CN103234969B - 一种基于机器视觉的织物纬密度测量新方法 - Google Patents

Abstract

本发明涉及一种采用空域和频域相结合的基于机器视觉的织物纬密度测量的方法，其包括织物图像在空域的预处理、空域和频域结合提取织物纬线的纹理基元、织物纬密度的空域初步计算、织物纬密度的频域精确计算。利用空域与频域结合的处理方法，提高了纬密度的检测精度，成倍的削减空域处理中的数据量，提高了处理速度。在织物品种类型、尺寸大小、纬密度大小不同的情况下，自动快速、精确测量织物的纬密度。此方法具有检测效率高、适用性强、准确性高的特点。

Description

一种基于机器视觉的织物纬密度测量新方法

技术领域

本发明属于织物参数测量领域，具体是一种采用空域和频域相结合的基于机器视觉的织物纬密度测量的方法。

背景技术

现代人们对纺织品质量的要求不断提高，织物纬密度检测在印染行业已成为保证织物产品合格的重要步骤之一。织物纬密度是指织物单位长度所含的纱线根数，它直接影响织物的外观、手感、厚度、强力、抗折性、耐磨性和保暖性能等物理机械性能，关系到纺织企业的生产成本和效率。传统织物纬密度的检测主要靠人眼利用纬密度镜或者照布镜来检测，效率低，出错率高且主观性强，已经无法与生产自动化的今天相适应。上世纪80年代以来，由于具有非接触、快速等优点，基于机器视觉的自动测量方法在织物纬密度测量中应用越来越广泛。目前国内外对纺织品纬密度自动测量均进行了大量的研究。

总的来说，基于机器视觉的织物纬密度测量由图像采集、图像预处理、特征提取等阶段构成，其核心是对采集的织物图像应用合适的方法进行处理，目前主要可分为空域处理方法和频域处理方法：

1)空域处理方法。织物通常是由两个相互垂直的经纬纱线系统交织而成的，纬纱走向为一组间隔基本固定的平行线，且织物扫描图像中纱线处的灰度值高而纱线间的空隙处灰度值低，空域处理就利用上述特点对织物图像灰度级变换的特征进行量化，即进行织物纱线纹理特征的提取，从而计算织物的纬密度。常用的空域处理方法有灰度共生矩阵法、马尔可夫随机场纹理分析方法等，这些方法在处理大尺寸、高纬密的织物图像时，由于其相对于频域处理计算量大，存在测量速度慢等缺点，故而难以满足生产实时监测的要求。

2)频域处理方法。织物图像反映了织物的表面形态，无论是纬纱还是代表纬纱的纹理基元都有周期性变化的灰度分布，包含了织物经纬纱线的信息，因此，可将图像的二维灰度分布变换为对应的二维频域中的频谱。织物纹理图像的傅里叶功率谱极值包含了丰富的织物结构信息，提取此结构信息再通过傅里叶反变换可有效地提取织物的空间结构特征。这种方法比直接从原始图像中提取空间结构信息更为容易、准确。功率谱峰值的大小和位置反映了纹理的周期性，但是在未知被测织物初略纬密度值和纬线倾斜角的情况下难以准确定位峰值点的位置且计算量大，同时对低纬密度织物图像，由于频域中的峰值点极其靠近频谱图像中心，定位峰值点位置时的极小偏差都可能带来较大的测量相对误差，因而也不能完全适应各种织物纬密度检测。

可见，如果单独应用上述两种测量方法，受织物品种类型、尺寸大小、纬密度大小等因素的影响，测量速度和精度都难以完全满足实时在线测量的需求，有待进一步提高。

发明内容

本发明的目的是在克服传统方法只是单一在空域或频域中处理织物图像之不足的基础上，提出一种空域与频域相结合的基于机器视觉的织物纬密度测量新方法，在织物品种类型、尺寸大小、纬密度大小不同的情况下，自动快速、精确测量织物的纬密度。此方法具有检测效率高、适用性强、准确性高的特点。

本发明是一种空域与频域相结合的织物纬密度测量方法，该方法包括：织物图像在空域的预处理、织物纬线的纹理基元提取、织物纬密度的初步计算、织物纬密度的精确计算；所述基于机器视觉的织物纬密度测量方法包括如下步骤：

