工件表面粗糙度是评定表面质量的一个重要指标。工件表面粗糙度是由于加工过程中刀具和工件的摩擦、切削分离时的塑性变形和金属撕裂、加工系统的振动等原因在工件表面留下的各种不同的形状和尺寸的微观结构。由于现今的制造业对表面质量的要求越来越高,以及加工和生产速度的提高,研究如何实现快速地在线精确测量工件表面粗糙度对于制造业来说具有十分重要的意义。基于三维重建,即采用计算机视觉技术对表面粗糙度进行检测是本文主要研究的方法。本文在SFS(从明暗恢复形状)算法的基础上,以工件的二维灰度图像为研究对象,恢复所拍摄的工件表面微观形貌,并由此计算得到表面粗糙度参数,达到对检测表面质量的目的。本文介绍了基本光学原理,分析了四种光照模型—Lambert、Phong、Torrance-Sparrow及Cook-Torrance的优缺点,并在其中选用Torrance-Sparrow光照模型。在经过分析每幅图像的灰度分布特点及拍照过程中所有影响拍照的因素,本文对图像噪声进行估计,并利用Wiener滤波滤除图像中所含有噪声。由于光线遮挡及量块最高峰的反射作用所造成的灰度差失真,造成图像上奇异点的存在,本文对每幅图像的灰度值进行统计,每幅图像设定高低不同两个阈值,将高于大的阈值且低于小的阈值的灰度值进行灰度校正,使其灰度能够正确表示其高度值的变化。统计各不同粗糙度值量块的高度差及对应的图像灰度差,初步建立高度差与灰度差转换模型。由于SFS算法在地表恢复方面的应用,本文将该算法引入：利用最小二乘法和方法估计光照参数,使用Zheng&Chellappa方法计算光源方向；再利用之前建立的高度差与灰度差转换模型,将其输出的高度值作为初始值输入进SFS算法进行迭代计算,从而得到图像上各点灰度值所代表的实际高度值。在上述研究的基础上,探讨了对表面粗糙度检测的新方法。该方法利用表面二维图像中各像素点灰度差与实际高度差之间的关系,得到表面的微观形貌,并可获得所需表面粗糙度参数值,对实现表面粗糙度检测的在线性、3D形貌的完整性具有重要意义。