CN101424680A - 异形纤维计算机自动识别装置与方法 - Google Patents

Abstract

本发明提供异形纤维计算机自动装置与方法，自动识别装置，包括识别系统的计算机，三维自动载物台，光学显微镜，数字摄像机；通过R232串口将三维自动载物台与识别系统的计算机相连，使得计算机识别系统能通过相应的串口指令控制其精确移动，实现平台的自动控制，将数字摄像机安装在显微镜上，通过数据线将其与计算机相连，通过DirectShow实现计算机对图像采集的自动控制；自动识别方法包含以下步骤，步骤一、图像采集纤维样本制作，步骤二、原始图像的预处理，步骤三、纤维轮廓提取，步骤四、图像拼接，步骤五、纤维图像分离，步骤六、纤维图像特征提取，步骤七、用支持向量机分类器进行分类识别。

Description

异形纤维计算机自动识别装置与方法

技术领域

本发明涉及一种纺织纤维显微图像检测与识别装置与方法，特别是涉及异形纤维计算机自动识别装置与方法，属于异形纤维计算机自动识别技术领域。

背景技术

随着生活水平的提高和科学技术的进步，人们对纺织品的要求越来越高，传统的棉麻纤维已经不能满足人们的需求。20世纪70年代中期，异形纤维的出现大大丰富了纤维品种，为新型服装面料和纺织新产品的开发提供了丰富的原料。

近年来，异形纤维产品向异形复合化、中空化和多功能化方向发展，既提高纤维的保暖蓬松性，又解决起球钩丝、吸湿和透气等问题。因此，异形纤维在世界各国得到了广泛的重视、开发和利用。

中国异形纤维的研制始于20世纪80年代中期，研究的重点是喷丝板制造技术。经过二十多年的发展，异形纤维产品从最初的三角、中空截面发展到今天的多种异形品种，如：五角形、三叶形、哑铃形、椭圆形、异形中空等等。

异形纤维的不规则截面形状使其织物具有独特的服用性，不仅富有弹性、吸湿保暖、质轻柔软等天然纤维的优势，而且可以增加织物的光泽度、保暖性、透气性、抗起球性、防尘性、弹性，是普通合成纤维织物所无法比拟的。

多种异形纤维常常混纺在一起以克服单种异形纤维的缺点，纱线中每种异形纤维的比例决定了纱线的品质，因此在纱线生产过程中，需要对纱线中各种异形纤维的比例进行严格检测和核定，以控制纱线的品质。因此在异形纤维成分自动检测系统中，首先需要根据各种异形纤维的特征参数来对异形纤维进行识别，再根据所识别出来的结果判定各种异形纤维所占的比重，进而得出纱线中所含各种异形纤维的成分分析结果。当前，如何对异形纤维自动进行有效的分类和识别是国际上纺织业的重要研究课题之一。

目前针对这些特征参数测量大部分停留在手工检测。常用的人工测量方法有：剪纸称重、软尺测量等方法。

人工法识别纤维截面，不但费时、费力，而且精度低、数据稳定性较差。对于形态特征、理化特征相近的不同纤维难以正确分辨。中国检验检疫部门则通过常规的切片技术，在高倍光学显微镜和投影仪下对异形纤维的特征参数进行人工观察和判定。这种方法虽然准确率较高，但是操作工作量大，另外，检测人员需要经过专业的培训，需要一定的经验和熟练度。即使如此，检测结果依然受检测人员的主观情绪影响。

发明内容

本发明的目的就在于提供一种异形纤维自动识别装置与方法，利用计算机图像处理技术，对获取的异形纤维横截面显微图像进行预处理后，根据异形纤维横截面显微图像的目标区域来自动提取图像的纹理和几何形状等数理统计特征，然后用支持向量机分类器进行分类识别，实现对异形纤维的自动检测及成份分析。

为达到上述目的，本发明的技术方案是，异形纤维识别方法，包含以下步骤：

步骤一，图像采集纤维样本制作，首先，从待测织物中随机抽取纱线，经解捻后，再对其进行包埋、切片，然后，将获得的切片样品放置在配有数码摄像头的光学生物显微镜下，通过拍摄得到所需的纤维图像样本；

