تحلیل آماری مرتبه دوم بافت خرابی‌های‌ روسازی آسفالتی بر پایه الگوی باینری محلی در حوزه مکان و تبدیل موجک

ارزیابی خرابی روسازی یکی از بخش های مهم سیستم های مدیریت روسازی جهت اتخاذ موثرترین راهبرد تعمیر و نگهداری راه می باشد. در دهه اخیر، مطالعات وسیعی به منظور توسعه روش های خودکار پردازش خرابی های روسازی بر پایه فنون بینایی ماشین انجام گرفته است. از مهم ترین اجزای ساختاری سیستم های بینایی کامپیوتر، شیوه استخراج ویژگی می باشد. در اغلب حوزه های کاربردی پردازش تصویر، ویژگی های بافتی نسبت به دیگر ویژگی ها، اطلاعات کارآمدتری از خصوصیات نواحی تصویر ارائه می نمایند. در این تحقیق، از سه الگوریتم مختلف به منظور استخراج بردار ویژگی و آنالیز آماری بافت شش نوع از خرابی های سطح روسازی آسفالتی استفاده شده است. الگوریتم نخست مبتنی بر استخراج آمارگان بافتی مرتبه دوم تصویر بر پایه ماتریس هم رخداد سطوح خاکستری در حوزه مکان می باشد. در الگوریتم های دوم و سوم، توصیف گرهای بافتی مرتبه دوم الگوی باینری محلی، به ترتیب در حوزه مکان و حوزه تبدیل موجک استخراج گشتند. کلاس بندی تصاویر خرابی بر پایه ترکیبی از روش های k نزدیک ترین همسایگی و فاصله ماهالانوبیس نشان می دهد که دو مرحله منظم سازی سطوح خاکستری لبه های خرابی توسط اعمال تبدیل موجک و الگوی باینری محلی (الگوریتم سوم)، نتیجه برتری نسبت به سایر الگوریتم ها در تشخیص و تفکیک خودکار بافت انواع خرابی های سطح روسازی حاصل نموده است. دقت عملکردی طبقه بندی تصاویر خرابی مبتنی بر الگوریتم های اول، دوم و سوم به ترتیب برابر با 61 درصد، 75 درصد و 97 درصد می باشد.

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

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 cooccurrence matrix (GLCM) textural statistics. In second and third algorithms, the secondorder textural descriptors of the images local patterns were extracted in spatial and wavelet domain, respectively. The distress categorization results based on a fusion of Knearest 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.