KR20150127659A

KR20150127659A - 커피 풍미를 복제하는 방법 및 장치

Info

Publication number: KR20150127659A
Application number: KR1020157027732A
Authority: KR
Inventors: 네일 엠. 데이
Original assignee: 네일 엠. 데이
Priority date: 2013-03-11
Filing date: 2014-03-11
Publication date: 2015-11-17
Also published as: HK1220876A1; AU2014248876A1; AU2018267547A1; CA2903119A1; JP6681458B2; CN105283104B; EP2967248A2; WO2014164903A2; JP2016521139A; CA2903119C; BR112015022341A2; JP2019034227A; AU2018267547B2; US10342386B2; BR112015022341B8; KR102214433B1; BR112015022341B1; CN105283104A; NZ712219A; JP6449226B2

Abstract

커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법 및 이러한 방법을 실행하기 위한 명령을 저장하는 컴퓨터-판독가능 매체가 제공된다. 이러한 방법은, 커피 음료를 만들기 위해서 사용되는 브루 파라미터(brew parameter)의 세트와 연관되는, 상기 커피 음료에 대한 식별자를 수신하기 위한 명령을 제공하는 단계, 및 브루 파라미터의 세트를 저장하는 데이터베이스로부터 상기 식별자를 사용하여 상기 브루 파라미터의 세트를 취출하는 단계를 포함한다.

Description

커피 풍미를 복제하는 방법 및 장치{METHOD AND APPARATUS FOR REPLICATING COFFEE FLAVOR}

관련성 (3)

{분말, 비율, 온도, 교반, 드웰 } = 인퓨전 화합물

전통적으로, 커피 브루어(brewer)는 브루 변수를 비공식적으로 관리되는 그룹으로서 다루어 왔다. 이것은 주로 분말, 즉 분쇄된 로스팅된 커피 원두의 입자 크기 분산이 측정하기에 비실용적이었고, 따라서 시행 착오를 통해서 결정되고 그 결과물을 시음함으로써 매 번 인증될 필요가 있었기 때문이다. 동시에, 분말은 커피의 결과적인 맛 특징에 큰 영향을 미친다. 따라서, 브루잉 프로세스에서의 모든 변수 파라미터 중에서, 분말을 정확하게 측정하고 제어할 수 있는 능력이 커피의 품질에 큰 영향을 미친다.

분말을 정확하게 측정할 수 있는 능력이 있으면, 분말을 메인 일차 파라미터로서 다루고, 일차 파라미터의 나머지를 분말에 기초하여 고쳐서 이차 그룹에서 예측가능한 결과를 만들어내고 결과적으로 추출 동작으로부터 일관적 특징을 생성하는 것이 가능해진다. 분쇄된 로스팅된 커피 원두에 대한 입자 크기 분산을 결정하기 위한 신규한 방법이 도 8a, 도 8b 및 도 9 를 참조하여 아래에 설명된다. 이러한 방법에서, 스마트 폰의 일부로서 부착되는 카메라와 같은 보통의 카메라가 교정 그리드 상에 분산되는 커피 분말의 적은 양을 촬영(또는 비트맵을 생성)하기 위하여 사용된다. 그러면 사진(비트맵)은 분말들의 입자 크기 분산을 결정하기 위하여 처리된다. 이러한 방법은 구현하기에 실용적이고, 따라서 커피의 재생가능한 맛 특징을 만드는 것을 가능하게 하면서 분말이 복제될 수 있다.

인코딩된 브루 파라미터의 일 예는 다음과 같이 보일 수도 있다:

배치 ID: 875QQT-CR

방법: AeroPress

커피 무게: 35 g

물 무게: 200 g

물 온도: 175f

분말: 80% @203 μm, SD < 1.4

선-인퓨전(Pre-Infusion) 시간: 4 초

교반 시간: 10 초

드웰 시간: 5 초

추출 시간: 20 초

추출 볼륨: 185 g

에어로프레스^® 디바이스와 함께 사용되기 위한 이러한 브루 파라미터는, 위에서 설명된 모델 결정 프로세스에 의하여 선택되었던 "모델 풍미"와 유사한 맛이 나는 커피 음료를 생성하기 위하여 사용자가 이용할 수 있는 설정을 포함한다. 이러한 특정 예에서, 분쇄 브루 파라미터는, 선택된 풍미를 복제하기 위하여, 분말 입자들 중 80%가 203 μm 이하(1.4 의 표준 편차 내에서)의 크기를 가져야 한다는 것을 표시한다.

브루 파라미터는 서로 영향을 줌으로써, 하나의 파라미터가 변경되면, 다른 파라미터들 중 하나 이상이 이러한 변경에 "대응하도록" 조절되고 동일한 결과를 획득하도록 할 수도 있다. 예를 들어, 분말이 너무 거칠다면, 물 온도 및/또는 드웰 시간이 이러한 조도를 보상하고 동일한 원하는 풍미를 획득하기 위하여 조절(예를 들어, 증가) 될 수 있다. 이와 유사하게, 만일 분말이 너무 잘다면, 물 온도 및 드웰 시간이 이를 보상하기 위하여 이에 상응하여 조절(예를 들어, 감소)될 수 있다.

브루 파라미터가 S34 에서 결정되면, 브루 파라미터는 소비자에게 이용가능하게 된다(S36). 일 실시예에서, 브루 파라미터는 인코딩되고 원두의 배치와 연관된다. 예를 들어, 원두가 1파운드 가방으로 포장되면, 브루 파라미터는 인코딩되고 그 포장에 부착될 수도 있다. 일 실시예에서, 상이한 타입의 커피 메이커들에 대한 브루 파라미터들이 종이 또는 스티커의 시트에 인쇄되거나 커피 원두의 봉지에 부착될 수도 있다. 커피 원두를 구입하는 사용자는 그러한 원두를 사용하여 "모델 커피 음료 "를 복제하기 위한 브루 파라미터를 자동적으로 얻게 될 것이다.

다른 실시예에서, 브루 파라미터는 인코딩되고 커피 원두의 봉지에 부착되거나 그 위에 인쇄된다. 사용자는 코드를 스캐너 또는 코드 리더기(스마트 폰용 애플리케이션으로서 구현될 수도 있음)를 사용하여 스캔하여 인코딩된 브루 파라미터를 획득할 것이다. 또한 파라미터는 RFID 또는 NFC 디바이스 상에 인코딩될 수 있다.

일 실시예에서, 모델 커피 풍미의 선택(S32)은 각각의 카테고리에 대하여 선택되는 모델 커피 음료(및 이것의 브루 파라미터)에 대하여 다수 개의 카테고리, 예컨대 "진하고 강렬함", "중간 보디", 및 "옅고 부드러움"과 같은 여러 개의 카테고리에 대하여 이루어진다.

또 다른 실시예에서, 브루 파라미터는 데이터베이스에 저장되고 사용자에 의하여 액세스된다. 특징지어지는 각각의 원두의 배치에는 식별자가 지정된다. 각각의 커피 원두 배치 식별자에 대하여, 상이한 타입의 커피 메이커(예를 들어, 프렌치 압축기, 에어로프레스^®, 에스프레소)에 대한 브루 파라미터들이 상이한 풍미 카테고리에 대하여 데이터베이스로 입력된다. 브루 파라미터 데이터베이스는 다른 데이터, 예컨대 일반적으로 사용되는 커피 메이커의 목록 및 각각의 상이한-브랜드 및 모델과 함께 사용될 임의의 브루 파라미터 조절을 포함할 수도 있다. 또한, 전문 감정가가 "모델 커피 음료 "를 결정하기 위하여 사용되었다면, 하나의 세트의 최선의 브루 파라미터에 합의하는 대신에, 각각의 전문가 감정가에 의하여 가장 선호된 파라미터들이 개별적으로 저장되고 식별될 수 있다. 이러한 방법으로, 경험과 더불어 커피를 만드는 사람은 어떤 감정가의 선택을 그가 주로 선호할 것인지에 대해서 알 것이고 그러한 감정가의 모델 음료와 연관된 브루 파라미터를 선택할 것이다. 추가적으로, 데이터베이스는 날짜 및 시간표를 포함함으로써, 예를 들면 로스팅된 원두의 신선도가 떨어지는 것처럼 브루 파라미터가 시간이 지남에 따라서 변화하면, 정정된 브루 파라미터가 액세스될 수 있다.

추가적으로 각각의 브루잉 조건과 연관된 브루 파라미터에 추가하여, 예를 들면 특정 디바이스에 대한 설정의 관련된 표가 저장될 수도 있다(예를 들어, 룩업 테이블 내에).

추가적으로, 식별자가 로스팅된 커피 원두의 배치에 관련되는 다른 정보, 예컨대 예를 들어, 변종, 원산지, 배치 및 로스트 날짜, 추가적 기술 콘텐츠(즉 원두의 컬러 및 크기), "유통 기한" 날짜, 로스팅된 커피 원두와 관련된 추가적 추천 사항, 제안된 브루잉 방법에 링크될 수도 있고, 이러한 정보는 저장되거나 브루 파라미터 데이터베이스에 링크될 수도 있다. 데이터베이스는 필요할 때 업데이트될 수 있다.

도 4 는 진보적 개념에 따르는 파라미터-기초 커피 복제 프로세스(40)의 일 실시예를 묘사한다. 이러한 프로세스에서(40), 커피 원두 식별자가 획득된다(S41). 식별자는 사용되는 인코딩 방법에 의존하여 사용자에 의하여 입력되거나 머신에 의하여 판독될 수 있다. 예를 들면, 바코드, QR 코드(Quick Response Code), RFID 태그(Radio Frequency Identification), 또는 URI(Uniform Resource Identifier) 코드 식별자가 스캐너에 의하여 판독될 수 있고, 또는 커피 원두 패키지 상에 인쇄된 코드 번호가 웹-기초 애플리케이션으로 수동으로 입력될 수 있다. 식별자에 추가하여, 데이터베이스 내의 파라미터들의 세트를 한정할 다른 정보가 요청되고 수신될 수도 있다(S43). 이러한 추가적 정보는 사용되는 중인 분쇄기 및/또는 커피 메이커의 타입(예를 들어, 에어로프레스^®, 표준 드립, 프렌치 압축기, 에스프레소) 및/또는 원하는 풍미 카테고리(진함, 매체, 옅음)에 관련될 수도 있다. 식별자 및 선택적인 추가적 정보를 사용하면, 브루 파라미터의 정확한 세트가 데이터베이스에서 발견된다(S45). 데이터베이스는 네트워크를 통하여 액세스되거나 국지적으로 저장될 수도 있다. 모델 커피 음료의 풍미를 소비자의 커피 메이커를 사용하여 복제하기 위한 브루 파라미터의 세트를 취출하면, 브루 파라미터는 취출되고, 예를 들어 사용자에게 제공된다(S46). 브루 파라미터는 따라하기 쉬운 단계별 명령으로서 사용자에게 제공될 수도 있다.

