تحليل آماري مرتبه دوم بافت خرابي‌هاي‌ روسازي آسفالتي بر پايه الگوي باينري محلي در حوزه مكان و تبديل موجك

Second-Order Statistical Texture Analysis of Asphalt Pavement Distresses Based on Local Binary Pattern in Spatial and Wavelet Domain

ارزيابي خرابي روسازي يكي از بخش­هاي مهم سيستم­هاي مديريت روسازي جهت اتخاذ موثرترين راهبرد تعمير و نگهداري راه مي­باشد. در دهه اخير، مطالعات وسيعي به منظور توسعه روش­هاي خودكار پردازش خرابي­هاي روسازي بر پايه فنون بينايي ماشين انجام گرفته است. از مهم­ترين اجزاي ساختاري سيستم­هاي بينايي كامپيوتر، شيوه استخراج ويژگي مي­باشد. در اغلب حوزه­هاي كاربردي پردازش تصوير، ويژگي­هاي بافتي نسبت به ديگر ويژگي­ها، اطلاعات كارآمدتري از خصوصيات نواحي تصوير ارائه مي­نمايند. در اين تحقيق، از سه الگوريتم مختلف به منظور استخراج بردار ويژگي و آناليز آماري بافت شش نوع از خرابي­هاي سطح روسازي آسفالتي استفاده شده است. الگوريتم نخست مبتني بر استخراج آمارگان بافتي مرتبه دوم تصوير بر پايه ماتريس هم­رخداد سطوح خاكستري در حوزه مكان مي­باشد. در الگوريتم­هاي دوم و سوم، توصيف­گرهاي بافتي مرتبه دوم الگوي باينري محلي، به ترتيب در حوزه مكان و حوزه تبديل موجك استخراج گشتند. كلاس­ بندي تصاوير خرابي بر پايه تركيبي از روش­هاي K نزديك­ترين همسايگي و فاصله ماهالانوبيس نشان مي­دهد كه دو مرحله منظم ­سازي سطوح خاكستري لبه­هاي خرابي توسط اعمال تبديل موجك و الگوي باينري محلي (الگوريتم سوم)، نتيجه برتري نسبت به ساير الگوريتم­ها در تشخيص و تفكيك خودكار بافت انواع خرابي­ هاي سطح روسازي حاصل نموده است. دقت عملكردي طبقه­ بندي تصاوير خرابي مبتني بر الگوريتم­هاي اول، دوم و سوم به ترتيب برابر با 61 درصد، 75 درصد و 97 درصد مي­باشد.

Assessment of pavement distresses plays a pivotal role in pavement management systems in determination of the most efficient option for repair and maintenance of the road. In the past decade, extensive researches have been made in order to develop automatic methods for pavement distresses processing based on computer vision techniques. Of the most important components comprising machine vision systems is the feature extraction procedure. In many image processing applications, textural features provide more effective information about the properties of the image regions in comparison with other features. In the present study, three different algorithms were utilized with the purpose of statistically analyzing the textures of six different groups of asphalt pavement distress images. The first feature extraction algorithm is based on gray level co-occurrence matrix (GLCM) textural statistics. In second and third algorithms, the second-order textural descriptors of the images local patterns were extracted in spatial and wavelet domain, respectively. The distress categorization results based on a fusion of K-nearest neighbor (KNN) classifier and Mahalanobis distance, indicate that two level (double) regularizing the distress edges gray levels via employing wavelet transform and local binary pattern (third algorithm) outperforms other textural feature extraction algorithms in pavement distresses recognition and discrimination. The distress classification accuracy rate based on first, second and third algorithms were 61%, 75% and 97%, respectively.