步骤二，原始图像的预处理，所述预处理包括灰度处理、去噪、图像平滑；

步骤三，纤维轮廓提取，即对预处理后的图像进行基于迭代阈值和数学形态学的边缘检测，提取纤维对象的连续轮廓；

步骤四，图像拼接，为了提高纤维显微照片的精度，显微样本是通过多次采样得到的，因此样本包含了一系列的小图，这些小图之间会有部分重复。在进行纤维识别之前，要对这些小图进行拼接，去除小图重复部分的重复纤维，以避免造成重复统计；

步骤五，纤维图像分离，纤维图像分离就是要对经图像拼接得到的纤维二值图中的单个纤维对象进行提取，对于叠加的纤维对象通过基于距离变换的剥离算法有效地进行分离，获取所有的单个纤维对象，为下一步的特征提取做准备；

步骤六，纤维图像特征提取，所述图像特征包括图像的纹理和几何形状等数理统计特征。由于纤维图像受样本制作、图像拍摄和纤维切片变形等因素的影响，变形和噪声较为严重，因此传统的特征提取算法均难以获取准确的特征信息，从而导致识别率较低。系统采用核主成分分析方法从单个纤维的原始图像中提取基于纹理的高阶统计信息，相对受图片质量影响较小。同时利用一种全新的异形纤维几何形态描述方法来描述纤维的几何特征。该方法的鲁棒性和抗干扰能力强，受识别对象的变形影响小，能准确地提取出异形纤维的几何特征；

步骤七，用支持向量机分类器进行分类识别。

所述的装置包括数字摄像机104、装配三维自动载物台102的光学显微镜103和识别系统的计算机101。通过R232串口将三维自动载物台102与计算机识别系统101相连，使得计算机识别系统101能通过相应的串口指令控制其精确移动，实现平台的自动控制。将数字摄像机104安装在显微镜103上，通过USB2.0数据线将其与计算机相连，通过DirectShow实现计算机对图像采集的自动控制。

本发明的有益效果：弥补了传统边沿检测的方法对图像质量要求较高、难以提取轮廓不清晰的异型纤维图像的缺点，为异型纤维识别提出了一种新思路。而且，本发明提出的特征提取与分类识别方法具有通用性，可以广泛应用于其它图像识别应用领域，具有较高的应用价值和推广价值。

附图说明

图1为本发明异形纤维计算机自动识别装置结构示意图；

图2为本发明异形纤维计算机自动识别方法步骤流程图。

以下结合附图和实施例对本发明作比较详细的说明。

具体实施方式

参照图1，这是本发明异形纤维计算机自动识别装置结构示意图。

如图所示，所述的装置包括数字摄像机104、装配三维自动载物台102的光学显微镜103和识别系统的计算机101。通过R232串口将三维自动载物台102与计算机识别系统101相连，使得计算机识别系统101能通过相应的串口指令控制其精确移动，实现平台的自动控制。将数字摄像机104安装在显微镜103上，通过USB2.0数据线将其与计算机相连，通过DirectShow实现计算机对图像采集的自动控制。

显微镜成像系统，首先，考虑的是其获取到的图像能够满足异形纤维识别的需要；其次，考虑的是其实用性。

数字摄像机将显微视场中的一块区域转化为一幅数字图像，它是整个系统的传感器。因而，数字摄像机的性能好坏对本装置的影响较大。

三维载物台要求能够在XYZ三个方向精确移动，并具有相应的R232串口控制功能。

所述的异形纤维显微图像识别设备是具有微处理器、具备计算功能的电子计算机。

本发明提出了一种基于距离变换的剥离算法。

由于切片制作工艺局限以及人造纤维本身的形状不规则特征，通过显微镜采集到的横截面图片中，会出现纤维的重叠、光照不均和虚影等效果，影响纤维图像的正确分离。重叠纤维分离算法的好坏将严重影响到后续纤维识别的准确性，因此重叠纤维分离算法的研究是目前纤维自动识别中的研究重点和难点。

