基于Snake-Net算法的刺繡針法識別

王敬雪 莊梅玲

摘 要：為有效提取刺繡圖像中針法的特征值，實現刺繡針法的分類識別，在分析刺繡針法特點的基礎上，提出了點狀針法、線狀針法和塊面狀針法的三大針法分類，并以占主體的塊面狀針法中的齊針、搶針和套針3種基礎針法為處理對象，分析對比其針法特征，構建針法模型。針對刺繡針法圖像進行圖像紋理細節的增強處理，基于Harris 角點檢測特征點和Canny輪廓篩選，對傳統Snake算法進行改進，形成智能化HC-Snake模型，實現對目標輪廓的智能化識別并提取目標圖像的紋理及顏色特征。通過數據的方差分析確定CONsd，IDMsd，Ea，Esd，ENTa，ENTsd，CORsd，SM和TM共9個特征指標，建立特征數據集。最后，建立神經網絡分類模型，對針法樣本進行分類，并對識別模型進行了實例驗證。結果表明，該模型可以實現刺繡針法圖像的分類，且分類準確率達到93.3%。

關鍵詞：刺繡針法，針法模型，HC-Snake模型，灰度共生矩陣，顏色矩，BP神經網絡

中圖分類號：TS941.2

文獻標志碼：A

文章編號：1009-265X（2023）04-0236-14

收稿日期：2022－09－21

網絡出版日期：2023－02－21

基金項目：青島大學研究項目（JXGG2019080）

作者簡介：王敬雪（1997－），女，山東淄博人，碩士研究生，主要從事服飾數字化及感性評價方面的研究。

通信作者：莊梅玲，E-mail：zmlqdu@126.com

傳統刺繡是中華民族的藝術瑰寶，刺繡針法則是刺繡的基礎。近年來，隨著國家對傳統文化的弘揚和傳承，對傳統刺繡藝術的研究也越來越多。其中，多數研究集中于刺繡的風格特點、文化內涵、表現形式及新時代背景下的創新與應用等方面［1-3］，針對刺繡針法的技藝和工藝特點的研究相對較少，已有的相關研究主要是結合針法特點和走線趨勢，從理論上分析某種特殊針法［4-5］。在數字化智能化飛速發展的時代，運用數字化技術對傳統藝術作品進行傳承和保護的研究越來越受關注。近幾年針對刺繡的研究主要是刺繡圖案的智能化提取與分割［6］、風格遷移［7］和分類識別［8］等，以刺繡的整體風格為基礎的圖像識別研究。而針對刺繡針法技術和工藝細節的識別較少，僅楊蕾等［9］提出以導向濾波作為尺度變換函數的特征提取模型，將針法樣本與已知針法模板進行特征匹配，識別針法類別。但其研究處理的手繡樣本形狀相似，圖像清晰度較高，樣本紋理特征可控，與網絡中形態各異、噪聲眾多的刺繡圖像相比，方法適用性不足，并且該研究更著重于算法的理論創新。基于目前的研究現狀，本文擬形成一種適應性更廣的刺繡針法識別模型，通過分析刺繡針法的技術及工藝特點，對網絡中獲取的普通刺繡圖像，進行針法多特征分析，運用智能算法進行歸類，形成一種更為通用的智能化刺繡針法識別分類模型。

從網絡中獲取的刺繡圖像，需進行目標分割，獲得目標樣本，以提取特征。近年來圖像分割算法豐富，邊緣檢測和色彩聚類算法都應用廣泛，其中Canny［10］和K-means［11］更是凸顯。K-means根據圖像色彩，分割出不同顏色聚類的圖像，效果良好。但刺繡圖像的色彩多混合摻雜，目標與干擾項無固定的色彩或色差，色彩聚類不適用。Canny算子檢測的邊緣相對清晰，特別是灰度圖像，但受參數設定的影響，會出現輪廓檢測不完整或者過度檢測等問題。因此本文將其用于初始輪廓的界定，結合活動輪廓模型Snake算法［12-13］，互相優化，以獲取更加圓順、完整而準確的目標輪廓。最后，神經網絡是效果優良、應用廣泛的分類識別算法［14-16］，因此本文選擇BP神經網絡來建立針法分類識別模型。

1 刺繡針法分析及結構模型構建

針法和絲線是刺繡的主要構成因子，共同塑造

刺繡的藝術風格。從平面構成的角度，刺繡的針法可分為點、線、面3類［17］，本文結合針法的技術工藝特點分析，將刺繡針法定義為點狀針法，線條針法和塊面針法3類，分類圖歸結如圖1。

點狀針法和線狀針法主要表現為形成刺繡中的獨立點和線條，如制作花蕊的打籽針以及形成纖細枝條或勾勒輪廓的滾針、切針等。點、線狀針法在刺繡圖案中呈點綴狀分布，作品整體以塊面針法為主，所以本研究以塊面針法為研究重點。

