混纺织品中纤维自动识别技术是我国进出口检验部门、研究机构和生产企业迫切需要解决的问题,也是该领域世界范围的技术难题。本课题来自国家自然科学基金项目《基于约束条件的非负矩阵分解算法及其在纤维自动识别中的应用研究》(NO.61472075),本文的研究重点是采用图像处理及非负矩阵分解算法来实现纤维的自动化识别。在实际的纤维图像采集过程中,由于显微镜、图像采集系统、成像系统、光照等各种环境因素的限制,纤维图像噪声较多,情况复杂。一种合适的数据表示方式能够发现纤维图像中潜在的结构,有利于数据进一步的处理。本文提出一种基于非负矩阵分解的纤维图像的表示方法,设计并实现了一套基于非负矩阵分解算法的纤维自动识别系统。通过实验表明,提出的纤维自动化识别方法,不仅可以对纤维图像进行线性表示,有效的提取了纤维图像的局部特征,而且相比经典的SVD、PCA算法,在纤维的特征提取方面更具有鲁棒性。本文的研究内容主要包括以下几点:(1)图像预处理:为了避免非必要运算,对原始纤维图像进行灰度化及二值化处理;为了过滤噪声,对纤维图像进行小波变换;为了强化特征,进行拉普拉斯变换。通过大量实验,最终得到一套适用于纤维识别的图像预处理方案。(2)特征提取:传统的纤维识别方法和机器学习算法,往往需要依赖人工经验来帮助系统选取关键特征,因此识别能力和特征的选取有很大关系。本文通过非负矩阵分解算法,自动提取纤维图像上的关键特征,提高系统识别率和鲁棒性。(3)针对非负矩阵分解算法对纤维样本提取的特征稀疏性较差的问题做进一步研究,通过对非负矩阵分解施加稀疏度约束,获得了更优的分解结果,提高了对纤维的识别率。(4)针对非负矩阵分解的稀疏度约束值难以确定的问题,本文提出了一种基于遗传算法的稀疏度自适应算法,进一步提高了对纤维的识别率。