本文应用计算机视觉技术对织物的平整度等级进行客观评定。全文分三大部分：织物外观形状的三维重建；表面重建织物的特征参数提取；利用模式识别方法评定织物的平整度等级。全文共分八章，每章内容简介如下： 引言部分简要介绍了论文选题的背景。 第一章重点概述了国内外有关织物平整度等级评定的研究现状。主要介绍了测定织物外观形状的仪器法、主动立体测定法和利用三维重建算法恢复织物表面形状法，并对反映织物平整度的特征参数提取和选择以及用于等级评定的模式识别算法等方面的研究现状加以介绍。 第二章描述了光度立体视觉和阴影恢复形状两种三维重建算法，本章同时介绍了这些算法的基本原理和实现过程，并分别利用合成图像、简单形状实物和平整度模板对两种算法的可靠性进行测试和验证。光度立体视觉算法是利用多幅灰度图像重建物体表面形状。在光照条件能够控制的情况下，是一种较为简便可行的办法；阴影恢复形状算法是利用单幅图像恢复物体的三维表面形状。但是在算法中需加入特定的约束条件。 第三章叙述了反映织物平整度特性的特征参数提取和选择。利用织物模板的三维轮廓数据，可提取10种不同的织物平整度特征参数，它们是：对比度、功率谱密度、分形维数，表面面积、粗糙度、扭曲度、峰度、平均偏移量、整体折皱密度和尖锐度。计算结果表明，这些特征参数与平整度等级的相关系数均超过90％，可进一步用于织物平整度等级的模式识别。 第四章介绍了自行设计的织物光照图像的获取装置，并利用该装置摄取了26块不同类型的织物图像，通过第二章提及的三维重建算法重建织物的表面形状，并从中提取反映织物平整度的特征参数。三位评定专家对26块不同类型织物平整度的主观评定结果也一并给出。 第五章概述了Kohonen自组织神经网络和Heb学习规则在织物平整度等级评定中的具体应用。Kohonen自组织神经网络以聚类原则为基础，利用竞争手段训练网络，Heb学习规则是对自组织神经网络的改进算法。织物模板的特征值首先被输入神经网络中进行学习和训练，输出神经元即为竞争获胜的神经元，并依据平整度模板等级划分类别，因此可直接评定织物平整度等级，26种织物样本可参考平整度等级模板评定程序进行评定，并将评定结果与第四章给出的主观评定结果进行对照。结果表明，采用两种不同的三维重建算法，评定结果与主观评定的相关系数分别为 93．8％和 92．26％；评定级差 0．5级以下的样本百分比，即评定准确率分别为 92．31o和 88．47O。 第六章采用模糊模式识别方法评定织物的平整度等级。该方法以Mamdani模糊模型为基础，在隶属度函数和模糊规则选取合适的前提下，可以得到较为准确的模糊输出值，模糊输出值代表了不同的织物平整度等级，平整度越剧烈，去模糊化值越大，反之，则越小。将织物平整度模板特征参数的隶属度函数引入模糊推理系统，可以计算出反模糊化值，每一个从系统中输出的反模糊值代表了不同的平整度等级，由此可评定织物样本的平整度等级。利用不同织物平整度模板的反模糊化值和“择近原则”评定26种织物样本的平整度等级。结果表明，从两种三维重建算法出发，主、客观评定的相关系数分别为 97．38％和 9233％；评定准确率分别为 92．31％和 84石2％。 第七章引入自适应模糊神经网络评定织物平整度等级，自适应模糊神经网络以Sugeno模型为基础，以模糊输入为特征。首先利用减法聚类法确定平整度模板特征参数的隶属度函数个数和模糊规则数，隶属度函数被输入系统之中，并通过学习和训练，得到输出的隶属度函数值，经过加权平均，最终的输出值代表了不同平整度模板等级，山此评定织物样本的平整度，依据最终输出值和“择近原则”客观评定26种织物样本的平整度等级。 第八章对全文进行了总结。介绍了本文的主要贡献，并讨论了需要进一步深入研究的问题。