파라미터-기초 커피 복제 프로세스(40)는 상이한 머신에 상주하는 소프트웨어 또는 펌웨어로서 구현될 수도 있다. 예를 들어, 소프트웨어는 다운로드될 수 있는, 스마트 폰에 대한 애플리케이션으로서 구현될 수도 있다. 소프트웨어는 또한 사용자가 웹-기초 인터페이스와 상호작용하는 웹-기초 애플리케이션으로서 구현될 수도 있다. 또한 소프트웨어는 전체적으로 또는 부분적으로, 자동 커피 분쇄 및/또는 브루잉 디바이스의 일부로서 구현되고, 아래에서 설명되는 바와 같이 디바이스를 작동시키기 위하여 사용될 수도 있다.

도 5a 는 도 5b 에서 묘사되는 파라미터-기초 분쇄 프로세스(5000)를 수행하도록 구성되는 "스마트" 커피 분쇄기(50)를 포함하는 진보적 개념의 일 실시예를 묘사한다. 스마트 커피 분쇄기(50)는 원하는 커피 음료의 타입에 대한 사용자 요청을 수신하고, 브루 파라미터(구체적으로 설명하면, 분말 파라미터)를 취출하며, 브루 파라미터 요구 사항을 만족시키는 커피 분말을 생성하도록 구성된다. 도시된 바와 같이, 스마트 커피 분쇄기(50)는 원두를 분쇄하기 위한 분쇄기(51), 커피 분말의 입자 크기를 제어하기 위한 분쇄 제어 유닛(52), 및 프로세서(53)를 포함한다. 스마트 커피 분쇄기(50)는 또한 인터페이스 유닛(57)을 통해서 소비자와 통신할 수 있다. 사용자 인터페이스 유닛(57)은 스마트 커피 분쇄기(50) 내에 제작되거나 별개의 사용자 인터페이스 유닛(예를 들어, 스마트 폰, 태블릿, 랩탑, 데스크탑, PDA)과 통신 상태에 있을 수도 있다. 사용자 인터페이스 디바이스는 사용자 입력을 수신하고 정보를 사용자에게 출력할 수 있으며, 통상적으로 시각적 및/또는 오디오 디바이스를 포함한다. 스마트 커피 분쇄기(50)는 이것이 브루 파라미터 데이터베이스에 액세스하는 데이터 인터페이스(58)를 더 가진다. 데이터 인터페이스(58)는 브루 파라미터를 저장하는 메모리 디바이스를 수신하도록 구성되는 포트이거나, 네트워크를 통한 데이터베이스 액세스를 허용하는 네트워크 접속성 포트일 수도 있다.

일 실시예에서, 분쇄 제어 유닛(52)은 도 8a, 도 8b 및 도 9 와 관련하여 이하 설명되는 입자 크기 결정 방법을 사용하여 구현될 수도 있다. 아래에 설명되는 방법이 사용되는 경우, 분쇄 제어 유닛(52)은 교정 마크를 가지는 교정 그리드(55) 상에 포지셔닝된 카메라(54)를 포함한다. 프로세서(53)는 사용자의 원하는 커피 음료에 대한 브루 파라미터를 도 3 에 도시되는 방식으로, 예를 들어 위에서 언급된 데이터베이스로부터 획득한다. 프로세서(53)는 분말 크기 파라미터를 브루 파라미터로부터 추출하고, 처방된 분말 크기를 획득하기 위한 분쇄기(51)의 설정 및 분쇄 시간을 조절한다. 프로세서(53)는 브루 파라미터를 분쇄기(51)의 특정 설정으로 전환하도록 프로그램될 수도 있다. 초기 분쇄 이후에, 커피 분말의 샘플이 교정 그리드(55) 상에 분사되고 카메라(54)로써 이미징된다. 왜곡 정정이 부록 A의 방법에 따라서 이루어질 수도 있고 분말의 입자 크기 분산이 결정된다. 만일 입자 크기 분산이 원하는 음료에 대한 브루 파라미터의 분말 크기 파라미터 내에 있다면, 분쇄는 완료된다. 반면에, 만일 더 많은 분쇄가 필요하다면, 분쇄기(51)가 분말을 정확한 입자 크기에 맞게 만들어 낼 가능성이 있는 조절된 설정에서 다시 턴온된다. 그러면 재-분쇄된 커피 분말의 샘플이 교정 그리드(55) 상에 분사되고, 입자 크기 분산이 다시 결정되고, 반복적 분쇄 사이클은 원하는 입자 크기에 도달될 때까지 계속된다.

스마트 커피 분쇄기(50)에는 커피 원두 식별자 및 그러한 식별자와 연관되는 분쇄 설정을 저장하는 로컬 메모리(56)가 탑재될 수도 있다. 그러므로, 사용자가 동일한 커피 봉지를 사용하여 동일한 타입의 커피 음료를 수 일 동안 만들고자 한다면, 스마트 커피 분쇄기(50)는 도 3 의 전체 프로세스를 매번 반복할 필요가 없을 것이다.

도 5b 는 진보적 개념에 따르는 스마트 커피 분쇄기(50)에 의하여 실행될 수도 있는 파라미터-기초 분쇄 프로세스(5000)를 묘사한다. 스마트 커피 분쇄기(50)는 커피 원두 식별자(S5010)를 판독하고, 선택적으로 브루잉 선호사항 및 조건(예를 들어, 원하는 풍미 카테고리)에 관련하여 소비자로부터 입력을 수신하며(S5020), 정확한 브루 파라미터의 세트를 데이터베이스로부터 취출한다(S5030). 이것은 브루 파라미터들 중에서 분말 파라미터를 식별하고, 분쇄기(51)를 분말의 원하는 입자 크기를 달성할 설정 및 런타임에 맞춰 설정한다(S5040). 분쇄 프로세스가 완료된 이후에, 분쇄 제어 유닛(52)은 분말을 점검하여(S5050) 입자 크기가 브루 파라미터에 의하여 정의된 타겟 범위 내에 있는지를 확인한다. 처음에, 스마트 커피 분쇄기(50)는 궁극적으로 원하는 것보다 다소 거친 분말을 생성하도록 분쇄기를 설정함으로써, 분쇄의 제 2 라운드가 분말을 정밀하게 조절하기 위한 분말 파라미터를 재계산할 수 있고(S5060) 타겟 입자 크기 내에 있는 분말을 획득하게 할 수도 있다. 타겟 입자 크기에 도달되면, 분말은 사용자에게 제공된다(S5070).

도 6a 는 도 6b 에서 묘사되는 파라미터-기초 커피 만들기 프로세스(6000)를 수행하도록 구성되는 "스마트" 커피 메이커(60)를 포함하는 진보적 개념의 일 실시예를 묘사한다. 몇 가지 실시예들에서, 스마트 커피 메이커(60)는 스마트 커피 분쇄기(50)를 통합할 수도 있다. 구체적으로 설명하면, 스마트 커피 메이커(60)는 커피 원두 및/또는 물의 무게를 재기 위한 스케일(61), 커피 원두를 분쇄하기 위한 분쇄기(62), 분말 크기를 결정하기 위한 분말 크기 제어 유닛(63), 물 수용 및 가열 유닛(64), 분말 및 물이 접촉하도록 배치되는 추출 유닛(65), 및 커피 음료 수용 유닛(66)을 포함한다. 브루 파라미터가 물의 양을 볼륨의 관점에서 특정하는 경우, 물 수용 유닛(64)은 물 볼륨을 표시하는 마크를 가질 수도 있다. 스마트 커피 메이커(60)는 로컬 메모리(68)에 커플링된 프로세서(67) 및 네트워크 접속 능력을 가지고 구성될 수도 있는 데이터 인터페이스(69)를 포함한다. 네트워크 접속 능력은 위에서 설명된 데이터베이스에 액세스하기 위하여 유용하다.

도 6b 는 진보적 개념의 일 실시예에 따르는 스마트 커피 메이커(60)에 의하여 실행될 수도 있는 파라미터-기초 자동화된 커피 만들기 프로세스(6000)를 예시한다. 스마트 커피 메이커(60)는 커피 원두 식별자(S6010)를 판독하고, 선택적으로 원하는 풍미 카테고리와 같은 브루잉 선호사항에 관련된 입력을 소비자로부터 수신하며(S6020), 올바른 브루 파라미터의 세트를 데이터베이스(S6030)로부터 취출한다. 이것은 브루 파라미터로부터 분말 파라미터를 식별하고, 커피 원두의 정확한 양(무게)을 획득하며(S6035), 커피 원두를 분말의 원하는 입자 크기를 획득할 설정 및 런타임으로 설정되는 분쇄기(62) 내에 배치한다(S6040). 분쇄 프로세스가 완료된 이후에, 분쇄 제어 유닛(63)은 분말을 점검하여, 도 5b 를 참조하여 설명된 바와 같이 예를 들어 도 8a, 도 8b 및 도 9 를 참조하여 아래에 설명되는 기법을 사용하여, 입자 크기가 브루 파라미터에 의하여 정의되는 타겟 범위 안에 있는지를 확인한다. 원하는 입자 크기가 획득되면, 분말은 추출 유닛(65)내에 부어진다(S6060). 물은 예를 들어 스케일(61)로써 계측되어 브루 파라미터(S6045)에 의하여 처방되는 양을 획득하고, 처방된 온도로 가열된다(S6050). 물 및 분말은 추출 유닛(65) 내에서 결합되고(S6060) 브루 파라미터에 의하여 처방된 드웰 시간의 양 동안에 서로 접촉하게 된다(몇몇 디바이스에서는 교반에 의하여). 분말은 커피 음료의 액체 부분으로부터 분리되어(S6070) 커피 음료를 생산한다.

커피가 브루잉되면, 소프트웨어는, 선택적으로, 커피에 대한 피드백을 요청하고 내장할 수 있다(미도시). 이러한 피드백은, 예를 들어 위에서 설명된 화학적 분석의 결과와 비교하기 위한, 특정한 화학물질들의 또는 결과적인 커피 전체의 화학적 분석으로서, 예컨대 결과로서 얻어지는 커피에 대해 교차-점검을 제공할 수도 있다. 이러한 피드백은 또한, 예를 들어 사용자에 의하여 제공될 수도 있다. 예를 들어, 커뮤니티가 로스트 배치에 대한 경험을 쌓아가면서, 이들은 상이한 결과를 획득하는 브루 파라미터의 변형을 제공할 수도 있다. 이러한 업데이트는 공개되고 커뮤니티의 다른 멤버들에 의하여 등급이 매겨질 수 있다.