1.1 針法特征分析

塊面針法非常豐富，其中，基礎的針法有齊針，搶針和套針，都具有針腳排列緊密，繡面勻稱平整的特點。下面對3種基礎塊面針法的基本特點進行分析和對比。

a）齊針（Flush stitches）

齊針，線條均勻、齊整，平行排列構成單色塊面，起針和落針都緊靠紋樣邊緣，針腳緊密，塊面間無重疊，不露底，模型歸結為圖2（a）。從彩色圖片（圖2（b））和灰度圖像（圖2（c））中可見，紋理一致，灰度均勻。以同色系漸變為主，色彩跨度小。

b）搶針（Grabbing stitches）

搶針，密度相同，長短均勻的短齊針分層刺繡，構成多層塊面，每一批搶針頭尾相接而互不交錯，在模型上歸結為圖3（a）。顏色區2的起針和顏色區1的落針在同一線條上，顏色變化明顯，顏色區域間形成明顯的分界線，在搶針的灰度圖像（圖3（c））中，可見明顯的分塊，色彩的跨度較大。

c）套針（Overlapping stitches）

套針，長短不一的線條相互穿插，分層繡制，層層相套，不露針腳，模型可歸結為圖4（a）。顏色區1的落針和顏色區2的起針交叉混合，批線相互穿套，密度相對不均勻，且內部邊緣在灰度圖像及二值圖像中表現為折線狀；同時，線條穿插導致顏色混合，顏色變化雖然明顯，但過渡自然，有暈色渲染的效果。在彩色圖像（圖4（b））中，呈現漸變效果，而在灰度圖像（圖4（c））中，呈現為灰度均勻變化，但色彩跨度較大。

經過以上的分析，對3種針法的特征進行對比分析如表1。

比較發現，３種針法在形狀上不呈現特征的聚類及類型間的差別，區別明顯的特征為紋理特征和顏色特征。紋理特征上：齊針呈現整體規則化排列；搶針呈現分批型排列，各批內紋理整齊排列，批間有顯著差異；套針最為曲折、復雜，存在批線間相互穿插。顏色特征上：主要表現為灰度變化，齊針顏色單一，灰度均勻；搶針和套針色彩豐富，搶針灰度變化明顯，有分塊，套針灰度均勻變化，呈漸變，差異明顯。以上對不同特征的分析，為接下來的圖像識別處理奠定基礎。

2 塊面針法的目標分割

通過塊面針法的準確識別可以對刺繡的種類、特點及蘊含的寓意進行有效分析，所以本文將以塊面針法為對象，分析其包含的３種針法特點及規律，運用圖像處理工具，設計智能算法對塊面針法進行智能識別。算法流程圖如圖5所示。

2.1 預處理

通過分析比較，發現３種基礎塊面針法的區別主要體現在紋理細節部分。首先對清晰度較差的網

絡圖片進行預處理，一方面增強對比度，突出目標邊緣，便于實現目標分割，另一方面增強紋理細節，便于提取紋理特征。本文的圖像預處理步驟為：

2.1.1 增強對比度

a）利用式（1）將彩色圖像（圖6（a））灰度化（圖6（b））：

Y=0.299R+0.587G+0.114B（1）

式中：Y為灰度圖像，R，G，B分別為彩色圖像的紅、綠、藍三個分量。

b）利用stretchlim函數計算灰度圖像自適應變換的最佳閾值。

c）利用調整對比度函數imadjust，調整灰度范圍。

d）輸出增強的灰度圖像（圖6（c））。

2.1.2 增強紋理

a）數據類型轉換，由uint8轉為double（圖6（d））。

b）選擇3×3的拉普拉斯模板w=［0，1，0;1，-4，1;0，1，0］，進行濾波處理。

c）提取圖像中的邊界及紋理等細節，輸出細節圖像（圖6（e））。

d）將雙精度灰度圖像與細節圖像作差，增大紋理細節與相鄰像素的灰度差，得到紋理增強圖像（圖6（f））。

算法處理流程及結果見圖6。

通過上述處理發現：對比度增強和紋理增強后的圖6（c）、圖6（f），都比處理前的圖６（b）的邊緣和紋理更加清晰，為下一步的目標提取做好準備。

2.2 基于改進Snake算法的交互式目標分割

目標分割是將圖像中的特征區域從復雜背景中分離出來的技術和過程。本文基于對大量目標樣本的處理，獲得齊針、搶針和套針樣本的特征信息，建立針法智能識別模型。所以獲取刺繡圖像后，首先對圖像中的不同針法區域進行目標分割，獲得齊針、搶針和套針的目標樣本，為下一步提取特征信息做好準備。

本文研究的刺繡圖像，其形狀特征豐富，單一的圖像分割算法像閾值法、邊緣檢測法等，難以實現對刺繡圖像包含的各種針法區域的精確分割。而活動輪廓模型Snake算法利用圖像的高層信息，將圖像分割問題轉化成數學上求能量泛函的問題，對圖像輪廓進行求解［18］，在內力、外力的共同約束下，從初始輪廓向真實輪廓逼近，識別的目標輪廓以數學曲線的形式呈現，比較連續、光滑，具有良好的匹配效果和形狀檢測能力。并且該算法是一種交互式目標識別算法，通過智能人機交互在預選樣本時加入經驗的關鍵點設置，識別的輪廓跟隨控制點移動，對比單一的圖像分割算法可以更好地從包含多種針法區域的刺繡圖案中預先選擇各目標區域，實現更精確的目標分割。

傳統的Snake算法中，控制點是人為選擇的，雖然比較靈活，但受經驗等主觀因素的影響較大，而且手動選點時，無法精確選取同一控制點，導致每次試驗結果存在差異；人工選點智能化程度較低，不符合當前智能化發展的趨勢。

