KR101857328B1 - 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템 - Google Patents

Abstract

개시된 기술은 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템에 관한 것으로, 이미지 프로세싱 시스템을 이용하여 작물의 건강 상태를 판별하는 방법에 있어서, 카메라를 이용하여 작물의 잎사귀에 대한 컬러 이미지를 획득하는 제 1 단계; 상기 이미지 프로세싱 시스템이 상기 이미지를 수신하여 노이즈 제거 및 필터링을 수행하고 상기 이미지에 포함된 픽셀을 소정의 기준에 따라 분류하는 제 2 단계; 상기 이미지 프로세싱 시스템이 상기 이미지에서 복수개의 색상(Hue) 분포를 파악하여 상기 이미지에 대한 K값을 설정하는 제 3 단계; 상기 이미지 프로세싱 시스템이 상기 색상 분포 각각에 해당하는 픽셀들 중 하나를 상기 이미지에 대한 중심값으로 설정하는 제 4 단계; 및 상기 이미지 프로세싱 시스템이 상기 K값 및 상기 중심값을 토대로 상기 이미지에 대한 K 평균 클러스터링을 수행하는 제 5 단계;를 포함한다. 따라서 잎사귀에 발생한 감염 영역을 선명하게 분류하고 외부요인에 따른 클러스터링의 오류를 방지하는 효과가 있다.

Description

작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템 {IMAGE PROCESSING METHOD AND SYSTEM TO DETERMINE HEALTH STATUS WITH LEAF CROPS}

개시된 기술은 작물의 잎사귀를 촬영하여 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템에 관한 것이다.

작물의 생산량을 증대시키기 위해서 농가에서는 대형 온실이나 비닐하우스와 같은 시설을 구축하여 작물의 생장에 최적화된 환경을 인위적으로 구성하여 이용하고 있다. 결과적으로 더 좋은 품질과 높은 수확량이 뒷받침되고 있어서 농가의 수익 증대에 많은 도움이 되고 있으나, 이러한 환경을 관리하는데 따른 번거로움이 필연적으로 따르고 질병이나 해충들이 나타날 경우에는 온실 내 대다수의 작물에 피해가 빠르게 확산되기 때문에 관리에 있어서 매우 높은 관심과 노력이 요구된다는 문제점도 함께 수반된다.

한편, 이러한 문제점을 근본적으로 해결하기 위해서 작물의 종자를 개량하여 질병이나 해충으로부터 강인한 저항력을 갖되, 품질에 있어서 우수함을 잃지 않는 연구가 꾸준하게 지속되고 있다. 결과적으로 대다수의 작물이 과거와 비교하여 수확량이 증가되고 있다.

그러나, 작물이 개량되는 것과 마찬가지로 질병이나 해충 역시 변화하고 있고, 미처 예측하지 못한 종류의 병충해가 발생하게 되면 농가에 금전적인 손해가 필연적으로 발생하게 되므로 지속적으로 이러한 피해가 발생할 시 신속하게 대처하기 위하여 작물의 생장에 관심과 노력을 기울여야 할 필요성이 있다.

작물의 생장을 지속적으로 관찰하는 방법 및 시스템에 관한 종래기술로는 한국 공개특허 10-2013-0005540호 (발명의 명칭 : 온실 작물 모니터링 방법 및 영상 감지형 온실 작물 모니터링 시스템)가 있다.

개시된 기술은 작물의 잎사귀를 촬영하고 이미지 프로세싱을 수행하여 병충해 발생에 신속하게 대처하는 방법 및 시스템을 제공하는데 있다.

상기의 기술적 과제를 이루기 위하여 개시된 기술의 제 1 측면은 이미지 프로세싱 시스템을 이용하여 작물의 건강 상태를 판별하는 방법에 있어서, 카메라를 이용하여 작물의 잎사귀에 대한 컬러 이미지를 획득하는 제 1 단계, 상기 이미지 프로세싱 시스템이 상기 이미지를 수신하여 노이즈 제거 및 필터링을 수행하고 상기 이미지에 포함된 픽셀을 소정의 기준에 따라 분류하는 제 2 단계, 상기 이미지 프로세싱 시스템이 상기 이미지에서 복수개의 색상(Hue) 분포를 파악하여 상기 이미지에 대한 K값을 설정하는 제 3 단계, 상기 이미지 프로세싱 시스템이 상기 색상 분포 각각에 해당하는 픽셀들 중 하나를 상기 이미지에 대한 중심값으로 설정하는 제 4 단계 및 상기 이미지 프로세싱 시스템이 상기 K값 및 상기 중심값을 토대로 상기 이미지에 대한 K 평균 클러스터링을 수행하는 제 5 단계를 포함하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법을 제공하는데 있다.

