随着服装CAD技术的发展,越来越多的款式图以及与之对应的结构图文件都被保存下来了,充分利用重复的款式和版型部件是当前大数据和智能化背景下企业的需求,同时也可以节省服装设计与制版的成本、加快反应速度,从而提高生产效率。因此,怎样将服装平面款式图同服装结构图有效结合,充分利用重复的款式部件并将它们应用于服装智能设计中成为智能化服装设计技术发展的重要研究方向。本文基于图像处理与模式识别的计算机应用技术,实现了服装平面款式图的预处理、特征提取和描述、部件分类和识别,同时提出了将款式识别实现方案应用于结构图检索和智能设计系统中的整个理论框架构想图。研究主要内容如下:首先制作了8种不同类型的衣领部件图,其中每种部件数量60个和整体款式图约100个,为本文的实验提供训练和测试样本。然后对款式图预处理、特征提取和分类识别。在预处理时,对款式图进行锐化和二值化,多次实验得到Laplace锐化效果较好,二值化阈值取0.6时效果理想;采用区域生长法进行款式部件分割,将分割后的部件在边缘检测算子的实验下比较,得到Canny算子边缘检测更好;最后将检测到边缘的部件款式的轮廓点集顺序解析存储,运用基于Hough和Bezier曲线对部件矢量化,程序运行后,分割和矢量化效果好。对款式部件特征提取和描述时,运用弦特征矩阵(CFM)方法,以翻驳领和圆领为例说明当轮廓点选择32,64,128时,尺度选择4,16,32,64时的弦特征,有效描述了衣领的凸凹点,极值点和弯曲度。在部件分类识别前,归一化特征,其中选择傅里叶变换使款式旋转特征归一化,并选择不同的傅里叶低频系数个数对部件重构,发现当低频系数个数为18已基本复原原图,然后基于RBF的支持向量机(SVM)分类法对归一化后的特征进行分类和最近邻(1NN)识别法对待测部件进行识别。选择轮廓点数量为64,5个不同尺度,前16个傅里叶低频系数进行分类识别实验,结果表明采用的CFM特征提取和SVM与1NN识别分类法的结合效果很好,综合识别准确率达到95.6%,并且可按照差异度大小识别待测目标。同时,运用控制变量法对采用的弦特征描述子(CFM)和基于SVM和1NN相结合方法的结果进行分析,对加入椒盐噪声的图同原图进行特征提取,说明本文选用的CFM特征提取的鲁棒性好;并在选用本文的分类识别方法下,基于Hu不变矩、曲率特征提取比CFM的识别率低,它们分别是82.5%和88%,其中Hu不变矩识别过程中所耗时间短;选用本文的CFM特征描述,基于BP神经网络分类识别率是62%,比本文的SVM和最近邻分类法低。最后同SURF识别方法比较,得到本文整个款式图识别更有优势。最后,研究了将款式识别实现方案应用于结构图检索和智能设计系统中的重要性,并提出了整个智能服装设计的CAD系统中理论框架图。