基于對Snake算法的優缺點分析，本研究著重對其人工選取控制點的誤差性和智能化程度不高的問題，改進控制點的選取算法，提出一種更加客觀且智能化的改進Snake算法。

2.2.1 改進Snake算法——HC-Snake算法設計

本研究的改進Snake算法——HC-Snake（Harris and Canny-Snake）模型，首先基于Harris角點檢測［19-20］獲取角點，然后基于Canny算子確定初始目標輪廓［21］，初始輪廓篩選角點作為Snake算法的控制點集，替代傳統Snake算法的人工選點，最后進行輪廓識別。算法設計步驟如下：

a）獲取目標圖像的特征角點集

計算初始圖像a的x軸和y軸方向的梯度Ix，Iy及其平方；高斯濾波平滑處理；構造自相關矩陣M，計算角點響應度R（見式（2）-式（5）），設定R的閾值，并判斷該點是否為角點。遍歷圖像，獲得角點集合H［20］。

Eu，v（x，y）=∑u，vwu，vIx+u，y+v-I（x，y）2 （2）

式中：Eu，v為窗口灰度值，u，v分別表示以像素為中心的窗口在x軸和y軸的偏移量，（x，y）是窗口內所對應的像素坐標位置，wu，v為二維高斯窗口函數，wu，v=exp-u2+v22σ2。將 Eu，v（x，y）化為二次型可得：

Eu，v（x，y）=（u，v）Muv（3）

M=∑u，vwu，vI2xIxIyIxIyI2y（4）

R=det（M）-k（tr（M））2=λ1λ2-k（λ1+λ2）2（5）

式中：λ1、λ2為M矩陣的特征值，det（M）是矩陣M的行列式，tr（M）是矩陣M的跡，k∈［0.04，0.06］。

b）獲取目標圖像的初步外輪廓

基于Canny算子計算圖像初始邊緣。輸入初始圖像a，灰度化處理得灰度圖像A，進行高斯平滑。計算相鄰像素點的灰度變化，梯度較大的位置，作為邊緣點，處理得到初始邊緣的二值圖像。取初始邊緣上任意一點Ai作為種子，計算Ai的中心像素Pi。8-鄰域內，若存在Ai+1與Ai鄰接，且Pi+1≈Pi，將Ai+1存入集合A1，并作為下一次生長的種子點；若8-鄰域內無相似像素點，停止運算。遍歷集合A1，取A1中像素值為1的點，形成初始輪廓點集Ai{Ai， i=1，2，…n}。

c）確定Snake輪廓控制點集

Snake算法獲取的輪廓受輪廓控制點位置影響，控制點越接近真實輪廓，收縮效果越好。對于輪廓點集合A和角點集合H，H中的點與A中的點距離越近，越接近真實輪廓，為了最大程度的選到離目標最近的角點，設計n×n模板覆蓋算法篩選角點。覆蓋算法如圖7所示：其中A（i，j）為模板中心點，屬于Canny輪廓點，以5×5的模板為例，角點a、c、d被該模板覆蓋，可以作為Snake控制點，角點b、e未被覆蓋，舍棄。通過覆蓋算法獲得包含m個控制點的集合C，并按照順時針排序。

將控制點集C的首點C1（s）和末點Cn+1（s）位置進行重合，形成閉環集。

C（s）=［x（s），y（s）］， s∈［0，1］（6）

d）進行輪廓插值。

根據點集C（s），用三次方樣條數據插值算法，步長step=Δl，在［1，n+1］內取點，任意相鄰兩控制點Ci（s），Ci+1（s）間插入（1/Δl-1）個插值點，使插值點均勻分布。對所有的控制點都完成插值，順次連接擬合得到光滑的閉環曲線L。

e）計算內部能量值

Snake模型的內部能量（EIn）是曲線彎曲收縮所產生的能量，包括彈性能量（EEl）和彎曲能量（EB）。在活動輪廓形變過程中，EEl使曲線收縮，EB使輪廓線保持光滑度和連續性，公式如下［12］：

EIn=EEl+EB=α（s）dCds2+β（s）d2Cds22（7）

式中：α（s）和β（s）分別影響著Snake模型的彈性和剛度。α（s） 對輪廓L的影響更大，值越大，輪廓線越平滑；β（s）對輪廓L的影響相對較小，實際處理中，默認為0。

由于α（s）過大難以準確分割尖角及凹陷區域，過小易受噪點影響，因此，本算法對比了α（s）=0.005，0.01，0.02，0.05，0.1的分割效果，發現α（s）=0.01時，分割效果最好，結合實驗效果，設置α（s）=0.01。

f）計算外部能量值

Snake模型的外部能量主要是從圖像中獲得的圖像力EIm，由3個部分構成，計算如式（8）：

EIm=wl*El+we*Ee+wt*Et（8）

式中：El、Ee和Et的加權和決定了Snake輪廓線是否趨向于線條（lines）、邊界（edges）和終端（terminations），wl、we和wt分別為El、Ee和Et的權值。