도 7 은 진보적 개념에 따르는 파라미터-기초 자동화 커피 마련 프로세스(70)의 일 예시적인 동작을 도시한다. 특정 예는 프렌치 압축기 디바이스와 함께 사용하기 위한 것이지만, 프로세스는 임의의 타입의 디바이스에 대해서 적응될 수 있다. 이러한 자동화 커피 마련 프로세스(70)에서, 5 개의 노드가 존재하는데: 노드 1(700)은 원두의 무게를 재고 분쇄하기 위한 것, 노드 2(710)는 물의 무게를 재고 가열하기 위한 것, 노드 3(720)은 추출 유닛을 로딩하기 위한 것, 노드 4(730)는 추출을 위한 것이고, 노드 5(740)는 플런지(plunge) 제어를 위한 것이다. 각각의 노드는 제어 유닛(750)에 의하여 제어된다. 노드들은 위에서 설명된 스마트 커피 메이커(60)와 같은 집적된 유닛의 상이한 부분들이거나, 또는 제어 유닛(750)과 예를 들어 무선으로(예를 들어, 블루투스를 통해) 통신할 수 있는 별개의 유닛들일 수도 있다. 예를 들어, 노드 1 은 분쇄기에 있을 수도 있고, 노드 2 는 주전자에 있을 수도 있으며, 노드 3, 4, 및 5 는 독립적인 프렌치 압축기 디바이스에 있을 수도 있다.

제어 유닛(750)은 노드들을 통합 방식으로 독립적으로 제어한다. 제어 유닛(750)은 브루 파라미터 데이터베이스로의 액세스를 가지며, 각각의 노드에 대한 파라미터를 데이터베이스로부터 취출한다. 그러면 이것은 노드 파라미터를 취출된 파라미터에 따라서 설정하고(S760) 노드 동작을 개시한다(S770). 그러면 노드 동작은 통합 방식으로 수행됨으로써(S780), 프로세스의 단계들이 옳은 순서로 발생하게 한다. 각각의 단계에서, 제어 유닛(750)은 다음 단계로 이동하기 이전에 동작이 완료된 바 있다는 것을 확정한다(S790). 제어 유닛(750)에 탑재되거나 이에 의하여 판독되는 타이머가 존재함으로써, 제어 유닛(750)이 다양한 프로세스(예를 들어, 분쇄, 교반)에 대한 런타임을 브루 파라미터에 따라서 설정할 수 있게 한다.

분쇄된 커피 원두의 입자 크기 분산을 이미지를 사용하여 결정하는 방법이 도 8a, 도 8b 및 도 9 에서 설명된다.

이러한 방법은 분쇄된 커피 원두의 작은 입자 및 교정 패턴을 포함하는 이미지(예를 들어, 비트맵)를 생성하거나 또는 획득하는 것을 수반하는데, 여기에서 교정 패턴의 치수는 공지된다. 예를 들어, 이미지는 교정 패턴 상에 또는 주위에 포지셔닝된 작은 입자를 이미징하기 위한 임의의 종래의 카메라를 사용하여 생성될 수도 있다. 입자 크기가 작을 경우(예를 들어, 10^-6 인치의 정도), 정정이 카메라 렌즈에 의하여 야기되는 왜곡을 설명하기 위하여 이루어진다.

개시된 방법의 일 실시예에서, 분쇄된 커피 원두의 입자 크기는 공지된 치수의 마크를 포함하는 교정 패턴을 사용하여 결정된다. 교정 패턴 및 입자는, 동일한 왜곡이 교정 패턴 및 입자 양자에 적용될 것이라는 가정을 가지고 함께 이미징된다. 교정 패턴의 공지된 치수를 사용하면, 왜곡 효과를 제거하고 이미지를 왜곡 효과가 없는 정정된 이미지로 변환하기 위하여 변환이 생성된다. 그러면 변환이 정정된 이미지로부터 입자 크기 분포를 결정하기 위하여 적용된다.

바람직하게는, 임의의 카메라(또는 비트맵을 생성할 수 있는 다른 디바이스)가 비트맵을 기록하기 위하여 사용될 수 있고, 전문화된 이미징 또는 기록 장비가 요구되지 않는다. 더욱이, 교정 패턴 및 입자가 단일 이미지 내에 함께 기록되기 때문에, 카메라, 렌즈 및 다른 이미지 파라미터가 왜곡을 정정하고 정확한 입자 크기를 추출하기 위하여 알려질 필요가 없다. 입자 및 교정 패턴을 하나의 이미지 내에서 함께 캡쳐하면, 측정 이미지를 기록하기 이전에 왜곡을 정정하기 위한 파라미터들의 세트를 획득하기 위하여 추가적인 개별 교정 이미지를 기록해야 하는 필요성을 없앤다. 개시된 방법에서, 분쇄된 커피 원두의 크기를 정확하게 결정하기 위하여 필요한 정보가 단일 이미지 내에 임베딩된다.

도 8a 는 입자 크기를 결정하기 위한 방법의 일 실시예를 도시한다. 측정될 입자가 교정 패턴, 예컨대 교정 그리드(55)(도 5a) 상에 분포된 이후에, 교정 그리드(55) 상의 입자의 디지털 이미지를 캡쳐(예를 들어 비트맵을 기록)하기 위하여 카메라(54)가 사용된다(단계 S810). 이미지 생성은, 예를 들어 이미지의 선명도/해상도를 개선하기 위한 이미지 프로세싱 기법(노이즈 감소 및/또는 쓰레시홀딩(thresholding) 및/또는 필터링을 포함하지만 이들로 한정되는 것은 아님)을 적용함으로써 오브젝트 인식을 용이화하도록 이미지를 준비하는 것을 포함할 수도 있다. 임의의 적합한 노이즈 감소 기법이 사용될 수도 있다.

사진술(photographic)(즉, 가시광), 초음파, x-선, 또는 레이더를 이용하는 기법을 포함하는, 2-차원 또는 3-차원 이미지를 캡쳐 또는 생성하기 위한 임의의 기술이 단계 S810에서 사용될 수도 있다. 진보적 개념은 비트맵을 캡쳐하는 임의의 특정 방법으로 한정되지 않는다. 교정 패턴, 예컨대 교정 그리드(54)는 배경 및 교정 마크를 포함하는 것이 유용하다. 예를 들어, 교정 그리드(54)의 교정 마크는 일정한 치수 x 및 y를 가지는 사각형의 외곽선들인데, 이들은 실질적으로 일정한 두께의 선분으로 그려지고 행 및 열로 일정한 간격 w로 반복된다. 예를 들어, 도 8b 는 일정한 치수 x 및 y를 가지는 사각형의 외곽선들인 교정 마크(822)가 있는 교정 그리드(820)를 도시하는데, 이들은 실질적으로 일정한 두께의 선분으로 그려지고 행 및 열로 일정한 간격 w로 반복된다. 교정 마크의 치수는 공지된다(예를 들어, 물리적 패턴을 측정함으로써). 교정 마크는 원하는 입자 크기 범위에서 정확한 측정을 허용하는 정정된 이미지를 생성하기 위하여 충분한 정보를 제공하는 임의의 치수일 수 있다.

교정 패턴, 예를 들어 교정 그리드(54)는 배경의 메인 컬러 또는 음영이 측정될 입자의 컬러 및 교정 마크의 컬러에 대해 높은 대비를 가지는 경우 가장 유용하다. 또한 교정 마크의 컬러가 그 크기가 결정되어야 하는 입자의 컬러와 상이하게 하는 것이 유용하다. 예를 들어, 입자가 갈색이거나 검정색이라면, 배경은 백색일 수도 있고 교정 패턴은 청색 색상을 가질 수도 있다. 일반적으로, 임의의 재료가 교정 패턴으로 사용될 수도 있고, 교정 패턴의 표면이 입자의 재료에 의해 영향 받지 않아서 입자가 교정 패턴을 손상시키지 않게 한다면 유용할 수도 있다. 일 예에서, 교정 패턴은 종이의 시트에 인쇄된 패턴이고, 분쇄된 커피 원두의 입자가 그 위에 분사된다. 교정 패턴의 디지털 이미지가 사용자에 의하여 획득될 수도 있고 가정에서 인쇄될 수도 있다.

본 명세서에서 개시된 기법을 사용하여 결정될 수 있는 커피 분말의 최소 입자 크기는 다수 개의 인자에 의존하는데, 이들 중 하나는 최소 측정가능 오브젝트의 픽셀 커버리지 및 교정 마크의 픽셀 커버리지 사이의 비율이다. 또한 통계를 수집하기 위하여 하나 이상의 교정 마크 및 샘플의 충분한 입자를 캡쳐하는 충분한 카메라 해상도가 제공되어야 한다. 현재 시장에서 입수가능한 아이폰^®의 부품인 카메라는 1 x 10^-6 인치만큼 작은 입자 크기를 결정하도록 한다. 일 실시예에서, 교정 마크의 치수는 카메라의 디지털 해상도 및 측정될 최소 입자의 크기에 의존한다. 예를 들어, 3264 x 2448 픽셀의 해상도를 가지는 카메라에 대하여, 2 픽셀 바이 2 픽셀의 사각형이 25 x 10^-6 인치의 직경을 가지는 입자를 측정하기 위하여 필요하고, 한 변이 400 픽셀인 교정 패턴(즉, 160,000 개의 픽셀의 면적을 둘러쌈)이 사용된다.

패턴들은 그리드의 반복하는 정사각형을 포함할 수도 있고, 또한 반복하는 정사각형이 아닌 패턴들도 교정 패턴을 위하여 사용될 수도 있다. 그러나, 교정 패턴에 대하여 수학적으로 모델링하기가 용이한 정규 패턴, 예를 들어 직교 선분을 포함하는 패턴이 기록된 이미지의 처리를 용이하게 할 수도 있다. 추가적으로, 교정 마크는 그 크기가 결정되는 중인 입자의 컬러에 대해 높은 콘트라스트를 가지는 컬러를 최대한 사용한다. 예를 들어, "체커보드" 패턴과 같은 패턴은 효율적으로 작동하지 않을 수도 있는데, 이는 박스의 절반이 어두울 것이고, 입자가 어두운 경우에는 너무 많은 입자들이 입자 및 입자가 놓인 표면 사이에 큰 대비가 없는 어두운 영역에 놓일 것이기 때문이다.

단계 S820 에서, 교정 그리드(55)의 이미지가 왜곡을 제거하기 위하여 정정된다. 입자 크기를 결정하기 위하여 이미징을 사용하는 것의 문제점들 중 하나는 기록된 이미지 내의 다양한 왜곡이 크기 결정에 있어서 부정확성을 초래할 것이라는 것이다. 특히 이러한 왜곡은, 예를 들어 10^-6 인치의 크기 범위에 있는 작은 입자의 정확한 측정을 하려고 시도할 경우 문제가 된다. 이러한 왜곡은 렌즈 기하학적 구조 또는 정렬에 있어서의 불완전성의 결과일 수 있고, 이것은 예를 들어 이미지 내에서 캡쳐될 직선이 비-직선이 되게 할 수도 있다. 또한 왜곡은 원근 왜곡의 결과일 수 있는데, 이것은 카메라의 광축이 이미징되고 있는 오브젝트의 중앙에 수직이 아닌 경우에 발생하고, 평행선이 이미지에서 평행이 아닌 것으로 나타나게 한다. 입자 크기가 교정 마크의 치수를 사용하여 결정되기 때문에, 교정 마크의 이미지에 존재하는 왜곡은 크기 결정 과정에서 오류를 초래할 가능성이 있다. 그러므로, 교정 마크에 있는 왜곡은 입자 크기 결정이 완료되기 이전에 정정된다. 단계 S820 이 끝나면, 무왜곡 교정 마크 및 입자의 원래의(비교정) 이미지를 포함하는 "정정된 이미지"가 생성된다.

