，并且在人為選取雙閾值這一步驟中，由于人為客觀因素不穩(wěn)定，會(huì)造成提取結(jié)果存在偏差。本文對(duì)Canny算法進(jìn)行改進(jìn)后，具體步驟設(shè)計(jì)如下：

1） 選取5×5窗口尺寸的中值濾波對(duì)圖像進(jìn)行平滑處理。

2） 計(jì)算梯度幅值和梯度方向。

在圖像中，灰度值的變化強(qiáng)度和方向一般用梯度來(lái)表示，利用Sobel算子與圖像卷積計(jì)算不同方向的梯度值Ix（x，y）、Iy（x，y）：

式中：m（x，y）為圖像中任意一像素點(diǎn)，“*”表示卷積互相關(guān)運(yùn)算。

3） 根據(jù)所求的梯度角進(jìn)行非極大值抑制。

檢測(cè)區(qū)域中心點(diǎn)與沿著其對(duì)應(yīng)的梯度方向的兩個(gè)像素點(diǎn)的取值大小，若區(qū)域中心點(diǎn)的值最大，則保留，否則將該點(diǎn)設(shè)置為0。

4） 利用大津法求取的雙閾值檢測(cè)連接邊緣。

將所有像素點(diǎn)與高、低閾值相比較，若像素點(diǎn)小于低閾值，則該點(diǎn)為0，為非邊緣點(diǎn);若介于兩者之間，則該點(diǎn)為邊緣點(diǎn);若大于高閾值，則將該點(diǎn)確定為強(qiáng)邊緣點(diǎn)。

3 結(jié)果與分析

3.1 視覺(jué)效果比較

本文在pyCharm Community Edition 2021.3.3環(huán)境下進(jìn)行實(shí)驗(yàn)操作，分別采用其他傳統(tǒng)算法中的Sobel算子［14］、Roberts算子［15］、Prewitt算子［16］、LoG算子［17］及經(jīng)典的Canny算子，與本文所采用的利用大津法確定Canny算子雙閾值的算法進(jìn)行實(shí)驗(yàn)對(duì)比分析。這些算法都是邊緣檢測(cè)中最常用的方法，Sobel算子可以用來(lái)獲取圖像的一階梯度，將其劃分為檢測(cè)水平邊緣和檢測(cè)垂直邊緣兩類(lèi)，能夠有效地減少邊緣模糊;Roberts算子是一種基于局部差分算子提取邊緣的算子，它具有很好的邊緣定位能力，但對(duì)噪聲較為敏感，無(wú)法徹底清除噪聲所帶來(lái)的影響;Prewitt算子利用鄰域內(nèi)像素灰度差來(lái)進(jìn)行邊緣檢測(cè)，對(duì)于灰度漸變的低噪聲圖像有較好的檢測(cè)效果;LoG算子實(shí)際上是為了解決Laplacian算子對(duì)噪聲極為敏感的問(wèn)題，所以將高斯與Laplacian算子相結(jié)合，就成為了LoG（Laplacian of Gaussain）算子。這種算子雖在一定程度上抑制了噪聲產(chǎn)生的影響，但其定位精度不高，易出現(xiàn)偽邊緣。圖4為侗錦中的對(duì)燕紋圖像（已經(jīng)過(guò)中值濾波處理）使用不同算子的提取結(jié)果。