El=f（x，y）（9）

Ee=-SymbolQC@f（x，y）2（10）

式中：El是基于輪廓線的能量，f（x，y）是圖像在（x，y）處的灰度，wl的符號決定了Snake形變時偏向亮線或暗線； Ee使Snake輪廓線趨向于圖像的強邊緣；wt*Et則反映了輪廓線的端點或角點對輪廓線可能產生的影響。圖像f平滑得到光滑圖像g，其沿曲線的梯度方向為φ（x，y），平行和垂直的梯度方向分別為：

n（x，y）=（cos（φ（x，y）），sin（φ（x，y）））n⊥（x，y）=（sin（φ（x，y）），cos（φ（x，y）））

據此，可以獲得平滑圖像上灰度不變的輪廓的曲率：

Et=φn⊥=2g/n⊥2g/n

=（2g/y2）（g/x）2-2（2g/xy）（g/x）（g/y）+（2g/x2）（g/y）2（（g/x）2+（g/y）2）3/2（11）

g）計算總的能量

Etotal=∫10（EIn+Eim）（12）

根據圖像的梯度，計算并對比每次循環的內部和外部能量，直到獲得最小能量MIN（Etotal）時，停止迭代。

h）輸出分割完成的圖像。

2.2.2 算法仿真與結果分析討論

對刺繡圖像a應用上述算法處理如下：

a）確定Snake控制點（圖（8））

b）覆蓋模板尺寸確定

為驗證距離對控制點選取的影響，分別以3×3，5×5，7×7的模板進行實驗，提取H中的控制點，結果如圖9所示。

對比圖9的結果，發現3×3的模板較小，部分特征明顯的角點并未被覆蓋，控制點選取不全面；7×7的模板較大，選中較多干擾點；5×5的模板確定的控制點相對全面，且干擾較少，因此，選用5×5的模板作為確定控制點的通用模板。

c）HC-Snake算法分割流程（圖10）。

d）結果分析與討論

將本文算法與Canny算法提取的邊緣作比較，發現：Canny算子獲取的輪廓雖貼近目標輪廓，但存在干擾邊緣或缺口，并呈鋸齒狀，見圖11（a）。由于Canny算法通過計算圖像梯度提取邊緣，在計算中，紋理清晰且與邊緣相接的位置，也會被標記為邊緣，邊緣兩側像素梯度小，則會出現斷口。并且，Canny算子是像素級別的，邊緣易呈現鋸齒狀，不順滑。而本文的HC-Snake算法檢測結果更好地克服了這些問題。

2.2.3 算法應用

將本研究的HC-Snake算法用于傳統刺繡針法的輪廓識別，依次進行齊針、搶針、套針的區域分割，得到對應的分割區域，分割結果見圖12。

從圖12中可以發現，基于HC-Snake模型的分割算法實現了目標區域的精確分割，由于可以預設輪廓點，所以無論是外表形態比較規整的，還是邊緣有明顯凸凹的的目標，都能實現目標區域的精確分割。通過該目標分割算法，對多幅刺繡圖像進行目標分割，獲得了多幅齊針、搶針和套針樣本。

3 目標圖像特征的選取

通過前兩部分的研究，獲得了多幅齊針、搶針和套針的樣本，并選擇能有效反映紋理和顏色特征變化的數學模型灰度共生矩陣和顏色矩，提取紋理特征和顏色特征。

3.1 紋理特征分析

灰度共生矩陣（Gray level co-occurrence matrix，GLCM）［22］是用統計方法，通過對圖像中包含的灰度信息出現的頻次進行計算，反映圖像方向、相鄰間隔、變化幅度及快慢上的綜合信息。

紋理方面通常通過分析圖像灰度共生矩陣的對比度、同質性、能量、熵、相關性5個指標，對圖像的紋理進行描述和分析［23-24］。任意兩個像素，灰度級為a，b，該像素對（a，b）在方向Φ上以距離d出現的頻率為PΦ，da，b，本文中，d取默認值為1，Φ取0°，45°，90°和135°4個方向，計算取均值和標準差，避免誤差，5個指標的計算公式如下：

對比度（Contrast，CON）：反應圖像的清晰度和紋理的溝紋深淺，對比度越大，紋理越清晰。

CON=∑a∑b（a-b）2PΦ（a，b）（13）

熵（Entropy，ENT）：描述圖像具有的信息量的度量，表明圖像的復雜度，熵越大，圖像紋理越復雜。

ENT=-∑a∑bPΦ（a，b）log2PΦ（a，b）（14）

能量（Energy，E）：灰度共生矩陣各元素值的平方和，是圖像紋理的灰度變化穩定程度的度量，反應了圖像灰度分布均勻程度和紋理粗細度。

E=∑a∑bP2Φ（a，b）（15）

同質性（Inverse Different Moment，IDM）：度量圖像紋理局部變化，值越大，圖像紋理越均勻。

IDM=∑a∑bPΦ（a，b）1+a-b2（16）

相關性（Correlation，COR）：度量圖像的灰度級在行或列方向上的相似程度，值越大，相關性越大。

COR=∑a∑babPΦ（a，b）-μxμyxy（17）

其中，μx=∑aa∑bPΦ（a，b）μy=∑bb∑aPΦ（a，b），

x=∑a（a-μx）2∑bPΦ（a，b）y=∑b（b-μy）2∑aPΦ（a，b）。

研究分別選擇了齊針、搶針和套針樣本各30個，按照式（13）—式（17）分別計算其灰度共生矩陣的5個指標，獲取５個指標的均值（Average）和標準差（Standard Deviation）作為紋理特征數據。