상기의 기술적 과제를 이루기 위하여 개시된 기술의 제 2 측면은 작물의 잎사귀에 대한 컬러 이미지를 획득하는 카메라, 상기 이미지를 수신하여 노이즈 제거 및 필터링을 수행하고 상기 이미지에 포함된 픽셀을 소정의 기준에 따라 분류하는 전처리부, 상기 이미지에서 복수개의 색상(Hue) 분포를 파악하여 상기 이미지에 대한 K값을 설정하고 상기 색상 분포 각각에 해당하는 픽셀들 중 하나를 상기 이미지에 대한 중심값으로 설정하는 설정부 및 상기 K값 및 상기 중심값을 토대로 상기 이미지에 대한 K 평균 클러스터링을 수행하는 처리부를 포함하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 시스템을 제공하는데 있다.

개시된 기술의 실시 예들은 다음의 장점들을 포함하는 효과를 가질 수 있다. 다만, 개시된 기술의 실시 예들이 이를 전부 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

개시된 기술의 일 실시예에 따르면 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템은 이미지를 복수개의 클러스터로 분류하여 잎사귀에 발생한 감염 영역을 선명하게 분류하는 효과가 있다.

또한, 이미지의 전처리 및 색공간 변환을 통해 외부요인에 따른 클러스터링의 오류를 방지하는 효과가 있다.

도 1은 개시된 기술의 일 실시예에 따른 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법에 대한 순서도이다.
도 2는 개시된 기술의 다른 일 실시예에 따른 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법에 대한 순서도이다.
도 3은 개시된 기술의 일 실시예에 따른 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 시스템에 대한 블록도이다.
도 4의 a 및 b는 종래의 K 평균 클러스터링에 대한 사례를 나타낸 도면이다.
도 5의 a 및 b는 종래의 방법과 개시된 기술의 일 실시예에 따른 결과를 비교하는 것을 나타낸 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제 1, 제 2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 한다. 그리고 "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.

도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다.

그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다. 따라서, 본 명세서를 통해 설명되는 각 구성부들의 존재 여부는 기능적으로 해석되어야 할 것이다.

도 1은 개시된 기술의 일 실시예에 따른 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법에 대한 순서도이다. 그리고 도 2는 개시된 기술의 다른 일 실시예에 따른 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법에 대한 순서도이다. 도 1 및 도 2를 참조하면 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법은 이하의 110 내지 150의 단계를 포함한다.

110 단계에서는 카메라를 이용하여 작물의 잎사귀에 대한 컬러 이미지를 획득한다. 상기 카메라는 이미지 프로세싱 시스템에 포함된 것으로, 작물의 건강 상태를 판별하기 위해서 사용된다.

한편, 상기 이미지 프로세싱 시스템은 온실이나 비닐하우스와 같이 농작물이 자라는 환경에 설치되어 농장의 관리에 빈틈이 발생하지 않도록 관리자를 도우는 역할을 수행한다. 물론, 일반 노지에서 기르는 작물을 관리하는데 있어서도 얼마든지 활용될 수 있다.

120 단계에서 상기 이미지 프로세싱 시스템은 촬영된 이미지의 노이즈 제거하고 필터링을 수행한다. 상기 이미지 프로세싱 시스템은 카메라가 촬영한 이미지를 수신하여 상기 이미지에 포함된 노이즈를 제거하고 필터링을 수행한다.

일 실시예로, 상기 이미지 프로세싱 시스템은 미디언 필터를 이용하여 노이즈 제거 및 필터링을 수행할 수 있다. 시스템 내부에 미디언 필터링을 수행하는 모듈을 탑재하고 상기 모듈을 이용하여 상기 이미지에 포함된 노이즈를 제거하고 작물의 잎사귀에 대한 선명한 이미지를 획득하는 것이 가능하다.

