纤维成份自动检测是涉及图像处理、模式识别、计算机视觉等多个领域的研究课题。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,纤维自动检测和识别的研究工作有了较大的进展。但运用计算机自动检测和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,并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。课题研究的重点是各种天然纤维和异形纤维显微图像的自动轮廓提取、粘连纤维的分离以及后续的分类识别。纤维成份自动检测系统首先对获取的纤维横截面纤维图像进行预处理,去除由于光照和拍摄形成的噪声的影响；然后对纤维目标的轮廓进行提取；对于粘连在一起的纤维轮廓,进一步进行粘连分离处理,以提取出单个纤维的外轮廓；最后通过SIFT提取纤维特征,并对SVM分类器进行训练,来达到计算机自动成份检测的目的。对纤维显微图像中纤维的正确提取与分离是纤维成份自动检测系统中极其重要的一环。提取单纤维轮廓的质量的好坏,直接影响着后续特征提取与分类识别的精度。因此,纤维轮廓提取与粘连分离是本文的研究重点。针对纤维图像中目标与背景区分不明显、纤维都有内腔的特点,本文提出一种基于水平集算法与聚类思想相结合的棉花纤维图像提取的算法。该算法首先利用二值化算法把棉花纤维图像分割成小区域图,再对单个区域运用水平集算法的方法求出纤维的外轮廓,之后与大津法求出二值图相结合,去除毛刺及不封闭边缘,从而得到纤维的粗略边缘图,进而利用粗略边缘图的填充图和其膨胀图求出纤维的种子区域,最后利用基于聚类思想的粘连分离算法对纤维进行粘连分离。经过分割的纤维图片,可以利用特征提取方法对单个纤维目标进行特征提取,然后训练分类器,用于后续的识别。实验结果表明,该算法不仅能保证纤维边缘的连续性、完整性,并能较快速准确的分割出图像中的单个纤维。通过算法分析和实验验证,本文提出的纤维图像分割及粘连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。算法较准确地对纤维图像进行分割处理,并能有效地处理纤维图像中的粘连问题。由于提取出单个纤维轮廓,后续的分类识别成功率也得到了较大的提高。