經(jīng)過(guò)圖4中不同算法的結(jié)果對(duì)比，可以發(fā)現(xiàn)圖4（b）Sobel算子提取出的邊緣較粗，邊緣細(xì)節(jié)丟失較為嚴(yán)重，對(duì)圖像細(xì)節(jié)感應(yīng)度不高，這是由于Sobel算子并沒(méi)有將圖像的主體與背景嚴(yán)格地區(qū)分開(kāi)來(lái)，容易出現(xiàn)多像素寬度，所以無(wú)法提取出準(zhǔn)確的圖像輪廓;圖4（c）Roberts算子雖定位精度較高，但并沒(méi)有對(duì)圖像進(jìn)行平滑處理，導(dǎo)致檢測(cè)出的邊緣信息不完整，有明顯的斷裂、缺失痕跡，且在提取過(guò)程中丟失了許多細(xì)節(jié);圖4（d）LoG算子抗噪聲能力較強(qiáng)，所以檢測(cè)到的邊緣細(xì)節(jié)多于圖4（b）（c），線條較流暢、清晰，但一些尖銳的邊緣無(wú)法檢測(cè)到，可以看出輪廓邊緣信息仍舊不完整;圖4（e）Prewitt算子抑制噪聲的原理是通過(guò)像素平均，像素平均相當(dāng)于對(duì)圖像進(jìn)行低通濾波，所以Prewitt算子對(duì)邊緣的定位不如Roberts算子，檢測(cè)結(jié)果顯示圖像上半部分邊緣流暢，無(wú)明顯缺失情況，但下半部分的紋理信息提取不全面，漏檢了許多弱邊緣信息;圖4（f）經(jīng)典Canny算子采用高斯濾波導(dǎo)致提取的邊緣信息不完整，而閾值的人為選取也使得整幅畫(huà)面中的細(xì)節(jié)丟失較為嚴(yán)重。

經(jīng)過(guò)這些傳統(tǒng)算法和圖4（g）本文算子的比較結(jié)果可知，本文中的Canny算法以中值濾波替換掉高斯濾波使得提取的邊緣包含了更多的邊緣細(xì)節(jié)，使用大津法確定雙閾值也能降低漏檢率，提取到更精確、完整的線條。該算法具有良好的單邊緣效果，線條的連續(xù)性也更好，并且有效抑制了假邊緣及噪聲。

為了進(jìn)一步驗(yàn)證本文算法所提出的圖案自動(dòng)提取有效性，選取了其他三幅侗錦圖案并對(duì)其進(jìn)行輪廓自動(dòng)提取，結(jié)果如圖5所示。提取結(jié)果表明了該方法的有效性，能夠明顯改善邊緣檢測(cè)結(jié)果，很好地提高了定位精度及準(zhǔn)確度，加強(qiáng)了邊緣連續(xù)性，提高了信噪比，較準(zhǔn)確地實(shí)現(xiàn)了侗錦圖案的快速提取。

3.2 評(píng)價(jià)結(jié)果分析

為了綜合評(píng)價(jià)本文算法的邊緣檢測(cè)效果，對(duì)本文提出算法的實(shí)驗(yàn)分割結(jié)果進(jìn)行客觀評(píng)價(jià)。以對(duì)燕紋為例，對(duì)比圖6中采用人工視覺(jué)法繪制出的圖案輪廓，使用Lawend等［18］提出的準(zhǔn)確度（accuracy）指標(biāo)進(jìn)行評(píng)價(jià)，用于表示判定正確的次數(shù)與所有判定次數(shù)的比例。將本文算子與Sobel算子、Roberts算子、LoG算子、Prewitt算子及經(jīng)典的Canny算子和人工視覺(jué)提取進(jìn)行對(duì)比（表1），如下式所示：

式中：TP為檢測(cè)正確的輪廓像素?cái)?shù)量，TN為檢測(cè)正確的非輪廓像素?cái)?shù)量，F(xiàn)P為檢測(cè)錯(cuò)誤的輪廓像素?cái)?shù)量，F(xiàn)N為檢測(cè)錯(cuò)誤的非輪廓像素?cái)?shù)量。

依據(jù)表1準(zhǔn)確度指標(biāo)可以看出，本文算子的準(zhǔn)確度均高于其他使用方法，為96.3%;人工視覺(jué)提取的準(zhǔn)確度次之，為95.6%，但其運(yùn)行時(shí)間與本文算子相比，相差甚遠(yuǎn);經(jīng)典Canny算子的運(yùn)行時(shí)間雖比本文算子的運(yùn)行時(shí)間短，但本文算子的準(zhǔn)確度較高，提取性能優(yōu)于經(jīng)典Canny算法。相比其他算法而言，本文算法最優(yōu)。

