纤维图像分割是纤维图像自动识别系统中的一个重要步骤,是纤维特征提取以及纤维识别的基础。在纤维图像采集过程中,由于纤维包埋和切片技术、图像采集系统中的环境、设备及人为等因素的限制,采集到的图像存在光斑、扭曲变形、光照不均等噪声,这给纤维图像分割带来困难。本文在深入分析现有的图像分割方法的基础上,为解决传统图像分割方法用于纤维图像分割存在双边缘、伪边缘和轮廓不连续的问题,将Snake模型引入到纤维图像分割中,提出了一种基于Snake模型的纤维图像分割算法。本文在研究了Snake模型的基础上,为解决传统Snake模型对初始轮廓线位置敏感和不能分割凹陷区域等问题,重点研究了GVFSnake模型在纤维图像分割领域中的应用.虽然GVF Snake模型有效解决了传统Snake模型的缺点,但运用到纤维图像分割中也存在着很多难点,比如时间效率、初始轮廓线的有效区域等问题。针对这些难点,本文首先结合GVF Snake模型的特点和纤维图像自有的特性,研究了适用于GVF Snake模型的纤维图像平滑去噪、去除光照不均的预处理方法；其次,提出融合聚类分割算法和GVF Snake模型的纤维图像分割方法,选取K-means聚类分割结果作为GVF Snake模型的初始轮廓线,充分发挥二者的优点,有效地解决了传统纤维图像分割存在的诸多问题；最后,由于纤维图像本身的特点,上一步的分割结果中可能存在毛刺,本文在轮廓跟踪方法的基础上找到毛刺并将其去除,得到完整、连续且单像素的纤维分割结果。大量实验数据表明,利用本文算法分割纤维图像,有效解决了传统图像分割方法分割结果的双边缘、伪边缘或者轮廓不连续等问题,得到的结果准确、完整,实现了准确分割各类较复杂的纤维图像的目的,而且有效缩短了纤维图像的分割时间。