한편, 상기 이미지 프로세싱 시스템은 노이즈 제거 및 필터링을 수행한 이후에 상기 이미지에 포함된 픽셀을 소정의 기준에 따라 분류한다. 일 실시예로 상기 이미지 프로세싱 시스템은 이미지에서 작물의 잎사귀에 대한 부분을 구분하기 위하여 상기 이미지에 포함된 픽셀들 중 무채식인 픽셀들을 필터링할 수 있다.

130 단계에서 상기 이미지 프로세싱 시스템은 상기 이미지에서 복수개의 색상(Hue) 분포를 파악하여 상기 이미지에 대한 K값을 설정한다. K 평균 클러스터링 알고리즘에 있어서 최우선으로 고려되어야할 사항은 K 값과 중심값의 설정이다. 이하의 도 4의 a 및 b를 참조하면 종래의 K 평균 클러스터링에서 k값과 중심값의 설정을 고려하지 않아서 다른 결과가 도출되는 것을 확인할 수 있다.

도 4의 a 및 b에서 사용된 원본 이미지는 일반적인 나뭇잎을 촬영한 컬러 이미지로, 정상적인 영역, 특정 질병에 감염된 영역 및 검은색 배경을 포함하고 있다. 즉, 실제 클러스터는 3개 이므로 K 값을 3으로 설정하면 본래 얻고자 하는 결과를 획득할 수 있지만, 만약 K 값을 4로 설정하면 도 4의 a에 도시되는 바와 같이 3개의 클러스터들 중 어느 하나가 두 개로 분리된 결과로 출력될 수 있다.

또한, 도 4의 b를 참조하면 외부적인 요인에 따라 클러스터 간의 경계가 불분명하여 K 값을 3으로 설정했음으로 불구하고 클러스터링이 제대로 이루어지지 않은 것을 확인할 수 있다. 예컨대, 빛이 반사되거나 그림자에 가려져서 K 값의 설정과 더불어 불완전한 클러스터링이 수행될 수 있다.

한편, 실제 클러스터의 숫자와 K값이 같아도 중심값의 설정이 잘못되면 지역 최적값으로 수렴하게 되어 클러스터링이 제대로 이루이지 않게 된다. 물론, 종래에 알려진 바와 같이 담금질 기법이나 여러번 시도하여 오차발생을 줄일 수도 있으나 근본적인 해결방법이 되지는 못한다. 따라서, 개시된 기술에서는 이러한 문제점을 해소하고자 이미지에 대한 전처리과정 및 색공간 변경을 수행한다.

상술한 바와 같이 130 단계에서 상기 이미지 프로세싱 시스템은 상기 이미지를 HSV 색공간으로 변환하는 단계를 포함한다. 일 실시예로 변환된 이미지의 색상(Hue) 성분을 분석하여 색상 분포를 파악할 수 있다. 그리고 상기 정보를 토대로 K값을 설정할 수 있다.

140 단계에서 상기 이미지 프로세싱 시스템은 상기 색상 분포 각각에 해당하는 픽셀들 중 하나를 상기 이미지에 대한 중심값으로 설정한다. 상기 이미지 프로세싱 시스템은 앞서 130 단계에서 이미지를 HSV 색공간으로 변환하였으므로, 각각의 색상 분포에 해당하는 픽셀들 중 하나의 픽셀을 중심값으로 설정하는 것이 가능하다.

그리고 150 단계에서 상기 K값 및 상기 중심값을 이용하여 상기 이미지에 대한 K 평균 클러스터링을 수행한다. 여기에서 상기 이미지 프로세싱 시스템은 R과 G 성분, R과 B 성분 및 G와 B 성분의 차이값을 이용한다.

일 실시예로, 각 픽셀에 대한 |R-G|, |R-B| 및 |G-B|값과 각 중심의 |R-G|, |R-B| 및 |G-B|값의 거리를 비교하여 상기 K 평균 클러스터링을 수행할 수 있다.