步骤1采用均值滤波与矫正相结合的方法对织物图像进行预处理，在采集大小为W×H像素点组成、视场测量范围为Lcm×Mcm的织物图像上，对于原始图像首先生成尺寸为r×c的均值滤波器掩码 $M(i,j)=\frac{1}{\mathrm{rc}}\left[\begin{array}{cccc}1& 1& \·\·\·& 1\\ 1& 1& \·\·\·& 1\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ 1& 1& \·\·\·& 1\end{array}\right],$ 并将所述滤波器掩码M(i,j)代入预处理计算式f(i,j)＝round(127-M(i,j)*K+f₀(i,j))中，进行低通滤波预处理，得到预处理后的织物图像f(i,j)，其中，K为矫正系数，用来矫正图像整体亮度，其值根据均值滤波掩码尺寸而变化。

步骤2从织物预处理图像中提取织物纬线的纹理基元，首先，采用频域与空域相结合的方法，根据频域图像与其复共轭之乘积的傅里叶逆变换即为对应的空域图像的自相关函数，获取织物图像的空域自相关图像R_f(m,n)；然后从所述自相关图像中搜索灰度局部极大值，获得代表织物纱线基元的空间分布，从而提取织物纬线的纹理基元。

步骤3织物纬密度的初步计算，将所提取的纹理基元进行形态学膨胀、提取区域骨架并进行直线拟合，获取织物纬线并计算平均纬斜角据此初步计算纬线间的平均线距和纬线平均线宽从而得到粗略的织物纬密度值(根/Mcm)。

步骤4织织物纬密度的精确计算，对所述预处理后的织物图像进行傅里叶变换，得到织物的频域图像；计算预处理后织物图像的功率谱，获得功率谱中心坐标(R₀,C₀)；根据步骤3计算所得的织物纬线平均纬斜角和初步的纬密度值快速计算并定位一个半径为r个像素、中心为(R_d,C_d)的包含纬线峰值点的圆形小区域

$\left\{\begin{array}{c}{R}_d=-d_{w_0}\·\cos \left(\stackrel{\‾}{\mathrm{\θ}}\right)+\frac{H}{2}\\ C_d=d_{w_0}\sin (-\stackrel{\‾}{\mathrm{\θ}})+\frac{W}{2}\end{array}\right.$

在此小区域内计算灰度值重心，即精确定位亚像素级的峰值点位置为(R,C)；计算峰值点位置(R,C)与图像功率谱中心(R₀,C₀)连线的倾斜角，即获得精确的纬线纬斜角θ；计算峰值点位置(R,C)与功率谱中心(R₀,C₀)的距离(根/Mcm)，换算成织物的精确纬密度值D_w＝10d_w/M(根/Mcm)。

在本发明中，步骤2从织物预处理图像中提取织物纬线的纹理基元包括如下步骤：

①获取织物的空域自相关图像：首先，利用傅里叶变换，将预处理后的图像变换到频域，得其频域图像F(u,v)，计算此频域图像F(u,v)与其复共轭F^*(u,v)的乘积，再利用傅里叶逆变换变换回空域，得到预处理后织物图像的自相关图像，即R_f(m,n)＝IFT(F^*(u,v)F(u,v))

②提取局部极大值点位置：将步骤①所述织物自相关图像上的每个点用二次多项式R_f(m,n)＝a₁+a₂x+a₃y+a₄xy+a₅x²+a₆y²＝g作近似，并求取每个点的Hessian矩阵A：

$A=\left[\begin{array}{cc}\frac{{\∂}^{2}g}{\∂x^2}& \frac{{\∂}^{2}g}{\∂x\∂y}\\ \frac{{\∂}^{2}g}{\∂y\∂x}& \frac{{\∂}^{2}g}{\∂y^2}\end{array}\right]$

计算所述Hessian矩阵A的行列式：

$\det \left(A\right)=\frac{{\∂}^{2}g}{\∂x^2}\frac{{\∂}^{2}g}{\∂y^2}{\left(\begin{array}{c}{\∂}^{2}g\\ \∂x\∂y\end{array}\right)}^2$

