مقایسه تعداد لایه های تجزیه موجک تصویر به منظور کلاس بندی تمام خودکار بافت خرابی های روسازی آسفالتی

پیمایش خرابی های سطحی راه جزء مراحل اصلی فرآیند ارزیابی عملکردی روسازی محسوب می شود. در سال های اخیر، تحقیقات زیادی در حوزه توسعه روش های هوشمند و خودکار شناسایی خرابی های روسازی انجام گرفته است. اغلب این روش ها بر پایه فنون بینایی کامپیوتر می باشند. از مهم ترین عناصر تشکیل دهنده سیستم های بینایی کامپبوتر، استخراج ویژگی تصویر می باشد. روش های پردازش چندرزولوشن (چنددقته) هم چون تجزیه موجک، ابزاری منحصربفرد جهت آنالیز ویژگی های بافتی تصویر فراهم آورده است. لبه ها، جزئیات ساختاری بافت تصاویر خرابی سطح روسازی را تشکیل داده و تعداد سطوح تجزیه تصویر توسط اعمال تبدیل موجک، نقش موثری در آشکارسازی و تفکیک پذیری مکانی بافت گسستگی های (لبه) تصویر ایفا کرده و بایستی به طور بهینه انتخاب گردد. در این پژوهش، پس از برداشت تصاویر خرابی روسازی آسفالتی در شرایط روشنایی ثابت، از سه لایه تبدیل موجک دوبعدی هار (Haar) به منظور تجزیه تصاویر و از ماتریس هم رخداد و ماتریس طول تکرار سطوح خاکستری، جهت توصیف آماری بافت زیرباندهای فرکانسی حاصل شده، استفاده گردید. نتایج حاصل از طبقه بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس (Minimum Mahalanobis Distance)، حاکی از آن است که آماره های مستخرج از زیرباندهای موجک تا مرحله دوم تجزیه، در شناسایی بافت انواع خرابی نتایج برتری به دنبال داشته است. میانگین دقت عملکردی کلاس بندی تصاویر خرابی بر پایه تجزیه موجک تک مرحله ای، دو مرحله ای و سه مرحله ای به ترتیب برابر با ۶۸ درصد، ۷۹ درصد و ۶۴ درصد می باشد. هم چنین آمارگان مرتبه دوم حاصل از ماتریس هم رخداد سطوح خاکستری (Grey Level Co-occurrence Matrix (GLCM))، با میانگین دقت طبقه بندی ۸۱ درصد، عملکرد برتری نسبت به ماتریس طول تکرار در تشخیص و تفکیک خودکار تصاویر خرابی سطح آسفالت دارا می باشند.

کلیدواژه ها:

ارزیابی خودکار روسازی ، آنالیز بافت تصویر ، تبدیل موجک ، ماتریس هم رخداد سطوح خاکستری ، ماتریس طول تکرار سطوح خاکستری