단계 S820 에서 왜곡을 제거하기 위한 하나의 접근법에서, 교정 마크가 이미지로부터 추출된다. 도메인 필터링 기법이 이러한 추출을 위하여 사용될 수도 있다. 예를 들어, 교정 마크가 청색인 경우, 청색 색상 범위에 있는 패턴을 추출하기 위한 크로마 범위를 사용하는 기법이 사용될 수도 있다(교정 패턴의 배경은 마크와는 상이한 컬러임). 결과는 컨투어를 이미지의 청색 부분으로부터 추출함으로써 만들어지는 교정 마크 오브젝트 어레이이다. 오르도포토그래프(orthophotographs)에서와 같이, 교정 마크 오브젝트 어레이가 이미지의 매핑을 위하여 유용한 일정한 스케일을 생성하기 위하여 사용된다. 균일한 스케일의 이러한 생성은 직교(ortho)-변환인데, 이것은 생성되기만 하면 반복적으로 동일한 교정 패턴과 함께 재사용될 수도 있다.

단계 S830 에서, 분쇄된 커피 원두의 입자 크기는 교정 패턴의 정정된 이미지를 사용하여 결정된다. 이러한 프로세스는 도메인 필터링을 사용하여 정정된 이미지로부터 입자를 추출하는 것을 수반한다. 예를 들어, 도메인 필터링은 갈색/블랙 컬러 범위에 있는 것으로 알려진 입자를 추출하기 위한 크로마 범위를 사용하여 달성될 수도 있다. 입자 오브젝트 어레이는 처리된 이미지로부터 입자의 컨투어를 추출함으로써 생성된다. 그러면 입자 오브젝트 어레이의 각각의 엘리먼트가 입자 치수, 예를 들어 각각의 입자의 크기(extent)(직경), 면적 및 원형성(circularity)을 결정하기 위하여 측정될 수 있다. 이러한 측정으로부터, 측정된 입자의 크기 분포가 획득된다. 입자 크기를 측정할 때에, 교정 패턴은 치수의 기준으로서의 역할을 한다.

위에서 언급된 바와 같이, 물리적 세계(이미지 내에서와 대조됨)에서의 교정 마크의 치수는 알려져 있다. 선택적으로, S820 에서 사용되는 교정 마크 왜곡 정정의 정확도는 정정된 이미지 내에서 교정 마크를 측정하고 교정 패턴 내의 교정 마크의 공지된 크기로부터의 불일치를 계산함으로써 교차-체크될 수 있다.

단계 S840 에서, 입자 오브젝트 어레이의 측정이 특징지어진다. 크기 분포 히스토그램, 영역 분포 히스토그램, 볼륨 분포 히스토그램, 최소, 최대 및 표준 편차 및 분포 피크 분석이 분쇄된 커피 원두의 입자들의 크기 및 형상을 특징짓는 크기 파라미터들의 세트를 결정하기 위하여 사용될 수도 있다. 본 명세서에서 사용될 때 크기 파라미터의 "세트"는 적어도 하나의 크기 파라미터를 의미하도록 의도된다.

몇 가지 경우들에서, 입자 크기 결정은 입자를 처리(예를 들어, 분쇄) 하여 원하는 크기를 획득하는 목적을 가지고 이루어질 수도 있다. 사이즈 이러한 경우에, 이용가능한 타겟 입자의 프로파일이 존재할 수도 있고, 이러한 프로파일은 단계 S840 에서 사용되는 크기 파라미터의 세트의 관점에서 정의될 수도 있다. 측정된 파라미터의 타겟 입자의 프로파일에 대한 비교(단계 S840 의 결과)에 기초하여, 두 개의 프로파일을 더 근접하게 만들기 위해서 어떠한 동작이 취해져야 하는지를 결정할 수도 있다. 이러한 결정은 프로세서에 의하여 자동적으로 또는 사람에 의하여 수행될 수도 있다. 결정이 자동적으로 수행되는 경우에, 프로세서는 운영자에게 추가적 분쇄가 측정 결과가 타겟 프로파일에 더 근접하게 할 것이라는 것을 표시할 수도 있다(예를 들어, 시각적으로 및/또는 사운드에 의하여).

도 5 및 도 6 에 도시된 바와 같이 커피를 브루잉할 때, 특정 풍미의 커피를 만들기를 원하는 사용자는, 그의 커피 메이커에서 특정한 설정으로 사용될 경우 그가 원하는 풍미를 생성할 것이라고 그가 알고 있는 타겟 커피 분말의 프로파일, 즉 분말 크기를 획득할 수도 있다. 이러한 사용자는 일부 커피 분말을 교정(54) 상에 분사하고, 위의 방법을 사용하여 그의 분말을 특징짓는 크기 파라미터의 세트를 획득하며, 그리고 크기 파라미터를 타겟 프로파일과 비교할 수 있다. 예를 들어, 파라미터의 세트가, 그의 분말에 대한 측정치 분포가 0.035 인치에 중간점을 두고 타겟 프로파일이 0.0475 인치에 대한 것임을 표시한다면, 사용자는 그가 원두를 너무 미세하게 분쇄했으며 그가 더 거칠게 준비하는 것부터 다시 시작할 필요가 있다는 것을 알게 될 것이다.

이제, 도 8a 의 왜곡 정정 단계(S820)에 대하여, 그리고 특히 원래의 왜곡된 이미지를 무왜곡 정정된 이미지로 변환하기 위한 변환 행렬의 생성에 대하여 제공될 것이다. 교정 패턴의 실제 포지션은 물리적, 실세계 교정 패턴으로부터 알려진다. 그러므로, 두 개의(즉, 실제 포지션 및 이미지 내의 포지션)의 비교가, 이미징된 교정 패턴을 실제 교정 패턴으로 다시 변환하는 변환 행렬(또는 임의의 다른 스칼라)을 결정하기 위하여 사용될 수 있다. 교정 패턴에 대한 이러한 변환 행렬은, 어떻게 이미지를 실세계 측정으로, 그리고 그 반대로 변환하는지를 보여준다. 변환 행렬은 픽셀의 세트에 걸쳐 외삽되고, 다시 크로마 범위 추출(chroma range extraction)을 사용하여, 전체 이미지 또는 오직 입자들만이 도시되는 이미지(단계 S830 에서 획득됨)의 선택된 부분으로 적용될 수도 있다. 변환 행렬을 이미지로 적용한 이후에, 더 적게 왜곡된(그리고 원근 또는 기하학적 왜곡이 실질적으로 없을 수도 있는) 부분적으로-정정된 이미지가 획득된다. 이러한 접근법은 왜곡을 정정하기 위한, 각각의 교정 마크로의 정정 인자를 생성한다.

도 9 는 왜곡 정정을 위한 다른 접근법(900)을 묘사한다. 실험적으로-생성된 변환 행렬을 사용하는 제 1 접근법과는 달리, 이러한 제 2 접근법은 렌즈 왜곡 및 원근 왜곡에 대하여 이미지를 정정하는 것을 수반한다. 위에서 설명된 교정 마크 오브젝트 어레이 및 교정 마크 오브젝트 어레이에 의하여 참조되는 이미지의 영역을 단계 S910 및 S920 에서 사용하면, 왜곡 계수가 획득된다. 예를 들어, "A flexible new technique for camera calibration," IEEE Transaction on Pattern Analysis and Machine Intelligence, 22(11):1330-1334, 2000 에서 설명된 바와 같은 Z. Zhang의 방법이 사용될 수도 있는데, 이것은 본 명세서에서 원용되어 통합된다. Zhang에서 설명되는 방법은 후속 사진에서 사용될 수 있는 교정 파라미터를 획득하기 위하여 체커보드 패턴을 사용한다. 그러나, 본 명세서에서 개시된 진보적 개념에 대해서, 위에서 설명된 바와 같이 이미지로부터 추출된 교정 패턴이 사용된다. 획득된 교정 결과는 k ₁ 및 k ₂와 같은 렌즈 왜곡 파라미터를 포함할 것이다.

Zhang에 의하여 제안된 기법은 도시된 몇 개의(적어도 두 개의) 상이한 지향에서 보여지는 평면 패턴을 관찰하기 위하여 카메라를 사용한다. 패턴은 레이저 프린터에 프린트되고 "실질적" 평평한 면(예를 들어, 하드 북 커버)에 부착될 수 있다. 카메라 또는 평면 패턴 중 하나가 이동될 수도 있고, 이동의 세부사항이 알려질 필요가 없을 수도 있다. 제안된 접근법은 사진측량(photogrammetric) 교정 및 자기-교정 사이에 위치하는데, 이는 3D 또는 순전히 암시적인 것이 아니라 2D 메트릭 정보가 사용되기 때문이다. 컴퓨터 시물레이션 및 실제데이터 양자가 제안된 기법을 테스트하기 위하여 사용되었다. 본 명세서에서 설명되는 기법은 3D 컴퓨터 비젼을 실험실 환경으로부터 실세계로 진보시킨다.

카메라의 내재적 파라미터에 대한 제약이 단일 평면을 관찰함으로써 제공된다. 2D 포인트는 m = [u,v]^T에 의하여 표시된다. 3D 포인트는 M = [X, Y, Z]^T에 의하여 표시된다. 심볼

는 마지막 엘리먼트로서 1 을 가산함으로써 증강된 벡터를 표시한다:

및

. 카메라는 보통 핀홀을 사용하여 모델링된다: 3D 포인트 M 및 이것의 이미지 투영 m 사이의 관련성은 수학식 1 에 의하여 주어진다:

여기에서 s는 임의의 스케일 인자이고; 외재적 파라미터라고 불리는 (R, t)는 실세계 좌표 시스템을 카메라 좌표 시스템에 관련시키는 회전 및 병진이며; 카메라 내재적 행렬이라고 불리는 A는 다음에 의하여 주어진다:

(u _0, v ₀)는 주된 포인트의 좌표이고, α 및 β는 이미지 u 및 v 축에서의 스케일 인자이며, γ는 두 개의 이미지 축들의 왜도(skewness)를 기술하는 파라미터이다. 약자 A^-T 는(A^-1)^T 또는(A^T)^-1을 나타내기 위하여 사용된다.

