| 第一章 绪论 | 第1-19页 |
| 1．1 引言 | 第12-13页 |
| 1．2 图像处理技术应用于起皱织物图像分析 | 第13-16页 |
| 1．2．1 基于起皱织物二维图像的分析方法 | 第13-14页 |
| 1．2．2 基于起皱织物距离图像的分析方法 | 第14-15页 |
| 1．2．3 基于起皱织物二维图像三维重建的分析方法 | 第15-16页 |
| 1．3 模式识别应用于起皱织物等级评估 | 第16-17页 |
| 1．4 本文研究的主要内容 | 第17-19页 |
| 第二章 织物平整度等级客观评估系统的整体设计 | 第19-24页 |
| 2．1 本系统研究的工作背景 | 第19页 |
| 2．2 客观评估系统的体系结构 | 第19-21页 |
| 2．3 客观评估系统各功能模块的设计分析 | 第21-24页 |
| 第三章 客观评估系统的硬件设计与实现 | 第24-30页 |
| 3．1 系统硬件设备的选取 | 第24-26页 |
| 3．1．1 开发主机配置 | 第24页 |
| 3．1．2 CCD摄像机 | 第24-25页 |
| 3．1．3 图像采集卡 | 第25页 |
| 3．1．4 光源系统 | 第25页 |
| 3．1．5 其它辅助设备 | 第25-26页 |
| 3．2 图像采集装置的构架 | 第26-27页 |
| 3．3 光源矢量矩阵 | 第27-29页 |
| 3．4 本章小结 | 第29-30页 |
| 第四章 客观评估系统的软件算法研究 | 第30-46页 |
| 4．1 光度立体视觉法的算法研究 | 第30-37页 |
| 4．1．1 光度立体视觉法的原理 | 第30-32页 |
| 4．1．2 从光度立体图像中求解物体表面法向量 | 第32-34页 |
| 4．1．3 从物体表面法向量中恢复物体表面形状 | 第34-36页 |
| 4．1．4 算法验证与比较 | 第36-37页 |
| 4．2 织物平整度特征值的提取 | 第37-41页 |
| 4．2．1 平整度特征值的计算 | 第37-40页 |
| 4．2．2 平整度特征值的选取 | 第40-41页 |
| 4．3 应用神经网络的织物平整度等级模式识别的算法研究 | 第41-45页 |
| 4．3．1 神经网络的结构及特点 | 第41-42页 |
| 4．3．2 神经网络方法用于织物平整度模式识别的可行性 | 第42页 |
| 4．3．3 BP网络及其结构算法 | 第42-45页 |
| 4．4 本章小结 | 第45-46页 |
| 第五章 客观评估系统的软件设计与实现 | 第46-60页 |
| 5．1 软件主界面及软件结构 | 第46-47页 |
| 5．2 系统功能模块的程序实现 | 第47-56页 |
| 5．2．1 图像的采集 | 第47-48页 |
| 5．2．2 织物表面三维重建 | 第48-52页 |
| 5．2．3 织物平整度特征值提取 | 第52-54页 |
| 5．2．4 基于 BP网络的织物平整度模式识别 | 第54-56页 |
| 5．3 平整度等级 BP神经网络分类器的建立 | 第56-59页 |
| 5．3．1 初始参数设定 | 第56-57页 |
| 5．3．2 基于 AATCC模板的分类器建立 | 第57-59页 |
| 5．4 本章小结 | 第59-60页 |
| 第六章 客观评估系统的试验与分析 | 第60-66页 |
| 6．1 实际织物的系统评估 | 第60-62页 |
| 6．2 实际织物的主观评估 | 第62页 |
| 6．3 两种评估结果比较与分析 | 第62-65页 |
| 6．4 本章小结 | 第65-66页 |
| 第七章 结论与展望 | 第66-68页 |
| 7．1 结论 | 第66-67页 |
| 7．2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录一 AATCC模板的图像及特征值 | 第72-76页 |
| 附录二 实际织物图像及特征值 | 第76-84页 |
| 致谢 | 第84页 |