3.2 顏色特征分析

顏色矩［25］是由Stricker和Orengo提出的一種簡單有效的顏色特征表示方法，無需對顏色空間量化，而且特征維度低，顏色特征主要集中在顏色矩的低階矩［26］。其中，一階矩計算色彩的均值，體現圖像的明暗程度，根據針法理論分析，不同針法的色彩均值并沒有標準化的區別，舍棄。本文主要分析各樣本的二階矩和三階矩。

二階顏色矩（Second Moment，SM）：計算標準差，反映圖像顏色的分布范圍，二階矩越大，顏色分布范圍越廣，顏色變化越大。

SM=1N∑Nj=1Pi，j-∑Nj=11NPi，j212（18）

三階顏色矩（Third Moment，TM）：樣本色彩的方差，計算樣本顏色分布的對稱性。

TM=1N∑Nj=1Pi，j-∑Nj=11NPi，j313（19）

式中：N為圖像像素個數，i為顏色模型分量，灰度圖像僅一個顏色分量，默認i=1，Pi，j為顏色分量 i 像素為 j 的概率值。

對3.1中的30個樣本按照式（18）-式（19）分別計算二階和三階顏色矩作為顏色特征數據。

3.3 基于方差分析的指標檢驗和選擇

對上述提取的10個紋理特征和2個顏色特征，針法類別是否顯著影響這12個指標是后續進行三大針法分類的前提，因此用方差分析來檢驗針法類別對12個特征指標的影響，選擇影響顯著的指標用于后續針法分類。

以12個特征指標和3個針法類別作變量，計算每組的F值。每一組變量的自由度n=2，得出臨界值為3.40，比較F值和臨界值，最后得出３種針法對特征值的影響效果差異，方差分析結果見表2。

結果表明：CONsd，IDMsd，Ea，Esd，ENTa，ENTsd，CORsd，SM和TM這9個指標對特征值影響顯著，因此選擇該9個指標作為下一步智能識別分類的指標。

4 基于神經網絡的塊面狀針法識別

BP神經網絡是目前應用最廣泛的神經網絡模型之一，該模型一般包含三層：輸入層，隱含層和輸出層。利用梯度下降法和誤差反向傳播解決多層神經網絡的隱含層連接權值的學習問題，具有較高的準確率和速率［14-16］，因此本研究選擇BP神經網絡來建立針法智能識別模型。

4.1 模型構建

構建平臺選用MATLAB.2018a，利用MATLAB中的神經網絡模式識別工具箱對刺繡針法進行分類識別，將選擇的9個指標作為輸入特征，輸出層為齊針、搶針和套針的類別。模型的拓撲結構如圖13所示。

a）網絡層數

3層：1個輸入層、1個隱含層、1個輸出層。

b）輸入層

設置9個輸入神經元：分別是CONsd，IDMsd，Ea，Esd，ENTa，ENTsd，CORsd，SM和TM。依次對應的輸入特征向量［X1，X2，…，X9］。

c）隱含層

通過式（20）確定隱含層神經元個數

k=a+b+c（20）

式中：k為隱含層神經元個數，a和b分別是輸入層和輸出層的神經元個數，c∈［1，10］是常數。最終確定：k=10。

d）輸出層

輸出層輸出數據為針法的類別，是一維的數據，因此設置輸出層節點數為1。

e）傳遞函數和訓練函數

隱含層的傳遞函數選用tansig函數，輸出層選用線性函數purelin函數。

f）訓練方法

采用梯度下降訓練法。按照式（21）調整輸入層與隱含層之間的權值W1（s），按照式（22）調整輸出層和隱含層之間的權值W2（s），使網絡的誤差平方和最小。

W1（s+1）=W1（s）+ΔW1（s）（21）

W2（s+1）=W2（s）+ΔW2（s）（22）

式中：ΔW1（s）為隱含層與輸入層間的權值調整量，ΔW2（s）為輸出層和隱含層間的權值調整量，s是迭代次數。

g）參數設置

最大訓練次數：net.trainParam.epochs=1000；

學習系數：net.trainParam.lr=0.1；

目標誤差的設置：

不同的目標誤差設置，會影響訓練的準確率，為獲得更好的實驗結果，測試了7個目標誤差的訓練結果。結果見表3。

結果表明：σt=0.0001和σt=0.0002時，準確率最高，ρ=83.33，但σt=0.0001對應的σv=0.3088，驗證誤差更小，因此設置net.trainParam.goal=0.0001。

4.2 模型訓練及結果分析

按照上述設定參數，對3個類別的90個樣本進行實驗。

4.2.1 實驗步驟

首先，將數據集90個樣本隨機分為訓練集和測試集，分別占總數據集的66.67%和33.33%，以減少過擬合。

其次，數據歸一化處理，減小數據數量級不同對神經網絡訓練效果產生的影響。輸入模型進行訓練。

再次，對輸出結果設置分類閾值。

實驗輸出結果為Y=1，2，3，分別對應齊針、搶針和套針。由于對測試集的預測值是浮點數，因此設置分類的閾值：

If output<1.5，then Y=1；

If 1.5≤output<2.5，then Y=2；

If output≥2.5，then Y=3.

