تحلیل میزان حساسیت جهتی تبدیل موجک در شناسایی هوشمند بافت خرابی های روسازی آسفالتی

ارزیابی خرابی های سطحی راه جزء مراحل اصلی فرآیند مدیریت روسازی است. در دهه گذشته، مطالعات وسیعی پیرامون توسعه روش های خودکار شناسایی خرابی های روسازی انجام گرفته که غالبا بر پایه بینایی کامپیوتر و فنون پردازش تصویر هستند. یکی از مهم ترین اجزای تشکیل دهنده سیستم های بینایی ماشین، الگوریتم استخراج ویژگی تصویر است. ویژگی های بافتی در مقایسه با دیگر ویژگی ها هم چون رنگ و ویژگی های هندسی، اطلاعات جامع تر و دقیق تری از الگو های موجود در ناحیه های تصویر ارائه می نمایند. در سال های اخیر روش های آنالیز چندرزولوشن هم چون تبدیل موجک، ابزار کارآمدی جهت تجزیه و تحلیل بافت تصویر با سرعت و دقتی منحصربفرد فراهم آورده است. در این پژوهش، پس از برداشت تصاویر شش گروه مختلف از خرابی های روسازی آسفالتی در شرایط کنترل شده، به منظور تحلیل ساختاری آن ها، از 3 نوع تبدیل موجک گسسته دوبعدی شامل موجک های  Haar، Daubechies 3 و  Coiflet 1 استفاده گردید. علاوه بر تبدیل های فوق، به منظور آنالیز میزان حساسیت جهتی تبدیل موجک در شناسایی بافت خرابی ها، تبدیل جهت دار موجک مختلط دردرختی نیز بر روی تصاویر اعمال گردید. پس از تجزیه تصاویر توسط اعمال تبدیل های مذکور، آمارگان مرتبه دوم بر پایه ماتریس هم رخداد و توصیف گرهای مرتبه سوم و بالاتر بر پایه ماتریس طول تکرار سطوح خاکستری، به منظور تفسیر آماری بافت زیر باند های فرکانسی موجک ها و استخراج بردار ویژگی به کارگیری گردید. نتایج حاصل از طبقه بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس، حاکی از آن است که آمارگان مرتبه دوم مستخرج از زیرباندهای تبدیل موجک مختلط دو درختی و موجک گسسته Haar به ترتیب با دقت کلاس بندی 99 درصد و 95 درصد، در تشخیص انواع خرابی نتایج بهتری نسبت به سایر الگوریتم ها حاصل نموده اند. هم چنین ویژگی های بافتی حاصل از ماتریس هم رخداد سطوح خاکستری، به طور میانگین با دقت طبقه بندی 87 درصد، عملکرد برتری نسبت به آمارگان ماتریس طول تکرار، در کلاسه بندی تصاویر خرابی به دنبال داشته است.