4 結(jié) 語(yǔ)

本文探討了從中國(guó)少數(shù)民族侗錦圖像中提取輪廓圖案的方法。為了減少人為客觀因素對(duì)于侗錦圖案自動(dòng)提取的影響，本文以侗錦紋樣為研究對(duì)象，首先對(duì)侗錦紋樣進(jìn)行有效采集，將采集到的圖像通過(guò)R、G、B三個(gè)通道進(jìn)行灰度化處理，改進(jìn)了Canny算法的平滑方式。選用中值濾波替代高斯濾波，閾值選取方式也由人為選取改進(jìn)為智能選取，降低了客觀因素對(duì)提取結(jié)果造成的影響。使用優(yōu)化后的Canny算法對(duì)侗錦紋樣圖像進(jìn)行輪廓提取，對(duì)比其他不同的自動(dòng)提取算法后，驗(yàn)證了本文算法所提取的邊緣包含更多的細(xì)節(jié)信息，線條連續(xù)性更好，且有效抑制了偽邊緣的產(chǎn)生及噪聲。通過(guò)對(duì)不同圖像和不同算法的提取結(jié)果進(jìn)行對(duì)比，以及準(zhǔn)確度評(píng)價(jià)指標(biāo)，證明了本文提出的數(shù)字圖像處理技術(shù)與人工識(shí)別技術(shù)相比，具有良好的實(shí)際應(yīng)用價(jià)值，可以有效提高中國(guó)侗錦圖案智能提取的速率及精確性。

本文研究尚存在不足之處：1） 在輪廓提取方面，盡管對(duì)紋理進(jìn)行了一定程度的弱化，但仍有部分偽邊緣，無(wú)法完全對(duì)輪廓進(jìn)行1︰1提取，還有待進(jìn)一步研究。2） 在未來(lái)的研究中，應(yīng)當(dāng)提高對(duì)圖案輪廓提取的能力，將其應(yīng)用于各行各業(yè)，從而實(shí)現(xiàn)該技術(shù)的普及應(yīng)用。

參考文獻(xiàn)：

［1］劉寶垚. 侗錦藝術(shù)特色研究［J］. 南方農(nóng)機(jī)， 2019， 50（24）： 210.

LIU Baoyao. Dong brocades art characteristic research［J］. China Southern Agricultural Machinery， 2019， 50（24）： 210.

［2］李怡麗， 陳曉玲. 侗錦幾何紋樣藝術(shù)特色［J］. 紡織科技進(jìn)展， 2020（3）： 50-53.

LI Yili， CHEN Xiaoling. Artistic features of Dong brocade geometric patterns［J］. Progress in Textile Science & Technology， 2020（3）： 50-53.

［3］劉彥飛. 侗族織錦圖案研究芻議［J］. 文物天地， 2019（9）： 78-80.

LIU Yanfei. A study on Dong brocades patterns［J］. Cultural Relics World， 2019（9）： 78-80.

［4］楊建蓉. 湖南侗家織錦的圖騰紋樣及文化內(nèi)涵探究［J］. 美與時(shí)代（上）， 2019（9）： 10-12.

YANG Jianrong. Research on the totem patterns and cultural connotation of Dong brocade in Hunan province［J］. Designs， 2019（9）： 10-12.

［5］陳曉玲， 黃家劍， 曾琬儀. 通道侗錦的仿生設(shè)計(jì)解讀及現(xiàn)代應(yīng)用［J］. 絲綢， 2021， 58（4）： 113-119.

CHEN Xiaoling， HUANG Jiajian， ZENG Wanyi. Interpretation and modern application of bionic design of Tongdao Dong brocades［J］. Journal of Silk， 2021， 58（4）： 113-119.