最后，繪制預測類別和實際類別的分類圖。

4.2.2 結果與分析

a）實驗準確率分析

經過訓練，得出30個測試樣本的預測結果和實際類別如圖14所示，“*”為樣本實際類別標簽，“o”為預測結果類別標簽。

由圖（14）可見，“*”和“o”的重合度比較高，即預測結果與實際類別相符率較高。經過計算，該模型的預測準確率可達ρ=93.3%。

神經網絡的訓練中，各均方誤差（mse，簡稱誤差）的變化曲線如圖15所示。訓練集在迭代次數為s=15時，實際誤差達到預期σt=0.0001。為了防止過擬合，產生驗證集對每次訓練集訓練形成的神經網絡的準確率ρ進行驗證及測試，并根據驗證集的準確率來決定是否停止訓練。在迭代次數為s≥6時，驗證誤差σv反而逐漸增大。因此，在迭代次數s=6時，σv=0.14113，校驗結果最好。

b）訓練過程分析

在訓練過程中，每一次迭代的數據變化如圖16所示。由圖16可見該模型在訓練過程中梯度不斷下降，準確率逐漸提高，在迭代次數為s=15次時，梯度為0.0031814，目標誤差σt=10-6。驗證失敗（Val fail）表示驗證集與訓練集的梯度方向連續相反的次數，迭代次數s≥6時，驗證集與訓練集的梯度持續相反，直到s=15，達到目標誤差，訓練停止。

c）模型可靠度分析

為評估該模型的可靠程度，研究提取測試數據樣本構建混淆矩陣見圖17，橫縱坐標分別是預測標簽和實際標簽，表格內的數值表示每類樣本被分到每類標簽的數量，其中，對角線上的是分類正確的樣本個數，可以清晰明確的辨別樣本預測是否被混淆，并且更充分的分析模型的可靠度［14］。

基于混淆矩陣，計算每類樣本的精準率（Precision，P）、召回率（Recall，Re）以及精準率和召回率的調和平均數F1，計算公式如下：

精準率：?? P=TP/（TP+FP）（23）

召回率：?? Re=TP/（TP+FN）（24）

調和平均數：?? F1=2PReP+Re（25）

其中各參數含義如表4，計算結果見表5。

由表5可見：模型的精準率P>0.85，召回率R>0.9，類別1的精準率低于0.9，原因可能是樣本分布不均勻；F1∈［0，1］，是使P和R同時達到最高時，取得平衡的值，F1值越接近1，分類模型越可靠，表中F1值均大于90%，認為本研究構建的模型可靠。

4.3 模型應用分析

將本研究的整套算法：從網絡獲取的普通圖像→預處理→HC-Snake算法分割→特征提取→神經網絡分

類識別進行實例驗證。實驗流程及結果如圖18。

通過實驗發現，本文算法能夠有效的對一幅網絡普通圖片進行針法識別，識別出了齊針、搶針和套針的針法類別。研究對比已有文獻［9］中的平均匹配準確率為88%的結果，本文是基于網絡上的普通圖片，進行大量樣本的特征提取而進行的分類識別，并且識別效率達到了93.33%，準確率更高，適用性也更廣泛。

5 結 論

針對目前對刺繡針法的研究主要停留在理論分析上而缺少智能化的分類識別的問題，本文對刺繡針法特點進行分析對比，提出點狀針法、線條針法和塊面狀針法三大分類。并以塊面針法（齊針、搶針、套針）為例，通過分析歸納不同針法的特征，建立了針法結構模型，確定了可用于分類的特征為紋理特征和顏色特征。設計了HC-Snake算法改進傳統Snake算法手動選取控制點，不夠智能化的問題，通過提取特征，創建數據集，最后訓練用于針法分類的神經網絡模型。目前，齊針、搶針、套針仔細的針法識別相關文獻比較少，相較已有研究而言，本文是基于網絡上的普通圖片，采用HC-Snake目標分割后獲得的90例樣本，對其進行特征提取，通過方差分析確定CONsd，IDMsd，Ea，Esd，ENTa，ENTsd，CORsd，SM和TM共9個特征指標，最后運用BP神經網絡建立模型進行的針法分類識別，識別效率達到了93.33%，準確率更高，適用性也更廣泛。

參考文獻：

［1］彭迪，夏添，賀景衛.桃源刺繡“魏犨擒貘”紋樣藝術特征及文化內涵探析［J］.絲綢，2021，58（3）：76-83.

PENG Di， XIA Tian， HE Jingwei. Analysis on artistic characteristics and cultural connotation of "Wei Chou captures a tapir" pattern in Taoyuan embroidery［J］. Journal of Silk， 2021， 58（3）： 76-83.

［2］雒彬鈺，閆亦農.科爾沁地區蒙古族刺繡紋樣的特征分析及設計應用［J］.染整技術，2021，43（12）：42-54，64.

LUO Binyu， YAN Yinong. Analysis of the characteristics and design applications of Mongolian embroidery patterns in Horqin area［J］. Textile Dyeing and Finishing Journal， 2021， 43（12）： 42-54， 64.

［3］陳栩，崔榮榮.福建畬族服飾刺繡工藝研究［J］.絲綢，2018，55（5）：78-83.

CHEN Xu，CUI Rongrong. Discussion on embroidery techniques of She minority in Fujian［J］. Journal of Silk， 2018， 55（5）： 78-83.

［4］沈飛.京繡針法技藝研究［J］.絲綢，2022，59（2）：121-129.

SHEN Fei. A study on Beijing embroidery stitch techniques［J］. Journal of Silk， 2022， 59（2）： 121-129.

