利用数字图像处理技术从服装图像中识别出服装款式,在服装的消费分析、辅助服装设计以及身份识别等领域有着广泛的应用前景。服装款式特征主要是由服装的轮廓特征体现。当前服装款式识别领域针对服装轮廓进行特征提取及分类的研究中,主要的方法有基于小波傅里叶描述子的极端学习机分类法,以及基于融合特征的欧式距离分类法。但是这些方法也存在着一些不足,例如小波傅里叶描述子相似度判别较复杂、极端学习机分类适应性差和欧式距离判别效率低等问题。目前仍没有有效的方法对服装轮廓进行特征提取以及分类。针对以上问题,本文探索一种利用数字图像处理技术对服装实物图像进行款式识别的新型而行之有效的方法。根据轮廓特征提取及其分类方法的主要技术特点,本文提出了两种不同的技术方案——基于轮廓曲率特征点的模板匹配法和基于轮廓傅里叶描述子的SVM分类法;经过具体的设计、实现以及可行性验证,最终通过对款式识别结果的对比分析得出优选方法。主要的研究工作概括如下:首先,本文对课题研究背景及现状进行分析,通过分析当前研究工作的不足,提出本课题。其次,由于国际上目前没有一个公认的服装图像样本库,本文创建了一个新的样本库。针对传统基于边缘检测的服装图像预处理算法对服装轮廓提取效果差的状况,本文设计了一种基于灰度线性变换的预处理方案。通过线性变换拉伸灰度区间,增强了服装图像与背景的对比度,经过二值化和一系列形态学处理后,服装图像边界清晰,canny算子边缘检测后进行频域的傅里叶滤波,最终得到服装轮廓。最终的方案实现结果表明,采用此方案获得的服装轮廓平滑,能有效降低纹理噪声,且不失原本结构。然后,根据当前轮廓特征的提取技术较复杂,其分类方法的效率低、适应性差等现状,本文提出了两种解决方案:方案一,基于轮廓曲率特征点特征的hausdorff模板匹配法;方案二,基于轮廓傅里叶描述子特征的svm分类法。方案一中轮廓曲率特征点能够描述服装轮廓曲线的弯曲特征,其计算简单且直观性强;改进的均值hausdorff距离相似性判断效果更好。方案二中傅里叶描述子表达了轮廓全局的形状特征,且每个分量都具有一定的物理意义,相似性判别简单;svm的分类能力和泛化能力也比较突出。通过详细的设计和matlab编程,实现了上述方案并进行了可行性的验证。最后,通过方案一、二的实验结果对比后发现,方案二对样本库650张服装图像的款式识别准确率约为95.9%,比方案一高约17%;方案二识别每张图像耗时约3.6毫秒,比方案一快约20倍;但方案一针对轮廓特征明显的款式识别效果更好,特征描述的直观性更强。综合对各款式和整体的识别效果,方案二的优势突出,确定为较优方案。并且通过将方案二与其他轮廓特征提取方法(hu不变矩、融合特征)和分类方法(极端学习机、bp神经网络)进行了对比,进一步确认了方案二的优势。本文提出并实现的服装款式的计算机图像识别方案,能够对服装图像中的服装款式自动识别,预处理方案能够有效消除纹理噪声的干扰,轮廓特征提取及其分类方案的特征描述能力强、计算简单,款式识别准确性、实时性和适应性都较好。该方案的提出对服装款式识别的实际应用具有一定的参考价值,为复杂服装图像的服装款式自动识别系统的研发奠定一定的基础。