虽然目前有很多的重叠图像分离算法，如分水岭算法，基于凹点的分离算法。这些算法在医学细胞图像领域取得很好的效果，但由于这些算法依赖于对象外轮廓形状，因此在纤维图像的重叠分离中达不到分离纤维对象的目的。

本发明根据粘连纤维灰度图像和二值图像特点，提出了一种基于距离变换剥离的分离算法，算法以基于欧氏距离变换的剥离算法为基础，经加权距离变换演变，从粘连纤维的外轮廓开始剥离，求出分离点，进而分离粘连纤维。

这种算法不仅能对粘连的纤维图像进行良好的分离，使每个纤维保持其独立、完整的轮廓信息，为后续纤维特征分析过程提供正确的输入数据，实现天然纤维图像智能识别过程，而且算法的运算时间复杂度大大降低，提高了图像处理的速度。

参照图2，这是本发明提供一种基于显微图像的异形纤维识别方法。

如图所示，本发明方法以前述一种基于显微图像的异形纤维计算机自动识别系统为硬件基础。由数字摄像机摄取的显微图像样本，经USB数据线送入计算机，对异形纤维图像进行处理分析。

首先，识别系统启动后进入步骤201，制作纤维样本。为了研究异形纤维截面形态或测定异形纤维纺织品的混纺比，需要制作异形纤维截面图像的样本以供观察。首先，从待测织物中随机抽取纱线，经解捻后，再对其进行包埋、切片。然后，将获得的切片样品放置在配有数码摄像头的光学生物显微镜下，通过拍摄，即得到了所需的纤维图像样本。采集图像的格式为BMP，对每个显微样本进行横向m次取样和纵向n次取样，即每个显微样本得到m×n张640×480像素256级的灰度图。每幅图像中都包含大量纤维横截面。

在得到原始图像后，系统进入步骤202，进一步对图像进行去噪和增强处理，以更有利于对图像进行特征的提取。在此步骤中，首先将彩色图像转化为灰度图像，因为异形纤维在颜色上差别不大，同时灰度图像更有利于对图像进行特征的提取。在异型纤维图像中，影响图像质量的噪声大致有两类：光电子噪声和脉冲噪声。去噪处理算法采用基于能量最小化的偏微分方程去噪模型中的典型模型——全变差(TV)模型，在其基础上综合了中值滤波，提出了针对异型纤维图像的去噪算法模型。该去噪算法模型使得异型纤维图像中的高斯和脉冲混合噪声得到了有效的去除，且在达到去噪目的的同时，较好地保留了边缘细节信息。

然后进入步骤203，纤维轮廓提取。显微图像中的纤维边缘是纤维识别的特征形态依据，必须将其提取出来，作为下一步识别的基础。虽然图像边缘检测有许多种经典方法，但其理论与方法都还存在一些不完善之处，针对不同截面的纤维图像，不是每种方法都能取得令人满意的效果。在本步骤中，纤维识别系统采用掩码边缘描述纤维的轮廓。避免了由背景过渡到轮廓的灰度变化和由轮廓过渡到纤维壁的灰度变化时引起多重边缘，以及纤维粘连时纤维分离困难的情况。通过双阈值计算掩码，双阈值中的低阈值由自适应算法进行调整，使得获得的掩码包含所有边缘的细节信息，以防“漏检”，高阈值由统计方法求取，使得获得的掩码能够包含主要的轮廓而不含虚假的边缘。通过双阈值可以有效抑制噪声，同时得到连续的掩码输出。

在提取出待识别的异形纤维轮廓后进入步骤204，图像拼接。为了提高纤维显微照片的精度，显微样本是通过多次采样得到的，因此样本包含了一系列的小图，这些小图之间会有部分重复。在进行纤维识别之前，要对这些小图进行拼接，去除小图重复部分的重复纤维，以避免造成重复统计。这一过程称为图像拼接。图像拼接分两步完成：图像配准和删除重复纤维。具体过程是：首先选取特征点，应用特征点匹配法，在每张小图的上、下、左、右的四个靠近边界的方位内确定一定区域，这样每张小图都会有四个特征区域，在每个特征区域内选取一定数量的掩码点作为特征匹配的特征点；然后，按照对显微样本的取样规则，对序号相邻的两张小图选择最佳匹配率的重合位置作为两张小图的匹配位置，即图像配准；最后，在匹配位置，进行轮廓跟踪，跟踪到一个完整的轮廓，根据轮廓在图像中的相对位置，将靠近边缘的纤维在相应的图像擦除。