일반적으로 RGB 픽셀로 클러스터를 분할하는 경우 하나의 잎사귀가 두 개의 클러스터로 분할될 수 있는데, 이는 빛의 영향을 받은 부분의 RGB 값이 전체적으로 증가하기 때문에 발생하는 현상이다. 그러나 각각의 RGB 성분의 차이는 비슷하게 유지되기 때문에 이를 토대로 잎사귀의 고유 값을 인지할 수 있다.

일 실시예로, 상술한 바와 같이 RGB 성분 각각의 차이값을 이용한다면 작물의 잎사귀가 정상인 영역, 상기 작물의 잎사귀가 감염된 영역 및 상기 작물의 잎사귀가 아닌 영역으로 분할된다. 물론 일반적인 K 클러스터링 알고리즘에서도 상술한 바와 같이 분할되는 것은 가능하나, 정확도가 뒤떨어지는 문제점이 있다. 이하의 도 5를 참조하면 종래의 방법과 개시된 기술의 일 실시예에 따른 결과를 비교하는 것을 확인할 수 있다.

먼저, 도 5의 a는 RGB 성분으로 기본적인 K 평균 클러스터링을 수행한 결과이다. 여기에서 K 값은 4로 설정하고, 중심값은 랜덤으로 설정하였다. 그 결과, 배경, 녹색 이물질, 잎사귀의 정상 영역 및 감염 영역이 제대로 분류되지 않았다.

다음으로, 도 5의 b는 개시된 기술에 따른 K 평균 클러스터링을 수행한 결과이다. 무채색 부분을 필터링하고 K 값은 3으로 설정되었으며 4개의 클러스터가 서로 확실하게 구분된 것을 확인할 수 있다. 따라서, 종래의 이미지 프로세싱 방법과 비교하여 정확도면에서 현저한 결과를 도출하는 것이 가능하고, 이미지 프로세싱을 여러번 수행하지 않고도 결과도출에 있어서 신뢰성이 확보된다는 장점을 보인다.

도 3은 개시된 기술의 일 실시예에 따른 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 시스템(200)에 대한 블록도이다. 도 3을 참조하면 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 시스템은 카메라(210), 전처리부(220), 설정부(230) 및 처리부(240)를 포함한다. 그리고 상기 설정부(230)는 변환부(230a)를 포함한다.

상기 카메라(210)는 작물의 잎사귀에 대한 컬러 이미지를 획득한다. 상기 이미지 프로세싱 시스템(200)은 상기 카메라(210)를 포함한다. 그리고 상기 카메라(210)를 이용하여 작물의 잎사귀에 대한 컬러 이미지를 획득한다. 상기 컬러 이미지는 상기 작물의 건강 상태를 판별하기 위해 이용된다.

일 실시예로 무인으로 운영되는 온실에서 재배되는 화초나 작물의 건강 상태를 살피거나 질병이 발생하였는지 파악하기 위해서 카메라(210)를 설치하고 상기 카메라(210)를 이용하여 컬러 이미지를 촬영할 수 있다.

상기 전처리부(220)는 상기 이미지를 수신하여 노이즈 제거 및 필터링을 수행하고 상기 이미지에 포함된 픽셀을 소정의 기준에 따라 분류한다. 상기 이미지 프로세싱 시스템(200)은 상기 전처리부(220)를 통해 상기 카메라(210)가 촬영한 이미지를 수신한다. 그리고 상기 이미지에 포함된 노이즈를 제거하고 필터링을 수행한다.

노이즈를 제거하고 필터링을 수행하는데 있어서 상기 전처리부(220)는 미디언 필터를 이용한다. 일 실시예로, 상기 전처리부(220)는 미디언 필터 내지는 미디언 필터 기능을 탑재한 모듈을 포함하고 이를 이용하여 상기 컬러 이미지를 필터링할 수 있다. 이러한 전처리를 통해 작물의 잎사귀에 대한 깨끗하고 선명한 이미지를 획득하는 것이 가능하다.

한편, 상기 전처리부(220)는 상기 컬러 이미지에 포함된 픽셀들 중 무채색인 일부 픽셀들을 추가로 필터링할 수 있다. 예컨대, 흰색, 회색 및 검정색은 일반적인 작물의 잎사귀 색깔이 아니므로 이를 배제하여 오차가 발생할 가능성을 좁힐 수 있다.

