تحليل ميزان حساسيت جهتي تبديل موجك در شناسايي هوشمند بافت خرابي هاي روسازي آسفالتي

Analyzing the Degree of Wavelet Directional Sensitivity in Smart Recognition of Asphalt Pavement Distress Texture

ارزيابي خرابي هاي سطحي راه جزء مراحل اصلي فرآيند مديريت روسازي است. در دهه گذشته، مطالعات وسيعي پيرامون توسعه روش هاي خودكار شناسايي خرابي هاي روسازي انجام گرفته كه غالبا بر پايه بينايي كامپيوتر و فنون پردازش تصوير هستند. يكي از مهم ترين اجزاي تشكيل دهنده سيستم هاي بينايي ماشين، الگوريتم استخراج ويژگي تصوير است. ويژگي هاي بافتي در مقايسه با ديگر ويژگي ها هم چون رنگ و ويژگي هاي هندسي، اطلاعات جامع تر و دقيق تري از الگو هاي موجود در ناحيه هاي تصوير ارائه مي نمايند. در سال هاي اخير روش هاي آناليز چندرزولوشن هم چون تبديل موجك، ابزار كارآمدي جهت تجزيه و تحليل بافت تصوير با سرعت و دقتي منحصربفرد فراهم آورده است. در اين پژوهش، پس از برداشت تصاوير شش گروه مختلف از خرابي هاي روسازي آسفالتي در شرايط كنترل شده، به منظور تحليل ساختاري آن ها، از 3 نوع تبديل موجك گسسته دوبعدي شامل موجك هاي Haar، Daubechies 3 و Coiflet 1 استفاده گرديد. علاوه بر تبديل هاي فوق، به منظور آناليز ميزان حساسيت جهتي تبديل موجك در شناسايي بافت خرابي ها، تبديل جهت دار موجك مختلط دردرختي نيز بر روي تصاوير اعمال گرديد. پس از تجزيه تصاوير توسط اعمال تبديل هاي مذكور، آمارگان مرتبه دوم بر پايه ماتريس هم رخداد و توصيف گرهاي مرتبه سوم و بالاتر بر پايه ماتريس طول تكرار سطوح خاكستري، به منظور تفسير آماري بافت زير باند هاي فركانسي موجك ها و استخراج بردار ويژگي به كارگيري گرديد. نتايج حاصل از طبقه بندي تصاوير خرابي بر اساس روش كمينه فاصله ماهالانوبيس، حاكي از آن است كه آمارگان مرتبه دوم مستخرج از زيرباندهاي تبديل موجك مختلط دو درختي و موجك گسسته Haar به ترتيب با دقت كلاس بندي 99 درصد و 95 درصد، در تشخيص انواع خرابي نتايج بهتري نسبت به ساير الگوريتم ها حاصل نموده اند. هم چنين ويژگي هاي بافتي حاصل از ماتريس هم رخداد سطوح خاكستري، به طور ميانگين با دقت طبقه بندي 87 درصد، عملكرد برتري نسبت به آمارگان ماتريس طول تكرار، در كلاسه بندي تصاوير خرابي به دنبال داشته است.

Evaluation of the road surface distresses is one of the most prominent phases of pavement management process. Over the past decade, a considerable number of researches have been carried out on developing automatic methods for distress detection most of which rely on computer vision and image processing techniques. One of the most important assets comprising computer vision systems is the image feature extraction algorithm. Textural features present more detailed information about the image regions characteristics compared to other features such as color and geometrical (shape) properties. In the past few years, multi-resolutional analysis approaches, such as wavelet transforms have provided an effective tool for fast and accurate image texture representation. In the present study, after acquisition of six different types of asphalt pavement distresses under controlled condition, in order to analyze their structures, three 2-D discrete wavelet transforms including Haar, Daubechies3 and Coiflet1 were utilized. In addition to aforementioned transforms, directional selective dual-tree complex wavelet transform was also applied on the distress images with the purpose of investigating the effectiveness of directional sensitivity increasement. After decomposition of the images by applying the abovementioned transforms, second-order statistics based on gray level co-occurrence matrix and higher-order descriptors based on gray level run-length matrix were employed, in order to characterize the wavelet frequency sub-bands texture.