KR20230105405A - 진단용 영상 보정 시스템 및 방법 - Google Patents
진단용 영상 보정 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230105405A KR20230105405A KR1020220000741A KR20220000741A KR20230105405A KR 20230105405 A KR20230105405 A KR 20230105405A KR 1020220000741 A KR1020220000741 A KR 1020220000741A KR 20220000741 A KR20220000741 A KR 20220000741A KR 20230105405 A KR20230105405 A KR 20230105405A
- Authority
- KR
- South Korea
- Prior art keywords
- value
- image
- correction
- diagnosis
- area
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 251
- 238000003745 diagnosis Methods 0.000 claims abstract description 149
- 238000012360 testing method Methods 0.000 claims abstract description 129
- 238000003702 image correction Methods 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims description 34
- 239000000284 extract Substances 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 27
- 238000010606 normalization Methods 0.000 description 27
- 230000007547 defect Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 7
- 238000009535 clinical urine test Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 210000002700 urine Anatomy 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 238000002845 discoloration Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000004737 colorimetric analysis Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- OBHRVMZSZIDDEK-UHFFFAOYSA-N urobilinogen Chemical compound CCC1=C(C)C(=O)NC1CC1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(CC3C(=C(CC)C(=O)N3)C)N2)CCC(O)=O)N1 OBHRVMZSZIDDEK-UHFFFAOYSA-N 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003149 assay kit Methods 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000020694 gallbladder disease Diseases 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000006750 hematuria Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 201000001474 proteinuria Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 229920003051 synthetic elastomer Polymers 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- 239000005061 synthetic rubber Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G06T5/001—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
-
- G06T5/006—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
진단용 영상 보정 시스템 및 방법에 관한 것으로, 진단용 영상 보정 시스템은 왜곡 보정용 영역, 적어도 하나의 색상 보정용 영역 및 적어도 하나의 진단용 인식 영역을 포함하는 검사키트 및 상기 검사키트를 촬영하여 상기 검사키트에 대한 영상을 획득하고, 상기 왜곡 보정용 영역을 이용하여 상기 영상의 왜곡을 보정하고, 상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 진단용 영상 보정 장치를 포함할 수 있다.
Description
진단용 영상 보정 시스템 및 방법에 관한 것이다.
인간이나 동물 등은 다양한 이유로 질병에 걸릴 수 있으며, 발병을 조기에 발견하고 이를 진단 및 치료하는 것은 이들이 건강한 생활을 위해 필수적이다. 피진단자의 건강 상태의 진단은 피진단자로부터 직접 채취된 검체를 기반으로 수행될 수도 있는데, 이러한 검체로는 소변, 침 또는 혈액 등과 같이 피진단자로부터 획득된 체액이 있다. 이 중 소변은 당뇨병, 신장 질환, 간이나 담낭 질환, 박테리아 등의 감염 또는 임신 여부 등을 보다 쉽고 간단하게 판단할 수 있어 흔히 사용된다. 소변을 이용한 검사를 위해서 통상적으로 소변 검사용 시험지가 이용된다. 소변 검사용 시험지에 마련된 검사 항목 각각에 대응하는 시험 부분은 묻은 소변의 성질이나 성분(예를 들어, 당뇨, 단백뇨 또는 혈뇨 등)에 따라서 그 색을 유지하거나 변색되기 때문에, 시험 부분에 피진단자의 소변을 묻히고 이의 변색 여부를 확인함으로써 피진단자의 건강 상태에 대한 판단이 가능하게 된다. 그러나, 이러한 소변 검사용 시험지는 일반인들이 흔히 접하거나 자주 사용하는 것은 아니다. 따라서, 시험 부분의 변색 여부나 해당 질병 발생 여부를 일반인들이 쉽고 간단하게 파악하기에는 어려움이 존재한다. 최근에는 이러한 어려움을 해소하기 위해 스마트폰 등의 단말기에 설치된 카메라가 소변 검사용 시험지를 촬영하고, 단말기가 시험 부분의 변색 여부 및 변색에 대응하는 질환을 결정하고, 결정된 바를 사용자 등에게 안내하는 기술이 소개되고 있다. 그러나, 촬영된 영상에는 렌즈 및 기타 부품들에 기인한 왜곡이 존재할 수 있고, 또한 촬영된 영상 내의 색상은 광량이나 색온도 등과 같은 주변 환경에 따라 실제 색상과 상이할 수도 있다. 이러한 점은 변색 여부 판단 및 질환 결정에 오류를 유발할 수 있으며 단말기가 잘못된 판단 결과를 사용자에게 제공하게 되는 원인이 되기도 한다.
