织物起球是决定织物性能和质量的一个重要指标。一般情况，对于织物起球等级的评估是由专业评级人员将起球织物试样与一系列标准起球图像进行比较，从而决定织物试样的起球等级。然而这种主观性评价方法在不同的评估人员之间会造成评定结果的不一致和不准确。关于客观评价织物起球等级的自动图像分析系统，已经涌现出大量的期刊或报道，但这些方法都采用了昂贵的设备或包含复杂的图像处理算法。本课题就是围绕着更可靠、更精确的起球等级客观评价方法而展开的。本课题提出一种新的基于小波变换和局部二值模式（LBP）的织物起球客观评价方法。织物表面的毛球信息能够通过二维离散小波变换（2DDWT）有效地识别，并且滤除掉了起球图像上的高频噪音、织物背景纹理、表面不均和光照变化等干扰信息。描述起球强度变化的起球特征向量有两部分组成，一部分是提取了小波分解后尺度4至尺度6的细节子图像在三个方向（水平、垂直、对角）上的小波能量值，另一部分是将小波重构尺度3至尺度6细节子图像后的重构图进行LBP变换提取的LBP特征值。特征值要经过归一化处理，而且要通过主成分分析（PCA）来降维，处理之后的特征值才能作为支持向量机（SVM）的输入。支持向量机是一种数据压缩工具，可以作为一个分类器来分类不同的起球等级。与此同时，本课题还使用了另一种算法进行特征提取。作为传统Gabor小波的一种改进，Log-Gabor滤波器在机器视觉领域已经得到广泛的应用，本算法正是利用Log-Gabor滤波器的特性结合主成分分析（PCA）与支持向量机（SVM）对织物起球的等级进行客观评价。针对Log-Gabor特征的高维问题，实验中改进了传统的特征提取方法，提高了实验的计算效率，减少了运行时间。实验结果表明，本课题提出的方法可以有效捕捉起球信息，能够成功地评价针织物的起球强度，最高正确识别率达到了95%，可以应用到实际的客观的起球评价过程中。