상기 설정부(230)는 이미지에서 복수개의 색상(Hue) 분포를 파악하여 상기 이미지에 대한 K값을 설정하고 상기 색상 분포 각각에 해당하는 픽셀들 중 하나를 상기 이미지에 대한 중심값으로 설정한다.

상기 이미지 프로세싱 시스템(200)은 종래의 K 평균 알고리즘과는 다르게 이미지에 대한 전처리 및 알고리즘의 변수 설정을 조절하여 일반적은 K 평균 알고리즘보다 나은 결과를 도출하는 것이 목적이므로 상기 전처리부(220)를 통하여 이미지에 대한 전처리 과정을 수행하고, 상기 설정부(230)를 통하여 K값 및 중심값을 설정한다.

한편, 상기 K 값 및 중심값을 설정하기 위해서 상기 설정부(230)는 이미지에 대한 색공간 변경을 수행한다. 상기 색공간 변경을 수행하기 위해서 상기 설정부(230)는 변환부(230a)를 포함한다. 그리고 상기 변환부(230a)를 통해 상기 이미지를 HSV 색공간으로 변환한다.

일 실시예로, 상기 변환부(230a)는 HSV 색공간 변환 이후에 색상 성분을 분석하여 상기 이미지의 색상 분포를 파악할 수 있다. 그리고 이를 토대로 K값을 설정할 수 있다.

한편, 상기 설정부(230)는 변환된 이미지의 색상 분포 각각에 해당하는 픽셀들 중 어느 하나를 상기 이미지에 대한 중심값으로 설정하는 것이 가능하다. 앞서 변환부(230a)를 통해 HSV 색공간 변환을 수행하였으므로, 각각의 색상 분포에 해당하는 복수개의 픽셀들 중 하나의 픽셀을 중심값으로 설정할 수 있다.

상기 처리부(240)는 K값 및 상기 중심값을 토대로 상기 이미지에 대한 K 평균 클러스터링을 수행한다. 여기에서 상기 이미지 프로세싱 시스템은 R과 G 성분, R과 B 성분 및 G와 B 성분의 차이값을 이용한다.

일 실시예로, 각 픽셀에 대한 |R-G|, |R-B| 및 |G-B|값과 각 중심의 |R-G|, |R-B| 및 |G-B|값의 거리를 비교하여 상기 K 평균 클러스터링을 수행할 수 있다. 일반적으로 RGB 픽셀로 클러스터를 분할하는 경우 하나의 잎사귀가 두 개의 클러스터로 분할될 수 있는데, 이는 빛의 영향을 받은 부분의 RGB 값이 전체적으로 증가하기 때문에 발생하는 현상이다. 그러나 각각의 RGB 성분의 차이는 비슷하게 유지되기 때문에 이를 토대로 잎사귀의 고유 값을 인지할 수 있다.

일 실시예로, 상술한 바와 같이 RGB 성분 각각의 차이값을 이용한다면 작물의 잎사귀가 정상인 영역, 상기 작물의 잎사귀가 감염된 영역 및 상기 작물의 잎사귀가 아닌 영역으로 분할된다. 물론 일반적인 K 클러스터링 알고리즘에서도 상술한 바와 같이 분할되는 것은 가능하나, 앞서 도 5를 참조하여 설명한대로 정확도가 뒤떨어지는 문제점이 있으므로, 상기의 RGB 성분 각각의 차이값을 이용하여 이러한 문제점을 개선하는 것이 가능하다.

개시된 기술의 일 실시예에 따른 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템은 이해를 돕기 위하여 도면에 도시된 실시 예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 개시된 기술의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.