촬영된 영상 내의 검사키트에 대한 색상 인식 성능을 향상시킴으로써, 피진단자에 대한 보다 정확한 진단을 가능하게 하는 진단용 영상 보정 시스템 및 방법을 제공하는 것을 해결하고자 하는 과제로 한다.
상술한 과제를 해결하기 위하여 진단용 영상 보정 시스템 및 방법이 제공된다.
진단용 영상 보정 시스템은 왜곡 보정용 영역, 적어도 하나의 색상 보정용 영역 및 적어도 하나의 진단용 인식 영역을 포함하는 검사키트 및 상기 검사키트를 촬영하여 상기 검사키트에 대한 영상을 획득하고, 상기 왜곡 보정용 영역을 이용하여 상기 영상의 왜곡을 보정하고, 상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 진단용 영상 보정 장치를 포함할 수 있다.
상기 왜곡 보정용 영역은, QR 코드를 포함할 수 있고, 상기 진단용 영상 보정 장치는, 상기 QR 코드의 파인더패턴을 검출하고, 상기 파인더패턴을 이용하여 중심점을 획득하고, 상기 파인더패턴과 상기 중심점 사이의 거리를 기반으로 상기 영상 내의 왜곡 보정용 영역 및 상기 검사키트의 왜곡 보정용 영역 간의 배율을 결정하고, 결정된 상기 배율에 따라서 왜곡 보정용 영역의 크기 또는 왜곡 보정용 영역을 포함하는 영상 내의 검사키트의 크기를 보정하도록 마련된 것일 수 있다.
상기 진단용 영상 보정 장치는, 상기 진단용 인식 영역이 예정된 위치에 적어도 하나의 검출 영역을 설정하고, 상기 검출 영역 내의 영상 데이터를 획득하고, 상기 검출 영역 내의 영상 데이터를 기반으로 히스토그램을 생성하고, 상기 히스토그램의 최대 값과 최소 값의 차이를 연산하고, 상기 차이를 기반으로 상기 진단용 인식 영역의 위치 불량 여부를 판단할 수도 있다.
상기 검사키트는, 그림자 인식 영역을 더 포함할 수 있으며, 상기 진단용 영상 보정 장치는, 상기 그림자 인식 영역의 데이터를 획득하고, 상기 그림자 인식 영역의 데이터의 평균을 연산하고, 상기 그림자 인식 영역의 데이터의 평균이 미리 정의된 그림자 판단 범위보다 작으면, 상기 검사키트에 그림자가 존재한다고 판단할 수도 있다.
상기 진단용 영상 보정 장치는, 상기 왜곡보정용지역의 중심점에서 일 지점을 지나 연장된 선분 상에서, 중심점으로부터 일정한 길이에 해당하는 제1 지점을 선택하고, 제1 지점으로부터 수평 방향으로 미리 정의된 거리로 이격된 제2 지점을 선택하고, 제1 지점 및 제2 지점 사이에서 라인 스캔을 수행함으로써 상기 그림자 인식 영역의 데이터를 획득할 수도 있다.
상기 진단용 영상 보정 장치는, 상기 그림자 인식 영역의 데이터의 평균이 미리 정의된 그림자 판단 범위보다 크면, 검사키트가 촬영된 것으로 판단할 수도 있다.
상기 진단용 영상 보정 장치는, 상기 영상으로부터 상기 적어도 하나의 색상 보정용 영역을 추출하고, 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값을 획득하고, 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값 각각에 대해 대응하는 이상 값을 차감하여 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값 각각에 대응하는 보정 계수를 획득할 수도 있다.
상기 진단용 영상 보정 장치는, 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값을 획득하고, 적용될 보정 계수를 선택하고, 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값 각각에 선택된 상기 보정 계수를 합산하여 보정된 R값, 보정된 G값 및 보정된 B값을 획득하는 것도 가능하다.
상기 진단용 영상 보정 장치는, 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값 중 가장 큰 값을 기준으로 상기 적용될 보정 계수를 선택할 수도 있다.
상기 진단용 영상 보정 장치는, 상기 색상이 보정된 상기 적어도 하나의 진단용 인식 영역을 이용하여 진단을 수행할 수도 있다.