搜索使det(A)>0且的点，即为织物自相关图像上的局部极大值，得到织物纬线基元点。

③提取纬线基元：将步骤②所述极值点处的灰度全设为255，并保留极值点的位置信息，摒弃织物图像表面多余灰度信息，获得纬线基元。

在本发明中，步骤3在空域中初略计算织物纬线的纬斜角与纬密度值，包括下列步骤：①获取形态学结构元：连接图像原点与行方向最近的极值点获得区域形态学结构元。

②获取纬线的区域骨架：用所述步骤①中的结构元膨胀所有极值点区域并提取区域骨架，获取纬线的区域骨架。

③直线分割及拟合：所述步骤②中纬线的区域骨架为分割的许多待拟合的小段直线，采用Humber权重函数采用3次迭代计算，消除离群点，并拟合直线，获取织物纬线。

④织物纬斜角、纬密度值的初步计算：选择图像中心附近的n条纬线，由所述步骤③中拟合的直线的首尾坐标(b_i，c_i)、(b′_i,c′_i)计算初略的平均纬斜角生成一条倾斜角为的垂直于所述拟合纬线的直线截断各纬线，在此直线上计算代表每两条相邻纬线线距的截断直线段长度a_i和代表各纬线线宽的相交直线段长度b_i，并分别求得平均线距 $\stackrel{\‾}{a}=$ $\frac{1}{n}{\mathrm{\Σ}}_{i-1}^n{a}_i\mathrm{pixel}$ 和纬线平均线宽 $\stackrel{\‾}{b}=\frac{1}{n}{\mathrm{\Σ}}_{i-1}^n{b}_i\mathrm{pixel},$ 得初略的纬密值 $d_{w_n}=H/(\stackrel{\‾}{a}+\stackrel{\‾}{b})$ (根/Mcm)。

实际的检测过程中，每连续5幅单幅图像的纬密度的平均值作为测量的一次输出和显示。

在同一批织物中，将前10次输出和显示的纬密度的平均值作为后续织物图像的初略纬密值将前10次输出和显示的纬斜角的平均值作为后续织物图像的初略平均纬斜角即可省略权利要求1中所述的步骤2和步骤3，织物图像经过步骤1所述预处理后，直接进入步骤4，根据此初略纬密值和平均纬斜角来定位半径为r个像素、中心为(R_d,C_d)的小范围区域，并计算织物纬密度的精确值D_w。

本发明具有以下的技术优势：

前期对织物图像进行了预处理，显著降低或消除环境变化或光照不均对织物纬密测量的影响；在空域中利用织物图像的自相关取代表织物纬纱的基元并得到其位置信息，适当地摒弃织物表面图像多余灰度信息，成倍地削减了传统空域处理方法的数据量，大大提高处理速度；经过区域形态学、直线拟合连接孤立的基元得到代表实际织物的纬线，使得在检测纬密的过程中还能得到织物的纬斜角；在空域中利用垂直于纬线的直线，得到纬线间的截断直线段和相交直线段，快速地计算代表相邻纬线间距的截断直线段和代表纬线宽度的相交直线段长度来到初略的纬密值，消除了织物纬线倾斜导致的边缘纬线不全的影响；由初略的纬密值和纬斜角可以快速定位频域中包含纬线峰值点的小范围区域，达到滤除无关频域峰值，快速、精确地得到纬线水平或倾斜的织物纬密度值。整个空域处理的全过程自动选择阶段执行，使整个测量处理的数据量极少，检测速度大幅提高。

附图说明

图1为本发明的原始织物图像。

图2为图1中原始织物图进行图像预处理后的图像。

图3为图2中预处理图像的空域自相关图像。

图4为在图3上提取的纱线基元空间分布图。

图5为图4中纱线基于空间分布的局部放大图。

图6为摒弃织物图像表面多余灰度信息的纱线基元空间分布图。

图7为将图6的空间基元分布叠加与图2上的效果图。

图8为区域形态学处理、直线拟合得到的纬线图。

图9为获取相邻纬线距离与各纬线宽度图。

图10为图9的局部放大图。

图11为频域内定位纬线峰值点的小范围圆形区域图。

图12为图11中进一步精确提取纬线峰值点图。

图13为织物纬密测量的结构参数示意图。

图14为本发明所述方法的流程图。

具体实施方式

为了加深对本发明的理解，下面结合附图1～14，对本发明提出的一种基于机器视觉的织物纬密度测量新方法作进一步详述，所举实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

对于待检测的布匹，拍摄得如图1所示的原始图像，并按照织物图像在空域的预处理、织物纬线的纹理基元提取、织物纬密度的初步计算、织物纬密度的精确计算的过程进行检测，具体包括如下步骤：