모델 평면은 실세계 좌표 시스템의 Z = 0 에 존재하는 것으로 가정될 수도 있다. 회전 행렬 R의 i번째 열은 r _i 라고 표현될 것이다. 수학식 1 로부터 다음을 얻는다:

심볼 M 이 모델 평면 상의 포인트를 표시하기 위하여 여전히 사용되는데, 하지만 M = [X, Y]^T이고 이는 Z가 0 이기 때문이다. 차례대로, M

= [X, Y, 1]^T이다. 그러므로, 모델 포인트 M 및 이것의 이미지 m은 호모그래피 H에 의하여 관련된다:

명확한 바와 같이, 3 x 3 행렬 H가 스케일 인자까지 정의된다.

모델 평면의 이미지가 주어지면, 호모그래피가 추정될 수 있다. 호모그래피를 수학식 2 로부터 H = [h₁ h₂ h₃]에 의하여 표시하면, 다음을 얻는다\

[h₁ h₂ h₃] = λA [r₁ r₂ t]

여기에서 λ는 임의의 스칼라이다. r₁ 및 r₂가 직교정규(orthonormal)라는 저식을 사용하면, 후속하는 제약이 획득된다:

이것들은 하나의 호모그래피가 주어질 경우의 내재적 파라미터에 대한 두 개의 기본적인 제약이다. 호모그래피가 8 자유도를 가지고 6 개의 외재적 파라미터(회전에 대하여 3 개 및 병진에 대하여 3 개), 2 개의 제약이 내재적 파라미터에 대하여 획득된다. 파라미터 A^- ^TA^- ¹는 절대 원뿔 곡선의 이미지를 실제로 기술한다. 기하학적 해석이 이제 제공될 것이다.

본 명세서에서 사용되는 바와 같은 표시법에 하에서의 모델 평면은 후속하는 수학식에 의하여 카메라 좌표 시스템 내에 기술된다:

여기에서 무한대의 포인트에 대하여 w = 0 이고 그렇지 않으면 w = 1 이다. 이러한 평면은 직선에서 평면에 무한대로 교차하고,

및

가 그 선분에 두 개의 특정 포인트들이라는 것을 쉽게 알 수 있다.

이것 상의 임의의 포인트는 이러한 두 개의 포인트의 선형 조합이며, 즉

이다.

위의 라인과 절대 원뿔 곡선과의 교차점을 계산하고, 정의에 의하여 이것을 알면, 포인트

(원형 포인트)은

^T

= 0 을, 즉

(ar₁ + br₂)^T (ar₁ + br₂) = 0, 또는 a ² + b ² = 0 를 만족한다.

해는 b = ±ai인데, 여기에서 i ² = -1 이다. 즉, 두 개의 교점들은

이다

그러면 이미지 평면 내에 그들의 투영이 다음에 의하여 스케일 인자까지 주어진다.

포인트

은 A^T A^-1 라고 기술되는 절대 원뿔 곡선의 이미지 상에 있다. 이것은

이 된다.

모두의 실수 및 허수 부분 모두가 제로가 되도록 하면 수학식 3 및 수학식 4 가 된다.

어떻게 카메라 교정 문제를 효과적으로 풀어낼 수 있을지에 대한 세부사항이 이제 제공될 것이다. 분석적 해가 제공된 이후에 최대 우도 기준에 기초한 비선형 최적화 기법이 후속된다. 마지막으로, 분석적 및 비선형 해의 모두가 렌즈 왜곡을 고려하면서 제공될 것이다.

다음 수학식 5 를 고려한다:

B가 대칭이고 다음 6D 벡터에 의하여 정의되는 것에 주의한다

H의 i번째 열 벡터가 hi = [h _i1, h _i2, h _i3]^T 라고 한다. 그러면, 우리는 다음을 가진다.

여기에서

v_ij = [h _i1 h _j1, h _i1 h _j2 + h _i2 h _j1, h _i2 h _j2, h _i3 h _j1 + h _i1 h _j3, h _i3 h _j2 + h _i2 h _j3, h _i3 h _j3]^T

이다.

그러므로, 주어진 호모그래피로부터의 두 개의 기본 제약인 수학식 3 및 4 가 수학식 8 에서와 같이 아래 보이는 것처럼 b 내의 2 호모지니어스(homogeneous) 방정식으로서 재기록될 수 있다:

모델 평면의 n 개의 이미지가 관찰된다면, 수학식 8 과 같은 n 개의 이러한 수학식을 누적함으로써 결과는 다음 수학식 9 와 같이 표현될 수 있다:

여기에서 V는 2n x 6 행렬이다. 만일 n > 3 이라면, 스케일 인자까지의 일반적으로 고유한 해 b가 획득된다. 만일 n = 2 라면, 무왜도 제약 = 0 이고, 즉, [0, 1, 0, 0, 0, 0]b = 0 이 추가적 수학식으로서 수학식 9 에 부가되고 추가될 수 있다. (만일 n = 1 이라면, 두 개의 카메라 내재적 파라미터, 예를 들어 α 및 αβ는 u ₀ 및 v ₀ 가 공지되고(예를 들어, 이미지 중심에 있음) γ = 0 라고 가정하면서 풀어질 수도 있다. 수학식 9 에 따른 해는 최소 고유값(eigenvalue)과 연관된 V^TV의 고유벡터(등가적으로, 최소 특이값과 연관되는 V의 정확한 특이 벡터(right singular vector))라고 공지된다.

b가 추정되면, 카메라 내재적 행렬 A 안의 값이 계산될 수 있다. A가 알려지면, 각각의 이미지에 대한 외재적 파라미터가 계산될 수도 있다. 예를 들어 수학식 2 를 사용하면 다음이 획득될 수도 있다:

여기에서,

이다. 데이터 내에 노이즈의 존재에 기인하여, 이와 같이 계산된 행렬 R = [r1, r2, r3]는 회전 행렬의 성질을 만족시키지 않는다.

모델 평면의 n 개의 이미지 및 모델 평면 상에 m 개의 포인트가 존재한다고 가정한다. 또한 이미지 포인트가 독립적이고 동일하게 분포된 노이즈에 의하여 손상된다고 가정한다. 최대 우도 추정은 후속하는 함수를 최소화함으로써 획득될 수 있다:

여기에서

는 수학식 2 에 따르는, 이미지 i 내의 포인트 M_j의 투영이다. 회전 R은 3 개의 파라미터의 벡터에 의하여 파라미터화되고, r로 표시되며, 이것은 회전 축에 평행하고 이것의 크기는 회전 각도와 동일하다. R 및 r은 로드리게스(Rodrigues) 공식에 의하여 관련된다. 값을 최소화하는 수학식 10 은 비선형 최소화 문제인데, 이것은 알레벤버그-마르쿠아트(Alevenberg-Marquardt) 알고리즘으로써 풀 수도 있다. 이것은 위에서 설명된 기법을 사용하여 획득될 수 있는 A의 초기 가정

을 사용한다.

위의 해는 카메라의 렌즈 왜곡을 고려하지 않는다. 그러나, 데스크탑 카메라는 보통 상당한 렌즈 왜곡, 특히 방사상 왜곡을 나타낸다. 이제, 방사상 왜곡의 처음 두 개의 항이 논의될 것이다. 왜곡 함수가 방사상 컴포넌트에 의하여, 그리고 특히 첫 번째 항에 의하여 크게 영향받을 가능성이 높다.

(u, v)가 이상적인(무왜곡) 픽셀 이미지 좌표라고 하고,

가 대응하는 실제 관찰된 이미지 좌표라고 한다. 이상적인 포인트들은 핀홀 모델에 따르는 모델 포인트들의 투영이다. 이와 유사하게, (x, y) 및

는 이상적(무왜곡) 및 실제(왜곡된) 정규화된 이미지 좌표들이다.

여기에서 k1 및 k2 는 방사상 왜곡의 계수들이다. 방사상 왜곡의 중심은 주된 포인트와 동일하다. 여기에서

교번에 의한 방사상 왜곡 추정. 방사상 왜곡이 작을 것으로 기대되기 때문에, 위에서 단순히 왜곡을 무시함으로써 잘 설명된 기법을 사용하여 다른 5 개의 내재적 파라미터를 추정하기를 기대할 것이다. 그러면 하나의 전략은 다른 파라미터를 추정한 이후에 k1 및 k2 를 추정하는 것인데, 이렇게 하면 이상적인 픽셀 좌표(u, v)가 주어질 것이다. 그러면, 수학식 11 및 수학식 12 로부터, 각각의 이미지 내의 각각의 포인트에 대해서 두 개의 방정식이 생긴다:

n 개의 이미지 내에 m 개의 포인트가 주어지면, 모든 방정식을 함께 누적하여 총 2mn 개의 방정식을 얻을 수 있으며, 행렬 형식으로는 Dk = d를 얻을 수 있는데, 여기에서 k = [k ₁, k ₂]^T 이다. 선형 최소제곱 솔루션이 다음과 같이 주어진다

k ₁ 및 k ₂가 추정되면,

을 수학식 11 및 수학식 12 로 바꾸고 수학식 10 을 풀어냄으로써 다른 파라미터의 추정을 정제할 수 있다. 이러한 두 개의 프로시저를 수렴될 때까지 번갈아 수행할 수 있다.

위의 교번 기법의 수렴은 늦게 이루어질 수도 있다. 수학식 10 에 대한 자연적인 확장은 후속하는 함수를 최소화함으로써 파라미터의 완전한 세트를 추정하는 것인데:

여기에서

는 수학식 2 에 따른 이미지 i 내의 포인트 Mj의 투영이고, 이후에 수학식 11 및 수학식 12 에 따르는 왜곡이 후속한다. 이것은 비선형 최소화 문제이고, 레벤버그-마콰트 알고리즘을 사용하여 풀 수 있다. 다시 말하건대 회전은 위에 개시된 바와 같이 3-벡터 r에 의하여 파라미터화된다. A 및

의 초기 가정이 위에서 설명된 기법을 사용하여 획득될 수 있다. k1 및 k2 의 초기 가정은 위에서 설명된 방사상 왜곡 솔루션으로써, 또는 간단히 이들을 0 으로 설정함으로써 획득될 수 있다.

단계 S930 에서, 렌즈 왜곡 파라미터 k ₁ 및 k ₂가 이제 렌즈 왜곡에 대하여 정정된 이미지를 획득하기 위하여 원본 이미지가 사용된다. 대안적으로는, 이러한 이미지를 사용하는 대신에, 입자의 기하학적 구조를 기술하는 입자 오브젝트 어레이가 정정될 수도 있다. 렌즈 왜곡 파라미터 k1 및 k2 는 후속하는 수학식 15 및 수학식 16 을 사용하여 렌즈 왜곡에 대하여 이미지를 정정하기 위하여 사용된다.

(x _correct , y _correct )가 렌즈에 기인한 왜곡이 없다면 이미지 내의 정확한 위치를 나타낸다고 한다. 그러면:

인데, 여기에서 r ² =(x _correct -u ₀)² +(y _correct -v ₀)² 이고, u ₀ 및 v ₀는 주된 포인트(즉, 카메라의 광축 및 이미지 평면의 교점)이다.