진단용 영상 보정 방법은, 왜곡 보정용 영역, 적어도 하나의 색상 보정용 영역 및 적어도 하나의 진단용 인식 영역을 포함하는 검사키트를 촬영하여 상기 검사키트에 대한 영상을 획득하는 단계, 상기 왜곡 보정용 영역을 이용하여 상기 영상의 왜곡을 보정하는 단계 및 상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 단계를 포함할 수 있다.
상기 왜곡 보정용 영역을 이용하여 상기 영상의 왜곡을 보정하는 단계는, 상기 왜곡 보정용 영역의 파인더패턴을 검출하는 단계, 상기 파인더패턴을 이용하여 중심점을 획득 하는 단계, 상기 파인더패턴과 상기 중심점 사이의 거리를 기반으로 상기 영상 내의 왜곡 보정용 영역 및 상기 검사키트의 왜곡 보정용 영역 간의 배율을 결정 하는 단계 및 결정된 상기 배율에 따라서 왜곡 보정용 영역의 크기를 보정하거나 또는 왜곡 보정용 영역을 포함하는 영상 내의 검사키트의 크기를 보정하는 단계를 포함할 수도 있다.
진단용 영상 보정 방법은, 상기 진단용 인식 영역이 예정된 위치에 적어도 하나의 검출 영역을 설정하는 단계, 상기 검출 영역 내의 영상 데이터를 획득하는 단계, 상기 검출 영역 내의 영상 데이터를 기반으로 히스토그램을 생성하는 단계, 상기 히스토그램의 최대 값과 최소 값의 차이를 연산하는 단계 및 상기 차이를 기반으로 상기 진단용 인식 영역의 위치 불량 여부를 판단하는 단계를 더 포함하는 것도 가능하다.
진단용 영상 보정 방법은, 상기 그림자 인식 영역의 데이터를 획득하는 단계, 상기 검사키트의 그림자 인식 영역의 데이터의 평균을 연산하는 단계 및 상기 그림자 인식 영역의 데이터의 평균이 미리 정의된 그림자 판단 범위보다 작으면, 상기 검사키트에 그림자가 존재한다고 판단하는 단계를 더 포함할 수도 있다.
상기 그림자 인식 영역의 데이터를 획득하는 단계는, 상기 왜곡보정용지역의 중심점에서 일 지점을 지나 연장된 선분 상에서 중심점으로부터 일정한 길이에 해당하는 제1 지점을 선택하는 단계, 제1 지점으로부터 수평 방향으로 미리 정의된 거리로 이격된 제2 지점을 선택하는 단계 및 제1 지점 및 제2 지점 사이에서 라인 스캔을 수행함으로써 상기 그림자 인식 영역의 데이터를 획득하는 단계를 포함할 수도 있다.
진단용 영상 보정 방법은, 상기 그림자 인식 영역의 데이터의 평균이 미리 정의된 그림자 판단 범위보다 크면, 검사키트가 촬영된 것으로 판단하는 단계를 더 포함하는 것도 가능하다.
상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 단계는, 상기 영상으로부터 상기 적어도 하나의 색상 보정용 영역을 추출하는 단계, 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값을 획득하는 단계 및 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값 각각에 대해 대응하는 이상 값을 차감하여 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값 각각에 대응하는 보정 계수를 획득하는 단계를 포함할 수도 있다.
상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 단계는, 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값을 획득하는 단계, 적용될 보정 계수를 선택하는 단계 및 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값 각각에 선택된 상기 보정 계수를 합산하여 보정된 R값, 보정된 G값 및 보정된 B값을 획득하는 단계를 포함할 수도 있다.
상기 적용될 보정 계수를 선택하는 단계는, 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값 중 가장 큰 값을 기준으로 상기 적용될 보정 계수를 선택하는 단계를 포함하는 것도 가능하다.
진단용 영상 보정 방법은, 상기 색상이 보정된 상기 적어도 하나의 진단용 인식 영역을 이용하여 진단을 수행하는 단계를 더 포함할 수도 있다.
상술한 진단용 영상 보정 시스템 및 방법에 의하면, 검사키트에 대한 영상을 보정하여 촬영된 영상 내의 검사키트에 관한 색상 인식 성능을 향상시킴으로써 피진단자에 대한 보다 정확한 진단을 가능하게 하게 되는 효과를 얻을 수 있다.
상술한 진단용 영상 보정 시스템 및 방법에 의하면, 명도, 색상 및 채도를 적절하게 보정할 수 있어 검사키트의 색상 인식의 정확도를 개선할 수 있게 되어, 영상 분석 및 이에 따른 진단 결과의 정확성을 향상시킬 수 있는 장점도 얻을 수 있다.
