1.一种基于阈值回归的纤维材料孔隙率分析方法，其特征在于，包括以下步骤：步骤一、对所有样品拍摄SEM图像，并对图像进行平滑处理，以降低拍摄过程中产生的噪声。

步骤二、将所有样品的SEM图像进行灰度化处理，即将像素的颜色值转换为灰度值。命名SEM图像的灰度化结果为“灰度SEM图像”。

步骤三、对所有样品的灰度SEM图像，获取其平均灰度值，即所有像素点的灰度值的平均值，命名第i个样品的平均灰度值为Ai。

步骤四、对所有样品的灰度SEM图像，使用鼠标点击图像中的N个孔隙位置，计算点击的N个孔隙处的像素的灰度值的平均值，称为孔隙灰度值，命名第i个样品的孔隙灰度值为Bi。

其中，N可在实验过程中进行设置，N的值一般设置为5至10个，N值越大误差越小。

步骤五、对所有样品的灰度SEM图像，使用鼠标点击图像中的M个纤维位置，计算点击的M个纤维处的像素的灰度值的平均值，称为纤维灰度值，命名第i个样品的纤维灰度值为Ci。

其中，M可在实验过程中进行设置，M的值一般设置为5至10个，M值越大误差越小。

步骤六、将所有样品分割为样品集P和样品集Q。将样品集P中的所有样品进行物理实验过程，获得其物理实验孔隙率结果，命名第i个样品的物理实验孔隙率结果为Pi。

步骤七、对样品集P中的每一个样品的灰度SEM图像，根据物理实验孔隙率结果获取其最佳分割阈值，并命名第i个样品的最佳分割阈值为Di。对第i个样品的最佳分割阈值是指，当分割阈值为Di时，通过对灰度SEM图像进行处理计算出的孔隙率值最接近于物理实验孔隙率结果Pi。

步骤八、将样品集P中的样品通过随机采样分为训练集PA和测试集PT。

步骤九、将训练集PA中的样品的Ai组合为向量A，将训练集PA中的样品的Bi组合为向量B，将训练集PA中的样品的Ci组合为向量C，将训练集PA中的样品的Di组合为向量D。

步骤十、以向量A、B、C为自变量，向量D为因变量，建立回归模型。该回归模型的因变量D是最佳分割阈值的组合，命名该模型为阈值回归模型。

步骤十一、使用测试集PA中的样品的数据验证步骤十中建立的阈值回归模型的误差范围，假如误差范围符合要求，则模型建立完成，继续步骤十二；假如不符合要求，则模型建立失败，过程结束。

步骤十二、对样品集Q中的每一个样品，将步骤十中建立的“阈值回归模型”应用于样品的孔隙率计算，具体应用方法为：步骤12.1、以样品集Q中的第i样品的平均灰度值Ai、孔隙灰度值Bi、纤维灰度值Ci作为自变量，通过阈值回归模型计算因变量的值，即第i个样品的最佳分割阈值Di。

步骤12.2、根据最佳分割阈值Di，计算第i个样品的孔隙率值Pi。

至此，样品集Q中的所有样品的孔隙率计算完毕，需确定孔隙率的材料孔隙率全部获取完毕。