［5］張競瓊，李頔.近代民間刺繡服裝中正搶與平套針法比較［J］.紡織學報，2012，33（5）：106-110.

ZHANG Jingqiong， LI Di. Comparative study of encroaching satin stitch and parallel long and short stitch in modern folk embroidered costume［J］. Journal of Textile Research， 2012， 33（5）： 106-110.

［6］王曉予，向軍，潘如如，等.服飾刺繡圖案的自動提取與色塊分割［J］.紡織學報，2017，38（9）：120-126.

WANG Xiaoyu， XIANG Jun， PAN Ruru， et al. Automatic extraction on embroidered patterns of traditional costumes［J］. Journal of Textile Research， 2017， 38（9）： 120-116.

［7］周杰，孫正興，楊克微，等.亂針繡模擬的參數化生成方

法［J］.計算機輔助設計與圖形學學報，2014，26（3）：436-444.

ZHOU Jie， SUN Zhengxing， YANG Kewei， et al. Parametric generation method for irregular needling embroidery rendering［J］. Journal of Computer-Aided Design & Computer Graphics， 2014， 26（3）： 436-444.

［8］趙含笑.基于深度學習的刺繡圖像分類與識別研究［D］.西寧：青海師范大學，2020：6-50.

ZHAO Hanxiao. Classification and Recognition Algorithm of Embroidery Images Based on Deep Learning［D］. Xining： Qinghai Normal University， 2020： 6-50.

［9］楊蕾，胡慧，周軍.刺繡針法圖樣特征點提取及匹配方法研究［J］.計算機應用研究，2021，38（7）：2231-2234，2240.

YANG Lei， HU Hui， ZHOU Jun. Study on feature points extraction and matching of stitch pattern［J］. Application Research of Computers， 2021， 38（07）： 2231-2234， 2240.

［10］田貝樂，牛宏俠，劉義健.一種優化的Canny邊緣檢測算法［J］.鐵路計算機應用，2021，30（10）：14-18.

TIAN Beile， NIU Hongxia， LIU Yijian. Optimized Canny edge detection algorithm［J］. Railway Computer Application， 2021， 30（10）： 14-18.

［11］邢樂，張杰，梁惠娥，等.傳統服飾云肩實物圖像主色的智能檢測［J］.紡織學報，2017，38（11）：110-115，123.

XING Le， ZHANG Jie， LIANG Hui'e， et al. Intelligent inspection of dominant colors for Chinese traditional folk Yunjian［J］. Journal of Textile Research， 2017， 38（11）： 110-115， 123.

［12］龔雪慧.基于Snake的圖像分割算法研究［J］.電腦知識與技術，2014，10（13）：3064-3066.

GONG Xuehui. Research on image segmentation algorithm based on Snake［J］. Computer Knowledge and Technology， 2014， 10（13）： 3064-3066.

［13］吳鑫，李強，齊鉑金.Snake模型和遺傳算法在特殊焊縫提取中的應用［J］.焊接學報，2018，39（9）：83-89，132.

WU Xin， LI Qiang， QI Bojin. Application of snake model and genetic algorithm in special weld extraction［J］. Transactions of the China Welding Institution， 2018， 39（9）： 83-89， 132.

［14］張加宏，孟輝，謝麗君，等.基于心沖擊圖和BP神經網絡的心率異常分類研究［J］.數據采集與處理，2021，36（3）：565-576.

ZHANG Jiahong， MENG Hui， XIE Lijun， et al. Abnormal heart rate classification based on ballistocardiogram and BP neural network［J］. Journal of Data Acquisition and Processing， 2021， 36（3）： 565-576.

［15］施端陽，林強，胡冰，等.基于改進BP神經網絡的雷達剩余雜波抑制方法［J］.兵器裝備工程學報，2021，42（10）：79-85.

SHI Duanyang， LIN Qiang， HU Bing. Radar residual clutter suppression method based on improved BP neural network［J］. Journal of Ordnance Equipment Engineering， 2021， 42（10）： 79-85.

［16］羅火靜，劉馳，徐步高.基于乳房形態特征的義乳曲面建模與體積預測［J］.紡織高校基礎科學學報，2020，33（4）：71-77.

LUO Huojing， LIU Chi， XU Bugao. The surface modeling and volume prediction of breast prosthesis based on the breast morphological characteristics［J］. Basix Sciences Journal of Textile Universites， 2020，33（4）：71-77.

［17］蔡子芬，葉洪光.淺析傳統刺繡針法中“點線面”的表達［J］.紡織科技進展，2021（2）：10-12，32.

CAI Zifen， YE Hongguang. The expression of "point，line and surface" in traditional embroidery［J］. Progress in Textile Science & Technology， 2021（2）： 10-12， 32.

［18］胡學剛，邱秀蘭.基于Snake模型的圖像分割新算法［J］.計算機應用，2017，37（12）：3523-3527.

HU Xuegang， QIU Xiulan. Novel image segmentation algorithm based on Snake model［J］. Journal of Computer Applications， 2017， 37（12）： 3523-3527.

［19］姚依妮，王瑋.Harris角點檢測算法的應用研究［J］.智能計算機與應用，2022，12（8）：148-151.

YAO Yini， WANG Wei. Application research on Harris corner detection algorithms［J］. Intelligent Computer and Applications， 2022， 12（8）： 148-151.

