纤维成分自动识别是涉及图像处理、模式识别、计算机视觉及神经网络等多个领域的研究课题。鉴于传统纤维检测方法存在诸多弊端以及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。但计算机自动识别纤维依旧是一个比较复杂的问题。国内外将计算机图像技术应用于纤维识别的研究还比较少,很多问题尚待解决。本课题为全国百篇优秀博士学位论文作者专项资金资助项目和教育部留学回国人员科研启动基金资助项目。结合了上海市出入境检验检疫局的纺织品和纤维检验的实际需求。课题研究的重点是棉、麻等天然纤维素纤维和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。纤维图像分离是纤维成分识别的重要的预处理环节,通过对二值纤维图像的信号计算,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图像分离。分离的精度直接影响纤维特征识别的准确率。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存在大量纤维粘连的情况,给纤维图像分离算法带来很大的困难。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缺陷,针对纤维图像的特点,提出了一种基于欧氏距离变换的纤维图像分离算法。文章提出的纤维图像分离算法是以纤维二值掩码图作为输入信号,根据图像集合的理论基础,以距离变换为核心运算,以区域填充、轮廓跟踪为辅助计算处理,构建了从输入信号源点集到最终分离结果信号目标点集之间一系列的映射变换关系,将纤维图像点集按照算法定义的映射关系进行点集的重新分类计算,最终得到分离后的所有独立纤维图像点集。文章中,输入二值图像点集中信号输出部分的集合定义为纤维掩码点集。其次,取纤维掩码点集中的像素点为特征点、对输入图像进行距离变换;用变换结果中距离值较大的点为起始点进行膨胀区域填充;被填充过程所覆盖的无信号输出部分的像素点构成的集合即为纤维图像中的背景区域。然后,对其余的无信号输出部分依次进行各自的区域填充,每次填充所得的点集即为每个纤维对象所对应的内腔点集。最后,以各个纤维内腔点集为特征点,对纤维掩码点集进行距离变换,并将与每个掩码点距离最近的纤维内腔点集合进行归类,即得到了与所有纤维对象一一对应的分离结果点集。通过算法分析和实验验证,本文提出的纤维图像分离算法能够克服传统算法中仅以图像外轮廓进行分离运算的缺陷。算法更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,保证了后续步骤输入数据的准确性。