服装图像分割研究是指在某张带有服装的自然图像上对服装部分的形状进行检测识别并将其轮廓提取出来等内容。由于人工辅助进行特征抽取算法的限制性,并且在目前还存在着缺少样本数据集等一系列问题,服装图像提取的研究在目前的应用中存在着相当大的挑战。因此本文提出了基于R-CNN模型和Fast R-CNN模型结合Grab Cut对服装图像进行分割,以及结合视觉特征的基础上提出增强服装弱轮廓提取的研究,具体工作总结如下:本文采用快速区域卷积神经网络的基本框架将行人街景照片的待检测任务细分为上衣、裙子、包等6个类别,用于服装分类的检测。服装图像分割研究任务中提出了训练快速区域卷积神经网络,在原有的基本框架下调整了模型全连接层参数,得到前景目标的区域,并将得到的前景目标框作为Grab Cut分割算法的初始框。首先本文创建不同服装款式的图像数据集,通过快速区域卷积神经网络模型,提取所有服装数据的卷积特征,并对数据库测试集验证。实验结果显示,基于快速区域卷积神经网络的分类方法、卷积神经网络特征构建的检索方式,在构建的服装数据集上快速区域卷积神经网络己经基本能达到了检测目标精准与快速。再使用Grab Cut算法进行提取,实现了从复杂背景的图片中定位服装位置,去除复杂背景。模拟视觉信息在视通路中的传递和处理过程,首先根据神经节细胞的中心与周边拮抗机制,快速提取主要轮廓信息。然后利用高斯函数和高斯差分函数之间的差异来模拟外部膝状体的非同心圆结构感受野的调制,实现弱化纹理背景。然后构建了初级视皮层区域的多方向单细胞感受野模型,提出了基于负值效应的高斯差(difference of Gaussians)反映改善评价模型。最后考虑初级视皮层区域中复杂细胞有表征视觉高级特征的能力。实现了基于视觉的并行处理与视觉反映融合模型,实现了目标轮廓检测和弱轮廓增强。本文方法拥有良好的自然轮廓检测和提取能力,特别适用于图像局部弱轮廓边缘的检测。本文构建的新模型将有助于对视通路中各层级功能和内在机制的理解,并为基于视觉系统的图像分析和理解提供新思路。