그러면 렌즈 왜곡은 기록된 비트맵을 역방향 왜곡으로써 워핑(warping)함으로써 정정될 수 있다. 정정된 이미지 내의 각각의 픽셀에 대하여, 이것의 대응하는 위치는 위의 수학식 15 및 수학식 16 을 사용하여 왜곡된 이미지 내로 매핑된다. 아래에 기하학적 이미지 변환이라고 명명된 섹션은 어떻게 2-차원 이미지 좌표 및 3-차원 세계 좌표가 카메라의 내재적 파라미터(예를 들어, 초점 렌즈, 주된 포인트, 왜곡 계수) 및 외재적 파라미터(회전 및 병진 행렬)에 의하여 관련되는지를 기술한다. 목적지(정정된 비트맵) 내의 각각의 정수 픽셀 좌표에 대하여, 소스(기록된 비트맵)로 역추적하고, 대응하는 부동 좌표(float coordinates)를 보간하기 위하여 주위의 정수 픽셀(integer pixels)을 사용하면서 그 부동 좌표를 찾아낸다. 이중선형 보간이 이러한 프로세스에서 사용될 수도 있다.

요약하면, 그 일부가 Zhang의 기법을 통합하는 여기에서 제안된 렌즈-왜곡 정정 프로시저는 다음과 같다:

1) 패턴을 인쇄하고 이것을 평면에 부착한다;

2) 평면 또는 카메라 중 어느 하나를 이동시켜서 상이한 지향으로 모델 평면의 몇 장의 이미지를 촬영한다;

3) 이미지 내의 특징점을 검출한다;

4) 위에 제공된 닫힌-형태 솔루션을 사용하여 5 개의 내재적 파라미터 및 모든 외재적 파라미터를 추정한다;

5) 선형 최소제곱 수학식 13 를 풀어냄으로써 방사상 왜곡의 계수를 추정한다;

6) 수학식 14 의 값을 최소화하여 모든 파라미터를 정제한다; 여기서, k1 및 k2 는 지정된 값을 가진다;

7) 아래의 수학식 15 및 수학식 16 및 렌즈 왜곡된 이미지의 폭 및 높이를 사용하여, 렌즈 왜곡이 없는 이미지의 높이 및 폭을 찾는다. 스칼라를 사용하여 두 개의 이미지가 동일한 폭을 가지도록 하고, 높이를 이에 상응하게 척도변환한다; 그리고

8) 렌즈 왜곡이 없는 이미지 내의 각각의 픽셀에 대하여, 렌즈 왜곡을 가지는 이미지 내의 이것의 대응하는 위치를 수학식 15 및 수학식 16 를 사용하여 찾고, 왜곡된 이미지 내의 인접한 이웃의 쉐퍼드(Shepard)의 보간을 적용하여 정정된 이미지의 컬러 정보를 얻는다.

단계 S940 에서, 원근 왜곡에 대한 정정은 사각형 교정 마크의 4 개의 모서리를 사용하여 획득되어 다음 프로세스를 사용해서 호몰로지(homology) H를 풀어낼 수도 있다:

우리가 실세계 좌표

내의 포인트를 가지고 있으며, 이것을

과 같이 호모지니어스한 좌표로서 기록한다고 가정한다. 이와 유사하게, 이미지 좌표 내의 대응하는 포인트는

이고, 우리는 이것을 호모지니어스한 좌표에서

과 같이 기록한다. 이러한 두 개 사이의 관련성은 다음 방정식에서 표현될 수 있는데,

여기에서

는 우리가 풀려고 하는 호모그래피이다.

행렬 곱셈을 사용하여 방정식의 양측을 확장하면 다음을 얻는다:

.

세 번째 방정식을 앞의 두 개로 대입하면, 이러한 쌍의 포인트로부터 두 개의 방정식을 얻는다:

.

이것들이 H의 8 개의 미지수이기 때문에, H를 풀기 위해서는 4 개의 쌍의 포인트가 필요하다. 우리는 8 개의 방정식을 다음과 같은 행렬 형태로 쓴다:

따라서, 투영 왜곡이 있는 각각의 이미지에 대하여, 이러한 이미지 내에 네 개의 점들을 고르게 되고, 이러한 네 개의 점들의 실세계 좌표가 주어지면, H를 풀어낼 수 있다.

위의 수학식에서 "k"는 렌즈 계수 k1, k2와는 상이한, 2-차원 좌표의 호모지니어스 표현에 대한 스칼라이다. 다수의 교정 마크의 4 개의 포인트(예를 들어, 형상이 사각형인 경우 4 개의 모서리)가 왜곡의 불균일성(nonuniformity)을 설명하기 위하여 사용될 수도 있다. 이러한 접근법에서 원근 정정을 위한 시작점은 원본 이미지가 아니고, 하지만 렌즈 왜곡 효과가 제거된 정정된 이미지이다. 호모그래피 H는 렌즈 왜곡에 대하여 정정된 이미지 내에서 식별된 교정 마크의 세트로부터의 4 개의 포인트를 사용하여 결정되고, 그리고 정정된 이미지로 인가되어 렌즈 및 원근 왜곡 양자에 대하여 정정된 바 있는 비트맵(정정됨, 또는 실제-크기, 비트맵)을 결정한다.

원근 왜곡은 보통 카메라의 광축이 오브젝트의 중심과 수직이 아닐 경우에 발생한다. 그리드-패터닝된 배경에서 캡쳐된 입자의 이미지를 사용하면, 장면 내의 다수의(예를 들어, 5 개의) 쌍의 직교 라인이 원근 왜곡을 정정하기 위한 호모그래피를 찾기 위하여 사용될 수도 있다. 이러한 정정은 흔히, 물리적 세계 내의 평행선이 이미지에서도 평행하게, 물리적 세계에서의 직교 라인이 이미지에서도 직교하게, 물리적 세계의 사각형이 이미지 내에서 단위 종횡비를 가지게, 그리고/또는 물리적 세계의 원이 이미지 내에서 원형이 되게 할 것이다.

위에서 상세하게 설명된 원근 왜곡 정정 프로세스를 요약하면, 프로세스는 다음 단계들을 수반한다:

1) 공지된 치수의 직교 라인을 포함하는 교정 패턴을 획득하고, 입자들을 교정 패턴 상에 분산시키며, 동일한 렌즈를 사용하여 이미지를 캡쳐한다;

2) 이미지 상에서 다수의(예를 들어, 5 개의) 쌍의 직교 라인을 선택한다;

3) 투영-왜곡된 이미지 및 투영 왜곡이 없는 이미지 사이에서 호모그래피 H를 풀어낸다;

4) H 및 투영-왜곡된 이미지의 폭 및 높이를 사용하여, 투영 왜곡이 없는 이미지의 높이 및 폭을 찾는다. 스칼라를 사용하여 두 개의 이미지가 동일한 폭을 가지도록 하고, 높이를 이에 상응하게 척도변환한다; 그리고

5) 투영 왜곡이 없는 이미지 내의 각각의 픽셀에 대하여, 투영-왜곡된 이미지 내의 이것의 대응하는 위치를 찾고 올바른 이미지에 대한 컬러 정보를 얻는다.

렌즈 왜곡 정정 및 투영 왜곡 정정은 개별적으로 그리고 캐스케이딩되어 테스트됨으로써, 쉐퍼드의 보간은 오직 한 번만 수행될 수도 있게 할 수도 있다.

도 8a 및 도 9 에 예시된 방법은 처리 디바이스에서 구현될 수도 있다. 도 5 에 대하여 논의된 바와 같이, 카메라(54)가 이미지를 캡쳐하면, 이미지의 데이터 처리는 카메라(53)에 직접적으로 연결된 프로세서를 사용하여 발생할 수 있고, 대안적으로는 이미지 데이터는 별개의 프로세서로 송신될 수도 있다.

기하학적 이미지 변환

이번 섹션은 이제 입자의 이미지를 정정 및 조작하기 위하여 사용될 수도 있는 몇몇 공지된 이미지 변환 함수에 대하여 논의할 것이다. 좀 더 구체적으로는, 이번 섹션 내의 함수들은 2D 이미지의 다양한 기하학적 변환을 수행한다. 이들은 이미지 콘텐츠를 변경하지 않고 픽셀 그리드를 변형하며 이러한 변형된 그리드를 목적지 이미지로 매핑한다. 사실상, 샘플링 아티팩트를 회피하기 위하여, 매핑은 역순으로 목적지로부터 소스로 이루어진다. 즉, 목적지 이미지의 각각의 픽셀

에 대하여, 함수는 소스 이미지 내의 대응하는 "도너" 픽셀의 좌표를 계산하고, 픽셀 값을 복제한다:

순방향 매핑이

로 특정되는 경우에, 아래에 설명된 함수들은 우선 대응하는 역매핑

을 계산하고, 그 후 위의 공식을 사용한다.

가장 일반적인 재매핑(Remap)으로부터 가장 단순하고 가장 빠른 재사이징(Resize)까지의 기하학적 변환의 실제 구현이 위의 공식을 가지고 두 개의 주된 문제들을 풀어낼 필요가 있다.

- 비존재 픽셀의 외삽. 필터링 함수와 유사하게, 몇몇

에 대하여,

, 또는

중 하나 또는 이들 모두가 이미지의 외부에 놓일 수도 있다. 이러한 경우에, 외삽 방법이 사용될 필요가 있다. OpenCV는 필터링 함수에서처럼 외삽 방법의 동일한 선택을 제공한다. 추가적으로, 이것은 투명 경계(Border_Transparent) 법을 제공한다. 이것은 목적지 이미지 내의 대응하는 픽셀이 전혀 수정되지 않을 것이라는 것을 의미한다.

- 픽셀 값의 보간. 보통

및

는 부동-소수점 숫자이다. 이것은

가 아핀(affine) 또는 원근 변환, 또는 방사상 렌즈 왜곡 정정, 및 기타 등등 중 하나일 수 있다는 것을 의미한다. 그러므로, 프랙셔널 좌표계(fractional coordinate)에서의 픽셀 값이 취출될 필요가 있다. 가장 간단한 경우에, 좌표는 가장 가까운 정수 좌표로 반올림될 수 있고, 대응하는 픽셀이 사용될 수 있다. 이것은 최근접-이웃 보간이라고 불린다. 그러나, 더 복잡한 보간 방법을 사용함으로써 더 양호한 결과가 획득될 수 있고, 여기에서 다항 함수는 계산된 픽셀

의 몇몇 이웃에 맞춤되고, 그리고

에서의 다항식의 값이 보간된 픽셀 값으로서 취해진다. OpenCV에서, 여러 보간 방법 중에서 선택할 수 있는데, 이들 중 몇몇이 아래에 설명될 것이다.

Get Rotation Matrix 2D

이러한 함수는 2D 회전의 아핀 행렬을 계산한다. 이러한 프로세스를 위하여 사용되는 몇몇 파라미터는 다음과 같다:

중심 - 소스 이미지 내의 회전의 중심.

