纤维的自动识别是涉及图像处理、模式识别、计算机视觉等多个领域的综合性研究课题。传统纤维检测方法存在诸多弊端,随着计算机图像处理技术的不断发展,纤维自动识别的研究工作有了很大的进展。但通过计算机对纤维进行自动识别研究仍有相当大的难度。对于该领域国内外的研究还比较少,还有很多问题尚待解决。本课题为国家教育部全国百篇优秀博士学位论文作者专项资金资助项目和留学回国人员科研启动基金资助项目,并结合上海市出入境检验检疫局的实际需求对纺织品和纤维检验进行研究。课题研究的重点是棉、麻等天然纤维以及各种异形纤维的显微图像的计算机识别。该课题已于2007年12月通过国家商检总局的项目鉴定。纤维自动识别系统首先对获取的纤维横截面显微图像进行预处理(包括光照不均去除、纤维图象边缘提取等);之后提取单个纤维并统计纤维的几何特征参数;然后通过支持向量机(SVM)分类器进行纤维分类,实现对纤维成分的自动检验和纤维类型的自动识别。其中,最为关键的技术包括图像预处理、纤维图像分割、纤维特征提取和纤维识别。本文的主要研究内容为纤维图像分割中的粘连纤维的判断和分离,以及纤维特征参数提取中的骨架提取。由于纤维切片样本制作工艺上的限制,采集到的纤维灰度图像中不可避免地存在粘连纤维,影响了后续算法的精度。因此,纤维图像分离是纤维成分识别的重要环节。其目标是实现纤维对象与图像背景的分离以及各粘连纤维对象之间的分离。为了较为真实地对粘连对象进行分离,首先需要对粘连的纤维进行准确地判断。本文结合纤维的特点,对轮廓的三角形面积多尺度表示进行了研究,提出了一种粘连纤维的判断算法。经实验验证,该算法能够很好地判断重度粘连的纤维,保证了粘连纤维分离算法的输入的准确性。粘连纤维的分离准确性对纤维特征识别的准确率有直接影响。本文分析总结了图像分离领域中常用算法的特点及其在纤维图像分离应用上的局限性。针对纤维图像的特点,提出了一种基于欧氏距离变换剥离的粘连纤维图像分离算法。本算法能准确地对纤维图像进行分离计算,并能有效地处理纤维图像中的多重粘连问题,保证了后续算法的准确性。物体的骨架包含了形态信息,作为一种降维的物体形态描述方式,包含了物体目标的轮廓和区域信息,反映了目标的重要视觉线索。骨架的线形连通结构易于转化为树或图的形式,为物体的特征匹配带来方便。本文研究了各种的骨架提取方法,提出了一种基于距离变换剥离的骨架提取方法,能够实现连续的、满足人类视觉规律的骨架的提取。所求骨架位置准确,而且对物体边缘噪声不敏感。无需再行剪枝计算。本文提出的算法具有很强的通用性和高效性,对于不同类型的异形纤维识别具有很好的区分度。