经图像缝合得到完整的纤维二值图后，进入步骤205：纤维图像分离。纤维分离是指利用图像分割技术对图像中的纤维、背景进行标记、定位，然后将单个纤维从背景或其他伪目标中分离出来，为下一步的特征提取做准备。虽然本系统中的纤维样本制作采用了先进的包埋、切片方法和预处理方法，大大改善了得到的二值纤维图像，克服了传统方法中的纤维挤压变形、轮廓不连续的缺点，但是图像中依然存在许多纤维重叠的情况，如果将重叠对象作为一个独立的纤维对象处理，则必然造成特征提取的错误，进而影响特征识别，由此得出的纤维混纺比将会受到影响。很多学者对重叠对象的分离算法进行了研究，提出了一些算法，如剥离法、区域增长法、凹点分割法、腐蚀膨胀法、测地重建和流域(分水岭)方法。但是由于纤维本身的特征，使得这些算法并不适用于纤维重叠的分离，经典的分水岭算法会产生过多的分离线，而且分离线严重偏离。凹点分割法要求重叠对象有比较明显的凹陷，否则难以实现准确度分离，这些算法中凹点受噪声的影响比较明显，而且凹点的不正确配对会造成分离线的错误。本系统根据粘连纤维灰度图像和二值图像特点，提出了基于距离变换剥离的分离算法，这种算法不仅能对粘连的纤维图像进行良好的分离，使每个纤维保持其独立、完整的轮廓信息，为后续纤维特征分析过程提供正确的输入数据，实现异形纤维图像智能识别过程，而且算法的运算时间复杂度大大降低，提高了图像处理的速度。

在纤维分离之后得到每个纤维的独立图片，进入步骤206：纤维图像特征提取。所述图像特征包括图像的纹理和几何形状等数理统计特征。在异型纤维的自动识别过程中，特征提取与分类是识别的核心内容与关键。传统的特征提取算法一般均使用提取边缘、角点等几何特征，此方法由于纤维图像受样本制作、图像拍摄和纤维切片变形等因素的影响，变形和噪声较为严重，普遍存在纤维变形、边缘断裂、纤维对象残缺等问题，通常难以从图片中获得传统检验方法所需要的准确的几何特征信息——角点、边缘、周长，面积等，因此传统的特征提取算法往往无法达到较高的识别率。

为此，本发明系统充分利用了灰度图像中隐含的特征信息来进行识别：系统首先将异型纤维截面的灰度图像转换为列向量，构成输入空间；然后，利用KPCA(核主成分分析)算法实现提取特征；最后用SVM(支持向量机)分类器实现异型纤维分类识别。

具体算法流程

a)图像预处理

选取l个异型纤维的截面图像，将其转化为灰度图像。将这些图像缩放到相同大小，并将其灰度值按像素的行或列方向展开，得到大小为图像长与宽像素数的积n的一维向量，记为x₁，L，x_l∈□ⁿ。这些向量所属的iⁿ就是输入空间。

本系统中，l取300；图像缩放到30×30，即n取900。

b)构建特征空间

为了在特征空间中进行线性分类，构造特征空间H，定义映射为

Φ:iⁿ→H

计算核矩阵K。设

K_ij＝(Φ(x_i)·Φ(x_j))＝k(x_i，x_j)        (1)

其中k(x，y)为核函数。

主成分分析是计算样本数据最大方差的正交方向，KPCA则将这一想法推广到特征空间上。在特征空间中，Φ(x₁)，L，Φ(x_l)的协方差矩阵

$C=\frac{1}{l}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\mathrm{\Φ}\left(x_j\right)\mathrm{\Φ}{\left(x_j\right)}^T---\left(2\right)$