각도 - 도 단위의 회전 각도. 양의 값은 반시계방향 회전을 의미한다(좌표 원점은 상단-좌측 코너라고 가정됨).

스케일 - 등방성 스케일 인자.

map_matrix - 출력 아핀 변환인 2x3 부동-소수점 행렬.

이러한 함수는 다음 행렬을 계산한다:

여기서

변환은 회전 중심을 자신에게 매핑한다. 이것이 타겟이 아니라면, 천이가 조절되어야 한다.

Get Affine Transform

이러한 함수는 3 대응하는 포인트로부터 아핀 변환을 계산한다. 이러한 프로세스를 위하여 사용되는 몇몇 파라미터는 다음과 같다:

src - 소스 이미지 내의 삼각형 꼭지점들의 좌표.

dst - 목적지 이미지 내의 대응하는 삼각형 꼭지점들의 좌표.

mapMatrix - 목적지 2 x 3 행렬로의 포인터

이러한 함수는 아핀 변환의 2 x 3 행렬을 계산함으로써 다음이 되게 한다:

여기서

이다

Get Perspective Transform

이러한 함수는 4 개의 쌍의 대응하는 포인트로부터 원근 변환을 계산한다. 이러한 프로세스를 위하여 사용되는 몇몇 파라미터는 다음과 같다:

src - 소스 이미지 내의 사각형 꼭지점들의 좌표.

dst - 목적지 이미지 내의 대응하는 사각형 꼭지점들의 좌표.

mapMatrix - 목적지 3 x 3 행렬 [A/b]로의 포인터

이러한 함수는 원근 변환의 행렬을 계산하여 다음이 되게 한다:

여기서

이다

Get Quadrangle SubPix

이러한 프로세스는 픽셀 사각형을 서브-픽셀 정확도로 이미지로부터 취출한다. 이러한 프로세스를 위하여 사용되는 몇몇 파라미터는 다음과 같다:

src - 소스 이미지.

dst - 추출된 사각형

mapMatrix - 변환 2 x 3 행렬 [A/b]

이러한 함수는 소스(src)로부터 서브-픽셀 정확도로 픽셀을 추출하고 이들을 다음과 같이 목적지(dst)에 저장한다:

여기서

그리고,

이다.

비-정수 좌표에서의 픽셀들의 값은 이중선형 보간을 사용하여 취출된다. 함수가 이미지 외부의 픽셀을 필요로 한다면, 이것은 경계 복제 모드(replication border mode)를 사용하여 값을 복원한다. 다채널 이미지의 모든 채널은 독립적으로 처리된다.

GetRectSubPix

이러한 함수는 픽셀 사각형을 서브-픽셀 정확도로써 이미지로부터 취출한다.

src - 소스 이미지.

Dst - 추출된 사각형

중심 - 소스 이미지 내의 추출된 사각형 중심의 부동 소수점 좌표. 중심은 이미지 내에 있어야 한다.

이러한 함수는 소스로부터 픽셀을 추출한다:

여기에서 비-정수 좌표에서의 픽셀들의 값은 이중선형 보간을 사용하여 취출된다. 다채널 이미지의 모든 채널은 독립적으로 처리된다. 반면에 사각형 중심은 이미지 내부에 반드시 있어야 하고, 사각형의 일부는 외부에 있을 수도 있다. 이러한 경우에, 경계 복제 모드가 이미지 경계 밖의 픽셀 값을 획득하기 위하여 사용된다.

Log Polar

이러한 함수는 이미지를 대수-극좌표 공간으로 재매핑한다.

- src - 소스 이미지

- dst - 목적지 이미지

- 중심 - 변환 중심; 여기에서 출력 정밀도가 최대가 된다

- M - 크기 척도변환 파라미터.

- 플래그 - 보간 방법 및 후속하는 선택적 플래그의 조합:

- CV _WARP_FILL_ OUTLIERS 목적지 이미지 픽셀 전부를 채운다. 만일 이들 중 일부가 소스 이미지 내의 이상치(outlier)에 대응하면, 이들은 제로로 설정된다

- CV _WARP_INVERSE_MAP 다음을 참조한다

이러한 함수는 다음 변환을 사용하여 소스 이미지를 변환한다:

- 순방향 변환(CV_WARP_INVERSE_MAP이 세팅되지 않음)):

- 역 변환(CV_WARP_INVERSE_MAP이 세팅됨):

여기서

이다

이러한 함수는 인간의 "중심와(foveal)" 비젼을 에뮬레이션하고, 오브젝트 추적 및 기타 등등을 위한, 고속 스케일 및 회전 불변 템플릿 매칭을 위하여 사용될 수 있다. 이러한 기능은 제자리(in-place)에서 작동할 수 없다.

Remap

이러한 함수는 일반적인 기하학적 변환을 이미지에 적용한다.

src - 소스 이미지.

dst - 목적지 이미지.

mapx - x-좌표의 맵.

mapy - y-좌표의 맵.

플래그 - 보간 방법(resize() 참조). INTER_AREA 방법은 이러한 함수에 의하여 지원되지 않는다.

fillval - 이상치를 채우기 위하여 사용되는 값

이러한 함수는 소스 이미지를 특정된 맵을 사용하여 변환한다:

비-정수 좌표를 가지는 픽셀의 값이 이용가능한 보간 방법들 중 하나를 사용하여 계산된다.

및

는 각각

및

내의 별개의 부동-소수점 맵으로서, 또는

내의

의 인터리빙된 부동-소수점 맵으로서, 또는 ConvertMaps 함수를 사용하여 생성된 고정-소수점 맵으로서 인코딩될 수 있다. 이들을 맵의 부동 표현으로부터 고정-소수점 표현으로 변환하기를 원할 수도 있는 이유는, 이들이 더 빠른(약 두 배) 재매핑 동작을 수행할 수 있기 때문이다. 변환된 케이스에서,

은 쌍 (cvFloor(x), cvFloor(y))를 포함하고,

는 보간 계수의 표 내의 인덱스들을 포함한다. 이러한 기능은 제자리에서 작동할 수 없다.

Resize

이러한 함수는 이미지를 재사이징한다.

src - 입력 이미지.

dst - 출력 이미지; 이것은 크기 dsize(이것이 비-제로일 경우) 또는 src. size(), fx, 및 fy로부터 계산되는 크기를 가진다; dst 의 타입은 src의 경우와 동일하다.

보간 - 보간 방법:

- INTER_ NN - 최근접-이웃 보간

- INTER_LINEAR - 이중선형 보간(디폴트로 사용됨)

- INTER_AREA - 픽셀 영역 관련성을 사용한 재샘플링. 이것은 이미지 데시메이션을 위한 바람직한 방법일 수 있는데, 이는 이것이 모아레가 없는 결과를 제공하기 때문이다. 하지만 이미지가 확대되면, 이것은 INTER_NN 방법과 유사하다.

- INTER_CUBIC - 4x4 픽셀 이웃에 걸친 이중큐빅 보간

- INTER_ LANCZOS4 - 8x8 픽셀 이웃에 걸친 랑쪼스(Lanczos) 보간

이미지를 축소시키기 위해서는, 일반적으로 INTER_AREA 보간을 하는 것이 가장 좋게 보이는 반면에, 이미지를 확대하기 위해서는 일반적으로 INTER_CUBIC(느림) 또는 INTER_LINEAR(더 빠르지만 여전히 양호해 보임)를 사용하는 것이 가장 좋게 보일 것이다.

WarpAffine

이러한 함수는 아핀 변환을 이미지에 적용한다.

src - 소스 이미지.

dst - 목적지 이미지.

mapMatrix - 변환 행렬.

플래그 - 보간 방법 및 선택적인 플래그의 조합:

- CV_WARP_FILL_OUTLIERS - 목적지 이미지 픽셀의 모두를 채운다; 이들 중 일부가 소스 이미지 내의 이상치에 대응하면, 이들은 fillval로 세팅된다

- CV_WARP_INVERSE_MAP은 행렬이 목적지 이미지로부터 소스로 역변환되고, 따라서 직접적으로 픽셀 보간을 위하여 사용될 수 있다는 것을 표시한다. 그렇지 않으면, 이러한 함수는 역 변환을 mapMatrix로부터 찾아낸다.

Fillval - 이상치를 채우기 위하여 사용되는 값

함수 warpAffine은 다음의 경우에 특정된 행렬을 사용하여 소스 이미지를 변환한다:

플래그 WARP_INVERSE_MAP i가 세트되는 경우. 그렇지 않으면, 변환은 우선 InvertAffineTransform으로써 반전되고, 이제 M 대신에 위의 공식에 대입된다. 이러한 기능은 제자리(in-place)에서 작동할 수 없다.

이러한 함수는 GetQuadrangleSubPix와 유사하지만, 이들이 완전히 동일하ㄴ 것은 아니다. WarpAffine은 입력 및 출력 이미지가 동일한 데이터 타입을 가지고, 더 큰 오버헤드(작은 이미지에 아주 적합하지 않음)를 가지며, 목적지 이미지의 일부를 변경되지 않은 상태로 놓아둘 수 있을 것을 요구한다. 반면에 GetQuadrangleSubPix는 8-비트 이미지로부터의 사각형을 부동-소수점 버퍼로 추출할 수도 있고, 더 작은 오버헤드를 가지며, 언제나 전체 목적지 이미지 콘텐츠를 변경시킨다. 이러한 기능은 제자리(in-place)에서 작동할 수 없다.

WarpPerspective

이러한 함수는 원근 변환을 이미지에 적용한다. 이러한 함수에 대하여 유용한 파라미터는 다음을 포함한다:

Src - 소스 이미지

Dst - 목적지 이미지

mapMatrix - 3x3 변환 행렬

플래그 - 보간 방법 및 후속하는 선택적인 플래그의 조합

CV_WARP_FILL_OUTLIERS - 목적지 이미지 픽셀의 모두를 채운다; 이들 중 일부가 소스 이미지 내의 이상치에 대응하면, 이들은 fillval로 세팅된다

CV_WARP_INVERSE_MAP은 행렬이 목적지 이미지로부터 소스로 역변환되고, 따라서 직접적으로 픽셀 보간을 위하여 사용될 수 있다는 것을 표시한다. 그렇지 않으면, 이러한 함수는 역 변환을 mapMatrix로부터 찾아낸다.

filval - 이상치를 채우기 위하여 사용되는 값

이러한 함수는 소스 이미지를 특정된 행렬을 사용하여 변환한다:

, CV_WARP_INVERSE_MAP가 세팅되지 않는 경우

, 다른 경우

이러한 기능은 제자리(in-place)에서 작동할 수 없다는 것에 주의한다.

