传统服装结构设计主要依赖于专业制版师完成,其自身的局限性导致其耗时长、效率低、成本高,而且制版的质量完全取决于制版人员的专业水平和经验,受主观影响较大。加之,个性化理念的转变,促使服装行业向着小批量、多品种方向发展。提高服装企业的“快速反应能力”成为提高企业竞争力的关键,因此迫切需要寻找一个实现快速制版的方法。本课题以服装款式图为研究对象,利用图像处理与识别技术从样本库中检索出与目标服装部件(以衣领为例)款式相似的部件。用户只需对调出的相应结构图进行局部微调即可得到新的样版,有效减少不必要的重复操作,提高效率,实现资源共享。同时,也为自动化款式识别、软件开发和应用提供新的思路。本课题的主要研究内容如下:首先,建立衣领款式样本库,其中包含服装中常用的圆领、V领、方形领、立领、衬衫领、平驳领、连驳领以及戗驳领,共8种领型,每款领型对应60幅图像。对比分析了常用的图像灰度化、锐化、边缘检测、形态学处理以及图像分割等处理方法的优缺点,制定相应的图像预处理方案,并在MATLAB平台上完成算法实现。然后,结合衣领款式图像特点提出基于复杂网络的形状特征提取算法。首先,以轮廓点作为网络节点构建初始网络,并进行多距离阈值演化;其次,依次提取演化后各子网络的最大度、平均度、平均联合度、熵、能量、平均聚类系数以及平均路径长度构建形状特征描述算子;之后分别采用支持向量机和BP神经网络进行衣领款式的识别分类。其中,基于BP神经网络的平均整体分类准确率为95%;基于SVM的平均整体分类准确率为98%,分类结果理想。同时,通过加入不同水平和不同类型的噪声验证算法抗噪性能。结果表明,本文算法适用于一定噪声密度的图像识别,当加入一定程度的噪声时,仍具有较好的分类效果。并将本文算法与Hu不变矩、HOG特征提取算法进行对比分析。结果表明,无论是样本的整体分类,还是各类别的平均分类,本文算法的分类准确率均最高,且分类结果相对稳定。综上所述,本文提出的基于复杂网络的特征提取方法适用于衣领款式的识别与分类。最后,基于本文构建的衣领部件特征库,以查全率和查准率作为有效衡量指标,以欧氏距离和曼哈顿距离作为相似性度量进行图像匹配。结果显示,使用欧式距离可获得较高的查全率和查准率;其中,基于欧氏距离度量的8幅图像(8个类别)匹配结果中,4幅图像的相关系数为1;三幅图像的相关系数为0.99,一幅图像的相关系数为0.89。款式匹配结果理想,可以满足衣领结构图共用的目的。