的特征向量V≠0，并且存在系数α₁，L，α_l，使得

$v=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i\mathrm{\Φ}\left(x_i\right)---\left(3\right)$

计算特征空间中特征向量的问题转换成成求解核方程

λα＝Kα(α＝(α₁，...，α_l)^T)(4)

由于PCA算法要求 $\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\mathrm{\Φ}\left(x_i\right)=0,$ 中心化Φ(x)，用

替换K，其中

${\hat{K}}_{\mathrm{ij}}=((\mathrm{\Φ}\left(x_i\right)-\frac{1}{l}\underset{m=1}{\overset{l}{\mathrm{\Σ}}}\mathrm{\Φ}\left(x_m\right))\·(\mathrm{\Φ}\left(x_j\right)-\frac{1}{l}\underset{n=1}{\overset{l}{\mathrm{\Σ}}}\mathrm{\Φ}\left(x_n\right)))$

$=K_{\mathrm{ij}}-\frac{1}{l}\underset{m=1}{\overset{l}{\mathrm{\Σ}}}{1}_{\mathrm{im}}{K}_{\mathrm{mj}}-\frac{1}{l}\underset{n=1}{\overset{l}{\mathrm{\Σ}}}{1}_{\mathrm{in}}{K}_{\mathrm{nj}}+\frac{1}{l^2}\underset{m,n=1}{\overset{l}{\mathrm{\Σ}}}{1}_{\mathrm{im}}{K}_{\mathrm{mn}}{1}_{\mathrm{nj}}$  (5)

计算

的特征值与特征向量(λ_k，α^k)，其对应在特征空间H中的特征向量V^k，有

(V^k·V^k)＝1

则(λ_k，α^k)需要满足如下条件：

$1=\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i^k{\mathrm{\α}}_j^k(\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x_j\right))=\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i^k{\mathrm{\α}}_j^k{K}_{\mathrm{ij}}---\left(6\right)$

$=({\mathrm{\α}}^k\·K{\mathrm{\α}}^k)={\mathrm{\λ}}_k({\mathrm{\α}}^k\·{\mathrm{\α}}^k)$

这样既可以最大限度保留数据中的现有结构，又不会丢失重要的非线性特征。

c)特征提取

特征提取就是在特征空间中进行投影。对于KPCA算法，特征值越大，所对应的特征向量累计的方差越大即对核矩阵中的贡献度越大^[2]。为了降低算法的复杂度，提高效率，我们将求得的特征值λ_k，k＝1，...，l从小到大进行排序，选择前m个特征值对应的特征向量用于特征空间投影。考虑到本系统中，纤维图像本身的维数不高，如果m的值取得较大，则不能有很好降维效果，并且置信区间也较大^[1]；反之，则会丢失过多的图像特征。所以选则64作为m的值。

对于需要进行特征提取异型纤维图像，按图像预处理的步骤，转换为大小为n的一维向量x。那么x在特征空间上的投影V^j，应该是

$(V^j\·\mathrm{\Φ}\left(x\right))=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i^j(\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x\right))=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{j}k(x_i,x),j\≤m---\left(7\right)$

d)SVM的训练

对于p种异型纤维各选择q张图像，作为训练样本，经过预处理、特征提取。得到p×q个大小为m的一维特征参数向量，分别根据其类别，指定类别序号1，..，p，作为多类别的SVM分类器的输入。得到判定分类函数f_j(x)，j＝1，...，p。本系统中p取5，q取100。

$f_j\left(x\right)=\underset{i=1}{\overset{p\×q}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_{i}k(x_i,x)+b---\left(8\right)$

e)SVM的分类

对于未知类别的异型纤维图像，通过预处理、特征提取，转换成大小为m的一维特征参数向量y，分别计算f_j(y)，对于满足max[f_j(y)]的j＝1，...，p，则判定该异型纤维属于第j类。