몇몇 실시예들이 방법 또는 기법의 관점에서 설명되지만, 본 개시물은 본 방법의 실시예를 수행하기 위한 컴퓨터-판독가능 명령이 저장되는 비-일시적 컴퓨터 판독가능 매체를 포함하는 제조물을 역시 커버할 수도 있다는 것이 이해되어야 한다. 예를 들어, 컴퓨터 판독가능 매체는 반도체, 자기적, 광학-자기적, 광학적, 또는 컴퓨터 판독가능 코드를 저장하기 위한 다른 형태의 컴퓨터 판독가능 매체를 포함할 수도 있다. 더 나아가, 본 개시물은 실시예를 실시하기 위한 장치를 역시 커버할 수도 있다. 이러한 장치는 실시예에 관련되는 동작들을 수행하기 위한, 전용 및/또는 프로그래밍가능한 회로를 포함할 수도 있다.

이러한 장치의 예들은 적합하게 프로그래밍되는 경우 범용 컴퓨터 및/또는 전용 컴퓨팅 디바이스를 포함하고, 실시예에 관련되는 다양한 동작을 위하여 적응되는 컴퓨터/컴퓨팅 디바이스 및 전용/프로그래밍가능한 하드웨어 회로(전기적, 기계적, 및/또는 광학적 회로와 같음)를 포함할 수도 있다.

예를 들어, 브루 파라미터 데이터베이스는 컴퓨터 판독가능 매체 내에 저장될 수도 있고 컴퓨터 판독가능 매체에 저장된 컴퓨터-판독가능 명령으로써 직접적으로 액세스되거나 인터넷 접속, 또는 이들의 몇 가지 조합을 통해서 제공되는 컴퓨터-판독가능 명령을 통해서 액세스될 수도 있다. 추가적으로, 노드들에 걸친 작업 흐름은, 예를 들어 범용 컴퓨터에서 또는 커피를 분쇄하고 브루잉하도록 디바이스와 함께 통합되는 전용 컴퓨팅 디바이스에서 달성될 수도 있다.

Claims

커피 음료의 브루잉(brewing)을 제어하기 위한 컴퓨터-구현 방법으로서,
커피 음료를 만들기 위해서 사용되는 브루 파라미터(brew parameter)의 세트와 연관되는, 상기 커피 음료에 대한 식별자를 수신하기 위한 명령을 제공하는 단계; 및
브루 파라미터의 세트를 저장하는 데이터베이스로부터 상기 식별자를 사용하여 상기 브루 파라미터의 세트를 취출하는 단계를 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 1 항에 있어서,
상기 식별자를 인코딩된 머신-판독가능 매체에 인코딩하는 단계; 및
상기 인코딩된 머신-판독가능 매체를 커피와 연관시키는 단계를 더 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 2 항에 있어서,
상기 커피는 분쇄된 커피 원두인, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 3 항에 있어서,
상기 브루 파라미터의 세트는 상기 분쇄된 커피 원두의 크기에 기초하여 결정되는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 2 항에 있어서,
상기 커피는 미분쇄 원두(whole beans)이고, 상기 브루 파라미터의 세트는 분말 크기(grind size) 파라미터를 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 2 항에 있어서,
상기 인코딩된 머신-판독가능 매체를 커피와 연관시키는 단계는 상기 인코딩된 머신-판독가능 매체를 상기 커피를 보관하는 컨테이너에 부착하는 단계를 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 2 항에 있어서,
상기 인코딩된 머신-판독가능 매체는 바코드, QR 코드, RFID 태그, 및 URI 코드 식별자 중 적어도 하나를 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 1 항에 있어서,
상기 브루 파라미터의 세트는 분말 파라미터(grind parameter)를 포함하고,
상기 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법은,
분쇄된 커피 원두 및 교정 마크의 이미지를 수신하는 단계;
상기 이미지를 사용하여 상기 분쇄된 커피 원두의 분말 크기(ground size)를 결정하는 단계; 및
상기 분말 크기를 분말 크기 파라미터와 비교하는 단계를 더 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 8 항에 있어서,
상기 분쇄된 커피 원두의 분말 크기를 결정하는 단계는,
정정된 이미지를 생성하도록, 왜곡 효과에 대하여 상기 이미지를 정정하는 단계로서, 동일한 정정 인자가 상기 분쇄된 커피 원두 및 교정 마크의 이미지 데이터에 적용되는, 정정 단계를 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 8 항에 있어서,
상기 분말 크기 파라미터는 입자 직경 분포, 입자 면적 분포, 입자 부피 분포, 최소 입자 크기, 최대 입자 크기 및 표준 편차 중 적어도 하나를 포함하고,
상기 분쇄된 커피 원두의 분말 크기를 결정하는 단계는,
분쇄된 커피 원두에 대하여, 상기 분말 크기 파라미터 내에 포함되는 입자 직경 분포, 입자 면적 분포, 입자 부피 분포, 최소 입자 크기, 최대 입자 크기 및 표준 편차 중 적어도 하나를 결정하는 단계를 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 8 항에 있어서,
상기 분말 크기를 분말 크기 파라미터와 비교한 결과를 인터페이스로 전송하는 단계를 더 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 1 항에 있어서,
특정 브루 파라미터를 디바이스로써 획득하기 위한 디바이스 설정이 상기 데이터베이스 내에 저장되는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 12 항에 있어서,
상기 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법은,
상기 브루 파라미터의 세트를 인터페이스로 전송하는 단계로서, 상기 디바이스는 커피 분쇄기이고 상기 인터페이스는 상기 커피 분쇄기를 제어하는 프로세서에 연결되는, 전송 단계를 더 포함하고,
상기 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법은,
상기 커피 분쇄기를 제어하도록, 상기 분말 크기 파라미터와 연관된 커피 분쇄기에 대한 설정을 상기 프로세서로 전송하는 단계를 더 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 1 항에 있어서,
상기 브루 파라미터는, 분쇄된 커피 원두의 양에 대한 물의 양의 비율, 물의 온도, 물과 분쇄된 커피 원두가 교반되는 시간의 양, 물과 분쇄된 커피 원두가 침지(steep)되는 시간의 양, 추출 압력, 및 분쇄된 커피 원두에 대한 압축 압력 중 적어도 하나를 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
제 14 항에 있어서,
상기 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법은,
상기 브루 파라미터의 세트를 인터페이스로 전송하는 단계로서, 디바이스로써 특정 브루 파라미터를 획득하기 위한 디바이스 설정이 상기 데이터베이스 내에 저장되고, 상기 디바이스는 추출 유닛이며 상기 인터페이스는 상기 추출 유닛을 제어하는 프로세서에 연결되는, 전송 단계를 더 포함하고,
상기 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법은,
상기 추출 유닛을 제어하도록, 상기 물과 분쇄된 커피 원두가 교반되는 시간의 양 및 상기 물과 분쇄된 커피 원두가 침지되는 시간의 양과 연관되는 상기 추출 유닛에 대한 설정을 상기 프로세서로 전송하는 단계를 더 포함하는, 커피 음료의 브루잉을 제어하기 위한 컴퓨터-구현 방법.
커피 음료의 브루잉을 제어하기 위한 명령을 저장하는 컴퓨터-판독가능 매체로서, 상기 명령은,
커피 음료를 만들기 위해서 사용되는 브루 파라미터(brew parameter)의 세트와 연관되는, 상기 커피 음료에 대한 식별자를 수신하기 위한 명령; 및
브루 파라미터의 세트를 저장하는 데이터베이스로부터 상기 식별자를 사용하여 상기 브루 파라미터의 세트를 취출하기 위한 명령을 포함하는, 커피 음료의 브루잉을 제어하기 위한 명령을 저장하는 컴퓨터-판독가능 매체.
제 16 항에 있어서,
상기 명령은,
상기 식별자를 인코딩된 머신-판독가능 매체에 인코딩하기 위한 명령; 및
상기 인코딩된 머신-판독가능 매체를 커피와 연관시키기 위한 명령을 더 포함하는, 커피 음료의 브루잉을 제어하기 위한 명령을 저장하는 컴퓨터-판독가능 매체.
제 17 항에 있어서,
상기 인코딩된 머신-판독가능 매체는 바코드, QR 코드, RFID 태그, 및 URI 코드 식별자 중 적어도 하나를 포함하는, 커피 음료의 브루잉을 제어하기 위한 명령을 저장하는 컴퓨터-판독가능 매체.
제 16 항에 있어서,
상기 브루 파라미터의 세트는 분말 파라미터를 포함하고,
상기 명령은,
분쇄된 커피 원두 및 교정 마크의 이미지를 수신하기 위한 명령;
상기 이미지를 사용하여 상기 분쇄된 커피 원두의 분말 크기를 결정하기 위한 명령; 및
상기 분말 크기를 상기 분말 크기 파라미터와 비교하기 위한 명령을 더 포함하는, 커피 음료의 브루잉을 제어하기 위한 명령을 저장하는 컴퓨터-판독가능 매체.
제 19 항에 있어서,
상기 분말 크기 파라미터는 입자 직경 분포, 입자 면적 분포, 입자 부피 분포, 최소 입자 크기, 최대 입자 크기 및 표준 편차 중 적어도 하나를 포함하고,
상기 분쇄된 커피 원두의 분말 크기를 결정하는 것은,
분쇄된 커피 원두에 대하여, 상기 분말 크기 파라미터 내에 포함되는 입자 직경 분포, 입자 면적 분포, 입자 부피 분포, 최소 입자 크기, 최대 입자 크기 및 표준 편차 중 적어도 하나를 결정하는 것을 포함하는, 커피 음료의 브루잉을 제어하기 위한 명령을 저장하는 컴퓨터-판독가능 매체.
제 19 항에 있어서,
상기 명령은, 상기 분말 크기를 분말 크기 파라미터와 비교한 결과를 인터페이스로 전송하기 위한 명령을 더 포함하는, 커피 음료의 브루잉을 제어하기 위한 명령을 저장하는 컴퓨터-판독가능 매체.
커피 분쇄기로서,
커피 원두를 분쇄하기 위한 분쇄기;
분쇄된 커피 원두의 분말 크기를 제어하기 위한 분쇄 제어 유닛; 및
상기 분쇄 제어 유닛에 연결된 컴퓨터 프로세서를 포함하는, 커피 분쇄기.
제 22 항에 있어서,
상기 분쇄 제어 유닛은 교정 마크를 가지는 교정 그리드 상에 포지셔닝된 카메라를 더 포함하는, 커피 분쇄기.
제 22 항에 있어서,
상기 커피 분쇄기는, 상기 프로세서에 의하여 액세스가능한 데이터베이스를 더 포함하고,
상기 프로세서는 분말 크기 파라미터를 포함하는 브루 파라미터의 세트를 상기 데이터베이스로부터 취출하기 위한 명령을 포함하는, 커피 분쇄기.
제 24 항에 있어서,
상기 커피 분쇄기는, 상기 프로세서에 연결된 메모리를 더 포함하고,
상기 메모리는 커피 원두 식별자 및 상기 식별자와 연관된 분쇄 설정(grind settings)을 저장하는, 커피 분쇄기.