山羊绒和绵羊毛同属于动物纤维,两者在外观形态,化学结构和物理性质等方面相似度很高,因此在纺织领域对这两类纤维的鉴别一直都是个挑战。又由于两者在服用性能上的差异,在加上羊绒纤维的产量很低,所以价格相差巨大,市场上的掺假情况不断增加。为了维护消费者利益,就需要找到一种快速有效,成本低廉的鉴别方法。对于这个问题,学者提出了许多羊毛羊绒的鉴别办法,大致可以分为光学显微镜法,电子显微镜法,近红外光谱法和DNA鉴别法等。因为羊绒和羊毛属于不同种类的纤维,所以DNA方法可以从根本上对类别进行判断,但这种方法成本较高难以普及,目前只局限在一些大型检测机构中。现在行业内普遍使用的还是人工鉴别方法,专业的检测人员通过对纤维在光学显微镜下的形貌进行观察,依据经验进行鉴别。光学显微镜法操作简单,获取图片速度较快,但缺点是得不到纤维表面鳞片的真实轮廓,与电子显微镜相比清晰度较差。随着计算机应用技术的发展,特征提取的方法在图像识别的应用上也越来越广泛。因此本文结合电子显微镜图像与图像识别技术来研究羊绒羊毛纤维的识别问题。本文首先研究了一种基于纤维骨架特征的鉴别方法,纤维骨架是指将原始图像处理之后仅仅保留鳞片的边缘以及纤维两侧轮廓的部分。这种方法假定羊毛和羊绒纤维在鳞片形状和排列模式上存在一定的区别,通过提取一些有代表性的特征参数来区分两者,包括:纤维平均细度、单根细度方差、鳞片密度、鳞片平均面积、鳞片面积方差、鳞片平均周长、鳞片周长方差和鳞片圆形度等。具体步骤包括纤维图像处理,骨架特征提取和特征参数的分类。图像处理过程中针对边缘轮廓丢失的问题提出了对应的解决办法。实验中共使用了1000幅纤维图像,其中70%作为训练样本,剩余30%作为测试样本,通过测试不同的核函数并调整参数,发现使用c-svc和RBF核的组合,最终测试集的平均识别率在87%左右。另一种方法是基于加速稳健特征算法(Speed up robust features,SURF)的纤维识别。首先为了排除掉图像背景中噪音的影响,需要进行预处理,之后进行特征的提取,再将大量SURF特征聚类并转化为直方图向量的形式,最后使用支持向量机(support vector machine,SVM)进行分类。实验中通过改变纤维混合比例和样本量来进行测试,发现本方法在不同混合比例下分类效果均比较稳定,并且当样本量大于300时分类结果均可达到90%以上。通过对比这两种方法,可以发现基于SURF特征的识别方法在分类效果上表现更好,并且对于图像处理的要求较低,因此在速度上也有很大的优势。