110 : 컬러 이미지 획득
120 : 노이즈제거, 필터링 및 픽셀 분류
130 : 색상 분포에 따라 k값 설정
140 : 색상 분포에 따라 중심값 설정
150 : K 평균 클러스터링 수행
210 : 카메라 220 : 전처리부
230 : 설정부 230a : 변환부
240 : 처리부

Claims (14)

1. 이미지 프로세싱 시스템을 이용하여 작물의 건강 상태를 판별하는 방법에 있어서,
   카메라를 이용하여 작물의 잎사귀에 대한 컬러 이미지를 획득하는 제 1 단계;
   상기 이미지 프로세싱 시스템이 상기 이미지를 수신하여 노이즈 제거 및 필터링을 수행하고 상기 이미지에 포함된 픽셀을 소정의 기준에 따라 분류하는 제 2 단계;
   상기 이미지 프로세싱 시스템이 상기 이미지에서 복수개의 색상(Hue) 분포를 파악하여 상기 이미지에 대한 K값을 설정하는 제 3 단계;
   상기 이미지 프로세싱 시스템이 상기 색상 분포 각각에 해당하는 픽셀들 중 하나를 상기 이미지에 대한 중심값으로 설정하는 제 4 단계; 및
   상기 이미지 프로세싱 시스템이 상기 K값 및 상기 중심값을 토대로 상기 이미지에 대한 K 평균 클러스터링을 수행하는 제 5 단계;를 포함하되,
   상기 제 3 단계는 상기 이미지를 HSV 색공간으로 변환함에 따라 색상(Hue) 성분을 분석하여 상기 색상 분포를 파악하고,
   상기 제 5 단계는 상기 K 평균 클러스터링에 따라 상기 이미지를 상기 작물의 잎사귀가 정상인 영역, 상기 작물의 잎사귀가 감염된 영역 및 상기 작물의 잎사귀가 아닌 영역으로 분류하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법.
2. 제 1 항에 있어서,
   상기 제 2 단계는,
   미디언 필터를 이용하여 상기 노이즈 제거 및 상기 필터링을 수행하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법.
3. 제 1 항에 있어서,
   상기 제 2 단계는,
   상기 작물의 잎사귀를 구분하기 위하여 상기 이미지에 포함된 픽셀들 중 무채식인 픽셀들을 필터링하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법.
4. 삭제
5. 삭제
6. 제 1 항에 있어서,
   상기 제 5 단계는,
   각 픽셀에 대한 |R-G|, |R-B| 및 |G-B|값과 각 중심의 |R-G|, |R-B| 및 |G-B|값의 거리를 비교하여 상기 K 평균 클러스터링을 수행하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법.
7. 삭제
8. 작물의 잎사귀에 대한 컬러 이미지를 획득하는 카메라;
   상기 이미지를 수신하여 노이즈 제거 및 필터링을 수행하고 상기 이미지에 포함된 픽셀을 소정의 기준에 따라 분류하는 전처리부;
   상기 이미지에서 복수개의 색상(Hue) 분포를 파악하여 상기 이미지에 대한 K값을 설정하고 상기 색상 분포 각각에 해당하는 픽셀들 중 하나를 상기 이미지에 대한 중심값으로 설정하는 설정부; 및
   상기 K값 및 상기 중심값을 토대로 상기 이미지에 대한 K 평균 클러스터링을 수행하는 처리부;를 포함하되,
   상기 이미지를 HSV 색공간으로 변환함에 따라 변환된 이미지의 색상(Hue) 성분을 분석하여 색상 분포를 파악하는 변환부를 포함하고,
   상기 처리부는 상기 K 평균 클러스터링에 따라 상기 이미지를 상기 작물의 잎사귀가 정상인 영역, 상기 작물의 잎사귀가 감염된 영역 및 상기 작물의 잎사귀가 아닌 영역으로 분류하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 시스템.
9. 제 8 항에 있어서,
   상기 전처리부는,
   미디언 필터를 포함하고, 상기 미디언 필터를 이용하여 상기 노이즈 제거 및 상기 필터링을 수행하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 시스템.
10. 제 8 항에 있어서,
    상기 전처리부는 상기 작물의 잎사귀를 구분하기 위하여 상기 이미지에 포함된 픽셀들 중 무채식인 픽셀들을 필터링하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 시스템.
11. 삭제
12. 삭제
13. 제 8 항에 있어서,
    상기 처리부는 각 픽셀에 대한 |R-G|, |R-B| 및 |G-B|값과 각 중심의 |R-G|, |R-B| 및 |G-B|값의 거리를 비교하여 상기 K 평균 클러스터링을 수행하는 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 시스템.
14. 삭제

Images