步骤1采用均值滤波与矫正相结合的方法对织物图像进行预处理，在采集大小为W×H像素点组成、视场测量范围为Lcm×Mcm的织物图像上，对于原始图像f₀(i,j)，首先生成尺寸为r×c的均值滤波器掩码 $M(i,j)=\frac{1}{\mathrm{rc}}\left[\begin{array}{cccc}1& 1& \·\·\·& 1\\ 1& 1& \·\·\·& 1\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ 1& 1& \·\·\·& 1\end{array}\right],$ 并将所述滤波器掩码M(i,j)代入预处理计算式f(i,j)＝round(127-M(i,j)*K+f₀(i,j))中，进行低通滤波预处理，得到预处理后的织物图像f(i,j)，其中，K为矫正系数，用来矫正图像整体亮度，其值根据均值滤波掩码尺寸而变化。

步骤2从织物预处理图像中提取织物纬线的纹理基元，首先，采用频域与空域相结合的方法，根据频域图像与其复共轭之乘积的傅里叶逆变换即为对应的空域图像的自相关函数，获取织物图像的空域自相关图像R_f(m,n)；然后从所述自相关图像中搜索灰度局部极大值，获得代表织物纱线基元的空间分布，从而提取织物纬线的纹理基元，如图6所示。

步骤3织物纬密度的初步计算，将所提取的纹理基元进行形态学膨胀、提取区域骨架并进行直线拟合，获取织物纬线并计算平均纬斜角据此初步计算纬线间的平均线距和纬线平均线宽从而得到粗略的织物纬密度值(根/Mcm)。

步骤4织物纬密度的精确计算，对所述预处理后的织物图像进行傅里叶变换，得到织物的频域图像；计算预处理后织物图像的功率谱，获得功率谱中心坐标(R₀,C₀)；根据步骤3计算所得的织物纬线平均纬斜角和初步的纬密度值快速计算并定位一个半径为r个像素、中心为(R_d,C_d)的包含纬线峰值点的圆形小区域

$\left\{\begin{array}{c}{R}_d=-d_{w_0}\·\cos \left(\stackrel{\‾}{\mathrm{\θ}}\right)+\frac{H}{2}\\ C_d=d_{w_0}\sin (-\stackrel{\‾}{\mathrm{\θ}})+\frac{W}{2}\end{array}\right.$

在此小区域内计算灰度值重心，即精确定位亚像素级的峰值点位置为(R,C)；计算峰值点位置(R,C)与图像功率谱中心(R₀，C₀)连线的倾斜角，即获得精确的纬线纬斜角θ；计算峰值点位置(R,C)与功率谱中心(R₀,C₀)的距离(根/Mcm)，换算成织物的精确纬密度值D_w＝10d_w/M(根/Mcm)

其中，从织物预处理图像中提取织物纬线的纹理基元(步骤1)包括如下步骤：

①获取织物的空域自相关图像：首先，利用傅里叶变换，将预处理后的图像变换到频域，得其频域图像F(u,v)，计算此频域图像F(u,v)与其复共轭F^*(u,v)的乘积，再利用傅里叶逆变换变换回空域，得到预处理后织物图像的自相关图像，即

R_f(m,n)＝IFT(F^*(u,v)F(u,v))

②提取局部极大值点位置：将步骤①所述织物自相关图像上的每个点用二次多项式R_f(m,n)＝a₁+a₂x+a₃y+a₄xy+a₅x²+a₆y²＝g作近似，并求取每个点的Hessian矩阵A：

$A=\left[\begin{array}{cc}\frac{{\∂}^{2}g}{\∂x^2}& \frac{{\∂}^{2}g}{\∂x\∂y}\\ \frac{{\∂}^{2}g}{\∂y\∂x}& \frac{{\∂}^{2}g}{\∂y^2}\end{array}\right]$

计算所述Hessian矩阵A的行列式：

$\det \left(A\right)=\frac{{\∂}^{2}g}{\∂x^2}\frac{{\∂}^{2}g}{\∂y^2}{\left(\begin{array}{c}{\∂}^{2}g\\ \∂x\∂y\end{array}\right)}^2$