在提取完毕纤维图像特征后，即进入步骤207，采用SVM(支持向量机)分类器实现异型纤维分类识别。首先，在采集到的纤维显微图像中选择一些能代表该纤维种类的纤维作为样本，提取这些纤维的特征参数，构成SVM所需的样本库。此后，进行纤维识别时，以待检纤维的特征参数为输入，经过SVM分类，输出纤维种类的可信度。此时，纤维识别系统已获得切片中每个纤维的种类，各种纤维的个数以及每个纤维的截面面积。各种纤维的密度是已知的，系统采用每种纤维的总面积与密度的乘积之比计算异形纤维的混纺比。

本发明创新性地将支持向量机算法应用于纤维识别，开发了基于支持向量机的纤维识别模型，达到了满意的效果。识别方法是：

本发明创新性地通过自动提取异形纤维横截面显微图像的纹理、几何形状等特征，并将提取到的特征应用SVM分类器来训练识别。可为异形纤维的计算机自动模式识别提供稳定的特征参数值，有效提高了识别率，为异形纤维的快速鉴定和分类研究开辟了新途径。

本发明研究出一种基于显微图像的异形纤维识别系统及方法，经试验证明是可行的.该方法不仅扩展了图像识别的应用领域，而且为实现异形纤维的在线检测奠定了基础。该方法的实现还可以缩短异形纤维的检测周期，准确地检测出异形纤维的混纺比，提高了劳动效率，可以带来可观的经济和社会效益。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种异形纤维计算机自动识别装置与方法，其特征在于：

所述的自动识别装置，包括识别系统的计算机101，三维自动载物台102，光学显微镜103，数字摄像机104；通过R232串口将三维自动载物台102与识别系统的计算机10相连，使得计算机识别系统101能通过相应的串口指令控制其精确移动，实现平台的自动控制，将数字摄像机104安装在显微镜103上，通过USB2.0数据线将其与计算机相连，通过DirectShow实现计算机对图像采集的自动控制。

2。如权利要求1所述的自动识别装置的方法，其特征在于：所述的方法，包含以下步骤：

步骤一，图像采集纤维样本制作，步骤二，原始图像的预处理，步骤三，纤维轮廓提取，步骤四，图像拼接，步骤五，纤维图像分离，步骤六，纤维图像特征提取，步骤七，用支持向量机分类器进行分类识别。

3、如权利要求2所述的自动识别装置的方法，其特征在于：所述的步骤一图像采集纤维样本制作，首先，从待测织物中随机抽取纱线，经解捻后，再对其进行包埋、切片，然后，将获得的切片样品放置在配有数码摄像头的光学生物显微镜下，通过拍摄得到所需的纤维图像样本。

4、如权利要求2所述的自动识别装置的方法，其特征在于：所述的步骤二原始图像的预处理，预处理包括灰度处理、去噪、图像平滑。

5、如权利要求2所述的自动识别装置的方法，其特征在于：所述的步骤三纤维轮廓提取，对预处理后的图像进行基于迭代阈值和数学形态学的边缘检测，提取纤维对象的连续轮廓。

6、如权利要求2所述的自动识别装置的方法，其特征在于：所述的步骤四图像拼接，为了提高纤维显微照片的精度，显微样本是通过多次采样得到的，因此样本包含了一系列的小图，这些小图之间会有部分重复，在进行纤维识别之前，要对这些小图进行拼接，去除小图重复部分的重复纤维，以避免造成重复统计。

7、如权利要求2所述的自动识别装置的方法，其特征在于：所述的步骤五纤维图像分离，纤维图像分离是对经图像拼接得到的纤维二值图中的单个纤维对象进行提取，对于叠加的纤维对象通过基于距离变换的剥离算法有效地进行分离，获取所有的单个纤维对象，为下一步的特征提取做准备。

8、如权利要求2所述的自动识别装置的方法，其特征在于：所述的步骤六纤维图像特征提取，图像特征包括图像的纹理和几何形状数理统计特征，由于纤维图像受样本制作、图像拍摄和纤维切片变形等因素的影响，变形和噪声较为严重，因此传统的特征提取算法均难以获取准确的特征信息，从而导致识别率较低，采用核主成分分析方法从单个纤维的原始图像中提取基于纹理的高阶统计信息，相对受图片质量影响较小，同时利用一种全新的异形纤维几何形态描述方法来描述纤维的几何特征。

Images