［6］舒鸚姿， 卜一丹， 孫夢(mèng)瑤， 等. 傳統(tǒng)侗錦在產(chǎn)品設(shè)計(jì)中的創(chuàng)新應(yīng)用研究［J］. 文化產(chǎn)業(yè)， 2018（18）： 1-5.

SHU Yingzi， BU Yidan， SUN Mengyao， et al. Traditional research on innovative applications in Dongjin in product design［J］. Culture Industry， 2018（18）： 1-5.

［7］劉靜， 莊梅玲， 石歷麗， 等. 基于紋理平滑和GrabCut的皮影圖案輪廓的智能提取［J］. 絲綢， 2020， 57（11）： 20-27.

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

［8］李俞霏， 梁惠娥. 明代織物紋樣的智能提取： 以斗牛袍為例［J］. 絲綢， 2018， 55（11）： 53-58.

LI Yufei， LIANG Huie. Intelligent extraction of patterns from Ming Dynasty fabric： The case study of the bullfight robe［J］. Journal of Silk， 2018， 55（11）： 53-58.

［9］邢樂(lè)， 張杰， 梁惠娥， 等. 傳統(tǒng)服飾云肩實(shí)物圖像主色的智能檢測(cè)［J］. 紡織學(xué)報(bào)， 2017， 38（11）： 110-115.

XING Le， ZHANG Jie， LIANG Huie， et al. Intelligent inspection of dominant clolors for Chinese traditional folk Yunjian［J］. Journal of Textile Research， 2017， 38（11）： 110-115.

［10］CANNY J. A computational approach to edge detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986， 8（6）： 679-698.

［11］宋人杰， 劉超， 王保軍. 一種自適應(yīng)的Canny邊緣檢測(cè)算法［J］. 南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 38（3）： 72-76.

SONG Renjie， LIU Chao， WANG Baojun. Adaptive Canny edge detection algorithm［J］. Journal of Nanjing University of Posts and Telecommunications （Natural Science Edition）， 2018， 38（3）： 72-76.

［12］賈小軍， 鄧洪濤， 滕姿， 等. 應(yīng)用輪廓線擬合提取藍(lán)印花布圖案基元［J］. 紡織學(xué)報(bào)， 2018， 39（8）： 150-157.

JIA Xiaojun， DENG Hongtao， TENG Zi， et al. Extract of image elements for blue calico based on contour fitting［J］. Journal of Textile Research， 2018， 39（8）： 150-157.

［13］李華強(qiáng)， 喻擎蒼， 方玫. Canny算子中Otsu閾值分割法的運(yùn)用［J］. 計(jì)算機(jī)工程與設(shè)計(jì)， 2008， 29（9）： 2297-2299.

LI Huaqiang， YU Qingcang， FANG Mei. Application of Otsu threshold method on Canny operator［J］. Computer Engineering and Design， 2008， 29（9）： 2297-2299.

［14］韓龍飛， 逯超. 基于改進(jìn)Sobel算子邊緣檢測(cè)的實(shí)現(xiàn)［J］. 汽車(chē)實(shí)用技術(shù)， 2019（8）： 109-111.

HAN Longfei， LU Chao. An improved implementation of Sobel operator edge detection［J］. Automobile Applied Technology， 2019（8）： 109-111.

［15］王方超， 張旻， 宮麗美. 改進(jìn)的Roberts圖像邊緣檢測(cè)算法［J］. 探測(cè)與控制學(xué)報(bào)， 2016， 38（2）： 88-92.

WANG Fangchao， ZHANG Min， GONG Limei. Image edge detection algorithm of Roberts operator［J］. Journal of Detection & Control， 2016， 38（2）： 88-92.

［16］安建堯， 李金新， 孫雙平. 基于Prewitt算子的紅外圖像邊緣檢測(cè)改進(jìn)算法［J］. 杭州電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 38（5）： 18-23.

AN Jianyao， LI Jinxin， SUN Shuangping. Improved algorithm for infrared image edge detection based on Prewitt operator［J］. Journal of Hangzhou Dianzi University （Natural Sciences）， 2018， 38（5）： 18-23.