搜索使det(A)>0且的点，即为织物自相关图像上的局部极大值，得到织物纬线基元点，如图4及其局部放大图5所示。

③提取纬线基元：将步骤②所述极值点处的灰度全设为255，并保留极值点的位置信息，摒弃织物图像表面多余灰度信息，获得纬线基元，如图6所示。

其中，在空域中初略计算织物纬线的纬斜角与纬密度值(步骤3)，包括下列步骤：

①获取形态学结构元：连接图像原点与行方向最近的极值点获得区域形态学结构元。

②获取纬线的区域骨架：用所述步骤①中的结构元膨胀所有极值点区域并提取区域骨架，获取纬线的区域骨架。

③直线分割及拟合：所述步骤②中纬线的区域骨架为分割的许多待拟合的小段直线，采用Huber权重函数采用3次迭代计算，消除离群点，并拟合直线，获取织物纬线，如图8所示。

④织物纬斜角、纬密度值的初步计算：选择图像中心附近的n条纬线，由所述步骤③中拟合的直线的首尾坐标(b_i，c_i)、(b′_i,c′_i)计算初略的平均纬斜角生成一条倾斜角为的垂直于所述拟合纬线的直线截断各纬线，在此直线上计算代表每两条相邻纬线线距的截断直线段长度a_i和代表各纬线线宽的相交直线段长度b_i，并分别求得平均线距 $\stackrel{\‾}{a}=$ $\frac{1}{n}{\mathrm{\Σ}}_{i-1}^n{a}_i\mathrm{pixel}$ 和纬线平均线宽 $\stackrel{\‾}{b}=\frac{1}{n}{\mathrm{\Σ}}_{i-1}^n{b}_i\mathrm{pixel},$ 得初略的纬密值 $d_{w_n}=H/(\stackrel{\‾}{a}+\stackrel{\‾}{b})$ (根/Mcm)。

每连续5幅单幅图像的纬密度的平均值作为测量的一次输出和显示。

在同一批织物中，将前10次输出和显示的纬密度的平均值作为后续织物图像的初略纬密值将前10次输出和显示的纬斜角的平均值作为后续织物图像的初略平均纬斜角即可省略权利要求1中所述的步骤2和步骤3，织物图像经过步骤1所述预处理后，直接进入步骤4，根据此初略纬密值和平均纬斜角来定位半径为r个像素、中心为(R_d,C_d)的小范围区域，并计算织物纬密度的精确值D_w。

Claims (5)

1.一种基于机器视觉的织物纬密度测量方法，其包括：织物图像在空域的预处理、织物纬线的纹理基元提取、织物纬密度的初步计算、织物纬密度的精确计算；其特征在于，所述基于机器视觉的织物纬密度测量方法包括如下步骤：

步骤1采用均值滤波与矫正相结合的方法对织物图像进行预处理，在采集大小为W×H像素点组成、视场测量范围为Lcm×Mcm的织物图像上，对于原始图像f₀(i,j)，首先生成尺寸为r×c的均值滤波器掩码 $M(i,j)=\frac{1}{r\·c}\left[\begin{array}{cccc}1& 1& ...& 1\\ 1& 1& ...& 1\\ .& & & \\ .& & & \\ .& & & \\ 1& 1& ...& 1\end{array}\right],$ 并将所述滤波器掩码M(i,j)代入预处理计算式f(i,j)＝round((127-M(i,j))*K+f₀(i,j))中，进行低通滤波预处理，得到预处理后的织物图像f(i,j)，其中，K为矫正系数，用来矫正图像整体亮度，其值根据均值滤波掩码尺寸而变化；

步骤2从织物预处理图像中提取织物纬线的纹理基元，首先，采用频域与空域相结合的方法，根据频域图像与其复共轭之乘积的傅里叶逆变换即为对应的空域图像的自相关函数，获取织物图像的空域自相关图像R_f(m,n)；然后从所述自相关图像中搜索灰度局部极大值，获得代表织物纱线基元的空间分布，从而提取织物纬线的纹理基元；

步骤3织物纬密度的初步计算，将所提取的纹理基元进行形态学膨胀、提取区域骨架并进行直线拟合，获取织物纬线并计算平均纬斜角据此初步计算纬线间的平均线距和纬线平均线宽从而得到粗略的织物纬密度值(根/Mcm)；

步骤4织物纬密度的精确计算，对所述预处理后的织物图像进行傅里叶变换，得到织物的频域图像；计算预处理后织物图像的功率谱，获得功率谱中心坐标(R₀，C₀)；根据步骤3计算所得的织物纬线平均纬斜角和初步的纬密度值d_w0，快速计算并定位一个半径为r个像素、中心为(R_d，C_d)的包含纬线峰值点的圆形小区域

