随着科学技术的发展和人们生活水平的不断提高,异形纤维在纺织服装产品中的应用越来越广泛。异形纤维的不同截面形状对织物性能的影响很大。为了正确区分各种类型的异形纤维,需要对各种异形纤维的特征进行提取,以正确描述异形纤维的拓扑结构。虽然已有多种拓扑结构描述方法存在,但是在异形纤维特征提取方面的研究不多,对日益增多的异形纤维种类,需要一种更为有效的异形纤维特征参数提取方法。骨架是物体形状表示和识别的重要方法。作为一种降维的物体形态描述方式,骨架包含了物体目标的轮廓和区域信息,能反映目标重要的视觉线索。骨架的线形连通结构易于转化为树或图的形式,为物体的特征匹配带来方便。目前的骨架算法中,细化算法会使骨架点位置偏移,中轴算法无法保证骨架连通性,两类算法都容易受到边界噪声影响,产生冗余的骨架分支,因此需要对骨架进行剪枝处理。而骨架剪枝算法会造成主骨架分支缩短,且无法保证拓扑结构局部信息和整体特征的统一。针对上述问题,本文提出一种基于向量内积的骨架提取算法,不需要进行剪枝即可获得完整连通的、无冗余分支的骨架。算法首先对二值图像进行轮廓跟踪获得图像边界点序列,并通过距离变换得到物体内部像素点和其对应最近边界点的位置。定义内部像素点到其最近边界点的有向向量为边界向量。求任一内部像素点的边界向量和它八邻域点的边界向量的内积,将其中的最小内积值称为极小内积值。计算每个内部像素点的极小内积值获得极小内积值图。根据内积选取准则确定骨架种子点,根据骨架种子点对应的最近边界点在边界序列中的位置,判断骨架种子点生长方向。利用八邻域搜索法,在极小内积值图中寻找一条极小内积值最小的通路连接骨架种子点,经过骨架两次生长处理得到连通的骨架,最后通过细化算法得到单像素的完整骨架。实验证明,本文提出的算法能够有效提取异形纤维骨架,并能保持异形纤维完整的拓扑结构。求到的骨架位置准确,而且对物体边缘噪声不敏感,无需进行剪枝计算。将提取到的骨架线上的骨架端点和骨架分支点,作为一种异形纤维分类计算参数。实验结果显示,基于向量内积的骨架提取算法在异形纤维上提取的拓扑信息参数,能有效地区分不同种类的异形纤维。最后进一步在MPEG-7图形库中对本文的算法进行验证和提高,扩大了算法的应用范围。