［20］韓松奇，于微波，楊宏濤，等.改進Harris角點檢測算法［J］.長春工業大學學報，2018，39（5）：470-474.

HAN Songqi， YU Weibo， YANG Hongtao， et al. An improved Harris corner detection algorithm［J］. Journal of Changchun University of Technology， 2018， 39（5）： 470-474.

［21］李靖，王慧，閆科，等.改進Canny算法的圖像邊緣增強方法［J］.測繪科學技術學報，2021，38（4）：398-403.

LI Jing， WANG Hui， YAN Ke， et al. Improved Canny Algorithm for Image Edge Enhancement［J］. Journal of Geomatics Science and Technology， 2021， 38（4）：398-403.

［22］桑卡，赫拉瓦卡，博伊爾.圖像處理，分析與機器視覺［M］.北京：清華大學出版社，2016：539-553

SONKA M， HLAVAC V， BOYLE R. Image Processing， Analysis， and Machine Vision［M］. Beijing： Tsinghua University Press， 2016： 539-553

［23］高士忠.基于灰度共生矩陣的織物紋理分析［J］.計算機工程與設計，2008，29（16）：4385-4388.

GAO Shizhong. Analysis of fabric texture based on GLCM［J］. Computer Engineering and Design， 2008， 29（16）： 4385-4388.

［24］劉光宇，黃懿，曹禹，等.基于灰度共生矩陣的圖像紋理特征提取研究［J］.科技風，2021（12）：61-64.

LIU Guangyu， HUANG Yi， CAO Yu， et al. Research on extraction of image texture Feature based on gray co-occur-rence matrix［J］. Technology Wind， 2021（12）： 61-64.

［25］STRICKER M A， ORENGO M. Similarity of color images［C］//SPIE Proceedings， Storage and Retrieval for Image and Video Databases III. San Jose， CA. SPIE， 1995：2420.

［26］韓丁，武佩，張強，等.基于顏色矩的典型草原牧草特征提取與圖像識別［J］.農業工程學報，2016，32（23）：168-175.

HAN Ding， WU Pei， ZHANG Qiang， et al. Feature extraction and image recognition of typical grassland forage based on color moment［J］. Transactions of the Chinese Society of Agricultural Engineering. 2016， 32（23）： 168-175.

Embroidery stitch recognition based on Snake-Net algorithm

WANG Jingxue， ZHUANG Meiling

（College of Textile & Clothing， Qingdao University， Qingdao 266071， China）

Abstract：

The traditional embroidery is the intangible cultural heritage of the Chinese nation， and is vigorously promoted by the state. At present， most studies focus on the cultural heritage of embroidery and the application of embroidery in fashion products， while research for embroidery stitches is rarely found. In particular， the research on the recognition of embroidery stitches from the perspective of images is even less. Recognition for embroidery stitches is mostly done by experience， while few methods are available for intelligent recognition， which is not conducive to the digital protection of embroidery works.

In order to realize the intelligent recognition of embroidery stitches and promote the digital protection of embroidery， we firstly classify embroidery stitches as three classifications： point stitches， linear stitches and block stitches on the basis of analyzing the characteristics of embroidery stitches. Block stitches are the stitches whose proportion is the highest among the three classifications in the same embroidery works， while the flush stitches， the grabbing stitches and the overlapping stitches are three kinds of basic stitches which block stitches contain. With the three basic stitches as the processing objects， we analyze and compare the characteristics of these stitches， and construct the stitch model.

Secondly， the texture details of the embroidery stitch image are enhanced， and on this basis， the traditional Snake algorithm is improved. Based on Harris corner detection， corner points in the image are calculated to form a corner set. The Canny operator is used to detect the edge in the image， and the point set of the initial target contour is selected. Then， with the initial target contour as the center， the 5*5 template is used to cover the corner points， and the contour control points of Snake algorithm are determined， forming an intelligent HC-Snake model to realize the intelligent recognition of the target contour. The texture and color features of the target image including a total of 12 feature parameters such as the mean and standard deviation of contrast （CON）， homogeneity （IDM）， energy （E）， entropy （ENT） and correlation （COR）， the second-order color moments （SM） and third-order color moments （TM） are extracted by using the gray level co-occurrence matrix and color moments. Through the analysis of variance of the data， the significant degree of the influence of the stitch classification on each index is verified. It is found that the nine characteristic parameters including CONsd， IDMsd， Ea， Esd， ENTa， ENTsd， CORsd， SM and TM are significantly affected by the stitch classification， and they are identified as the characteristic indexes for classification， and a characteristic data set is established.

Finally， the BP neural network classification model is established， and the parameters of the neural network model are determined by comparative analysis， and the needle samples are classified and identified. With the help of confusion matrix， the accuracy and recall of the classification model are calculated to confirm the reliability of the model. In the meanwhile， the recognition model is verified by an example. The experimental results show that the model can realize the classification of embroidery stitch images， and the classification accuracy reaches 93.3%.

The HC-Snake algorithm proposed in this paper can effectively improve the shortcomings of the traditional Snake algorithm in manually selecting control points， and make it more intelligent. The establishment of embroidery stitch recognition models is used for stitch recognition of ordinary network embroidery images， which improves the accuracy and applicability of the recognition model. The research results can be used to promote the digital protection of traditional embroidery.

Keywords：

embroidery stitches; stitch model; HC-Snake model; gray level mo-occurrence matrix; color moments; BP neural network