$\left\{\begin{array}{c}{R}_d=-d_{w0}\·\cos \left(\stackrel{\‾}{\mathrm{\θ}}\right)+\frac{H}{2}\\ C_d=d_{w0}\·\sin (-\stackrel{\‾}{\mathrm{\θ}})+\frac{W}{2}\end{array}\right.$

在此小区域内计算灰度值重心，即精确定位亚像素级的峰值点位置为(R，C)；计算峰值点位置(R，C)与图像功率谱中心(R₀，C₀)连线的倾斜角，即获得精确的纬线纬斜角θ；计算峰值点位置(R，C)与功率谱中心(R₀，C₀)的距离(根/Mcm)，换算成织物的精确纬密度值D_W＝10d_w/M(根/Mcm)。

2.根据权利要求1所述的一种基于机器视觉的织物纬密度测量方法，其特征在于，所述从织物预处理图像中提取织物纬线的纹理基元包括如下步骤：

①获取织物的空域自相关图像：首先，利用傅里叶变换，将预处理后的图像变换到频域，得其频域图像F(u,v)，计算此频域图像F(u,v)与其复共轭F^*(u,v)的乘积，再利用傅里叶逆变换变换回空域，得到预处理后织物图像的自相关图像，即

R_f(m,n)＝IFT(F^*(u,v)F(u,v))

②提取局部极大值点位置：将步骤①所述织物自相关图像上的每个点用二次多项式R_f(m,n)＝a₁+a₂x+a₃y+a₄xy+a₅x²+a₆y²＝g作近似，并求取每个点的Hessian矩阵A：

$A=\left[\begin{array}{cc}\frac{{\∂}^{2}g}{{\∂x}^2}& \frac{{\∂}^{2}g}{\∂x\∂y}\\ \frac{{\∂}^{2}g}{\∂x\∂y}& \frac{{\∂}^{2}g}{{\∂y}^2}\end{array}\right]$

计算所述Hessian矩阵A的行列式：

$\det \left(A\right)=\frac{{\∂}^{2}g}{{\∂x}^2}\frac{{\∂}^{2}g}{{\∂y}^2}-{\left(\frac{{\∂}^{2}g}{\∂x\∂y}\right)}^2$

搜索使det(A)＞0且的点，即为织物自相关图像上的局部极大值，得到织物纬线基元点；

③提取纬线基元：将步骤②所述局部极大值点处的灰度全设为255，并保留所述局部极大值点的位置信息，摒弃织物图像表面多余灰度信息，获得纬线基元。

3.根据权利要求1所述的一种基于机器视觉的织物纬密度测量方法，其特征在于，所述步骤3在空域中粗略计算织物纬线的纬斜角与纬密度值，包括下列步骤：

①获取形态学结构元：连接图像原点与行方向最近的极值点获得区域形态学结构元；

②获取纬线的区域骨架：用所述步骤①中的结构元膨胀所有极值点区域并提取区域骨架，获取纬线的区域骨架；

③直线分割及拟合：所述步骤②中纬线的区域骨架为分割的许多待拟合的小段直线，采用Huber权重函数采用3次迭代计算，消除离群点，并拟合直线，获取织物拟合纬线；

④织物纬斜角、纬密度值的初步计算：选择图像中心附近的n条纬线，由所述步骤③中拟合的直线的首尾坐标(b_i,c_i)、(b'_i,c'_i)计算粗略的平均纬斜角生成一条倾斜角为的垂直于步骤③中所述织物拟合纬线的直线截断各纬线，在此直线上计算代表每两条相邻纬线线距的截断直线段长度a_i和代表各纬线线宽的相交直线段长度b_i，并分别求得平均线距和纬线平均线宽得粗略的纬密值(根/Mcm)。

4.根据权利要求1所述的一种基于机器视觉的织物纬密度测量方法，其特征在于，每连续5幅单幅图像的纬密度的平均值作为测量的一次输出和显示。

5.根据权利要求1所述的一种基于机器视觉的织物纬密度测量方法，其特征在于，在同一批织物中，将前10次输出和显示的纬密度的平均值作为后续织物图像的粗略纬密值d_w0，即可省略权利要求1中所述的步骤2和步骤3，织物图像经过步骤1所述预处理后，直接进入步骤4，根据此粗略纬密值d_w0和平均纬斜角来定位半径为r个像素、中心为(R_d，C_d)的小范围区域，并计算织物纬密度的精确值D_W。