Contour Extraction and Size Estimation of Garment Images Based on Edge Detection and Morphological Analysis
Notice bibliographique
Résumé
With the rapid development of the apparel e-commerce and intelligent manufacturing sectors, the efficient processing of garment images has become a key demand for the digital and intelligent transformation of the industry.Among these, the contour extraction and size estimation of garment images directly impact virtual try-on effects, clothing customization accuracy, and the level of production automation.However, in practical applications, garment images are often disturbed by complex backgrounds, diverse textures, and lighting variations, which require higher processing accuracy.Current research in contour extraction and size estimation of garment images shows significant shortcomings: traditional Canny edge detection operators often face edge fragmentation or excessive false edges when processing complex textures or images with uneven lighting; conventional morphological methods are sensitive to noise, making it difficult to precisely extract edges under noisy conditions; existing size estimation methods mainly rely on single contour features, leading to larger errors when garment shapes deform, thus failing to meet the high-precision demands.In response to these issues, this paper presents a novel approach for contour extraction and size estimation of garment images, combining edge detection and morphological analysis.The main contributions are: proposing an improved Canny operator-based edge detection method with enhanced morphological analysis, integrating the strengths of both methods to achieve more accurate and complete contour extraction of garment images; establishing a mapping relationship between the extracted contours and actual sizes, forming a reliable size estimation strategy.The innovation of this study lies in the targeted improvements of the Canny operator and morphological methods, enhancing edge detection performance under complex textures, uneven lighting, and noisy environments; the integration of these two improved methods ensures complementary advantages and improves the robustness of contour extraction; constructing a size estimation strategy based on multi-feature mapping effectively reduces errors caused by garment shape deformations, providing more precise technical support for the garment industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».