آنالیز آماری بافت تصاویر خرابی روسازی آسفالتی بر پایه ماتریس هم رخداد سطوح خاکستری

ارزیابی عملکرد روسازی یکی از مهم‌ترین عناصر سیستم‌های مدیریت روسازی جهت تعیین راهکار بهینه عملیات ترمیم و نگهداری راه محسوب می‌شود. پیمایش خرابی‌های سطحی راه جزو مراحل اصلی فرایند ارزیابی روسازی می‌باشد‌‌. در دو دهه اخیر، تحقیقات گسترده‌ای پیرامون توسعه روش‌های خودکار، جهت شناسائی خرابی‌های روسازی انجام گرفته که اغلب بر پایه بینایی ماشین و فنون پردازش تصویر می‌باشند. یکی از مهم‌ترین اجزای تشکیل‌دهنده سیستم بینایی ماشین، فرایند استخراج ویژگی می‌باشد. ویژگی‌های بافتی در مقایسه با دیگر ویژگی‌ها هم‌چون رنگ و ویژگی‌های هندسی، اطلاعات بیشتر و دقیق‌تری را از الگو‌های موجود در نواحی تصویر ارائه می‌نمایند. در این تحقیق، پس از برداشت تصاویر شش گروه مختلف از خرابی‌های سطح روسازی آسفالتی در شرایط کنترل شده، به منظور آنالیز آماری بافت آن‌ها، از شاخص‌های آماری مرتبه دوم بر پایه ماتریس هم‌رخداد سطوح خاکستری استفاده شده است. به منظور تشکیل ماتریس هم‌رخداد تصاویر، 4 زاویه مجزا (°0، °45، °90 و °135) و 3 مقدار فاصله مختلف (1، 2 و 3) بکارگیری شده است. نتایج حاصل از کلاس‌بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس، حاکی از آن است که آمارگان مستخرج از ماتریس هم‌رخداد سطوح خاکستری با پارامتر فاصله یک، عملکرد برتری نسبت به استفاده از دیگر پارامترهای فاصله، در تشخیص و طبقه‌بندی داده‌های خرابی داشته است. میزان دقت عملکردی کلاس‌بندی تصاویر خرابی روسازی آسفالتی بر پایه ماتریس هم‌رخداد سطوح خاکستری با مقدار پارامتر فاصله یک، دو و سه به ترتیب برابر با 80 درصد، 75 درصد و 60 درصد می‌باشد.

Statistical Texture Analysis of Asphalt Pavement Distress Images Based on Grey Level Cooccurrence Matrix

Evaluation of pavement performance plays a major role in pavement management systems for determination of optimum strategy in repair and maintenance of the road. One of the most prominent assets in evaluation of the pavement is identification and survey of pavement surface distresses. In the past two decades, extensive studies have been carried out in order to develop automatic methods for pavement distress evaluation. Most of these methods are based on computer vision and image processing techniques. Of the most important components of machine vision systems is the feature extraction process. Textural features present more detailed information about the image regions characteristics compared to other features such as color and geometrical (shape) properties. In the present study, after acquisition of six different groups of asphalt pavement distress images under controlled condition, in order to analyze and describe their texture, second order statistics based on grey level cooccurrence matrix has been employed. In order to generate the images cooccurrence matrices, four distinct directions and three different distance (offset) parameters have been utilized. Based on the results of the classification of distress images acquired by Mahalanobis minimum distance classifier, it can be concluded that statistical indices extracted from grey level cooccurrence matrix having distance parameter equal to one, have superior discrimination performance in camparison to other selected distance values. The classification accuracy rates of asphalt pavement distress images based on grey level cooccurrence matrix with one, two and three distance parameters values are 80%, 75% and 60%, respectively.