［17］張陽(yáng)， 劉纏牢， 盧偉家， 等. 基于LoG算子的雙濾波邊緣檢測(cè)算法［J］. 電子測(cè)量技術(shù)， 2019， 42（4）： 95-98.

ZHANG Yang， LIU Chanlao， LU Weijia， et al. Improved double filtering LoG operator edge detection［J］. Electronic Measurement Technology， 2019， 42（4）： 95-98.

［18］LAWEND H O， MUAD A M， HUSSAIN A. Robust edge detection based on canny algorithm for noisy images［J］. Journal of Theoretical and Applied Information Technology， 2017， 95（19）： 5104-5114.

Abstract： Dong brocade， as one of the most beautiful brocades in China， gathers the religious belief and art aesthetics of the Dong people， making itself a treasure of Chinas minority art civilization. Under the influence of multiple factors such as social modernization and economic integration， the Dong brocade culture is on the verge of disappearing and the protection situation is grim. With the rapid development of the digital era， the combination of Dong brocade patterns as a traditional cultural symbol and computer image processing can better adapt to the era of rapid development. Nowadays， the computer industry is widely used in the development and production of clothing， which provides a new technical approach for the extraction of traditional clothing patterns.

In the paper， the research on the pattern extraction of Dong brocade in Hunan province was focused on the field investigation of the classic works of Dong brocade， and the pattern of Dong brocade was studied from the perspective of computer graphics and image processing. The automatic recognition and extraction of the patterns of Dong brocade by using image processing methods made the Dong brocade get better development and radiate new vitality. It is difficult to sample Dong brocade patterns directly in the process of manual extraction， and it is easy for the extractors to have their own subjective will. In order to improve the efficiency and accuracy of the pattern extraction， the automatic extraction of Dong brocade was carried out by the image analysis method. Firstly， Dong brocade patterns were collected effectively by digital camera， then the images were grayed， and the processed images were pre-processed by median filtering algorithm to smooth the noise， then the Otsu threshold segmentation algorithm was used to get the double thresholds， and finally the Canny algorithm was used to achieve the automatic extraction of Dong brocade patterns. To evaluate the edge detection effect of the proposed algorithm， the experimental segmentation results of the proposed algorithm were evaluated objectively. According to the accuracy index， the accuracy of the operators used in the paper is 96.3%， higher than that of other methods. The results show that the Canny algorithm replaces the Gauss filter with the median filter， which makes the extracted edges contain more details. Using the Otsu method to determine the double threshold can also reduce the missed detection rate and extract more accurate and complete lines. The algorithm has a good single edge effect and better line continuity， and effectively suppresses the false edge and noise. Compared with other methods， digital image processing technology can not only extract more complete edge information， but also is more accurate， time-saving and labor-saving than manual methods， and has more advantages than other traditional algorithms. It has a bright application prospect and can make the intelligent extraction of Dong brocade patterns in China more efficient.

In order to solve the problem of large amount of impulse noise interference and detail information loss in traditional Canny image edge detection， the paper improves the filtering method and the selection of high and low threshold， making the edge of Dong brocade patterns extracted better. The application of Dong brocade patterns is mainly based on manual drawing， and the improved Canny edge detection operator is used to replace manual drawing， which combines the edge extraction technology with the digital protection of Dong brocade. It provides a new technical way for the living inheritance of Dong brocade. With the rapid development of computer technology in recent years， the application of computer technology in the traditional culture of ethnic minorities has become the need of the times. At the same time， it is feasible to use computer image processing technology to study the traditional brocade pattern culture， which can be analyzed from the aspects of color， pattern， dress structure， etc. Through future in-depth study of this part， other computer algorithms after further improvement can be applied to the study of traditional culture of ethnic minorities， and we can draw different conclusions from different perspectives and different research objects.

Key words： traditional culture; Dong brocade patterns; image processing; Otsu threshold segmentation algorithm; Canny algorithm