상술한 진단용 영상 보정 시스템 및 방법에 의하면, 검사키트에 대한 오 촬영에 따른 분석 영역 위치의 어긋남의 보정을 수행할 수 있게 되는 장점도 존재한다.
상술한 진단용 영상 보정 시스템 및 방법에 의하면, 인식 정확도의 개선을 위해 영상 내의 검사키트의 각도 및 배율을 적절하게 보정하거나, 그림자의 발생 여부를 판단할 수도 있게 되는 장점도 얻을 수 있다.
상술한 진단용 영상 보정 시스템 및 방법에 의하면, 영상 내의 빛 반사에 따른 오차도 보정할 수 있는 효과도 얻을 수 있다.
도 1은 진단용 영상 보정 시스템의 일 실시예에 대한 개요도이다.
도 2는 검사키트의 일 실시예에 대한 도면이다.
도 3은 진단용 영상 보정 장치의 일 실시예에 대한 블록도이다.
도 4는 영상 왜곡 보정부의 일 실시예에 대한 블록도이다.
도 5는 영상 왜곡 보정부의 동작의 일례를 설명하기 위한 도면이다.
도 6은 불량 감지부의 동작의 일례를 설명하기 위한 도면이다.
도 7은 불량 감지부의 일 실시예에 대한 블록도이다.
도 8은 그림자 인식부의 일 실시예에 대한 블록도이다.
도 9는 그림자 인식부의 동작의 일례를 설명하기 위한 도면이다.
도 10은 정규화처리부의 일 실시예에 대한 블록도이다.
도 11은 정규화처리부의 동작의 일례를 설명하기 위한 제1 도이다.
도 12는 정규화처리부의 동작의 일례를 설명하기 위한 제2 도이다.
도 13은 색상보정부의 일 실시예에 대한 블록도이다.
도 14는 색상보정부의 동작의 일례를 설명하기 위한 도면이다.
도 15는 진단용 영상 보정 방법의 일 실시예에 대한 흐름도이다.
도 2는 검사키트의 일 실시예에 대한 도면이다.
도 3은 진단용 영상 보정 장치의 일 실시예에 대한 블록도이다.
도 4는 영상 왜곡 보정부의 일 실시예에 대한 블록도이다.
도 5는 영상 왜곡 보정부의 동작의 일례를 설명하기 위한 도면이다.
도 6은 불량 감지부의 동작의 일례를 설명하기 위한 도면이다.
도 7은 불량 감지부의 일 실시예에 대한 블록도이다.
도 8은 그림자 인식부의 일 실시예에 대한 블록도이다.
도 9는 그림자 인식부의 동작의 일례를 설명하기 위한 도면이다.
도 10은 정규화처리부의 일 실시예에 대한 블록도이다.
도 11은 정규화처리부의 동작의 일례를 설명하기 위한 제1 도이다.
도 12는 정규화처리부의 동작의 일례를 설명하기 위한 제2 도이다.
도 13은 색상보정부의 일 실시예에 대한 블록도이다.
도 14는 색상보정부의 동작의 일례를 설명하기 위한 도면이다.
도 15는 진단용 영상 보정 방법의 일 실시예에 대한 흐름도이다.
이하 명세서 전체에서 동일 참조 부호는 특별한 사정이 없는 한 동일 구성요소를 지칭한다. 이하에서 사용되는 '부'가 부가된 용어는, 소프트웨어 및/또는 하드웨어로 구현될 수 있으며, 실시예에 따라 하나의 '부'가 하나의 물리적 또는 논리적 부품으로 구현되거나, 복수의 '부'가 하나의 물리적 또는 논리적 부품으로 구현되거나, 하나의 '부'가 복수의 물리적 또는 논리적 부품들로 구현되는 것도 가능하다. 명세서 전체에서 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 어떤 부분과 다른 부분이 상호 간에 물리적으로 연결되었음을 의미할 수도 있고, 및/또는 전기적으로 연결되었음을 의미할 수도 있다. 또한, 어떤 부분이 다른 부분을 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 부분 이외의 또 다른 부분을 제외하는 것이 아니며, 설계자의 선택에 따라서 또 다른 부분을 더 포함할 수 있음을 의미한다. 제1 내지 제N(N은 1 이상의 자연수) 등의 표현은, 적어도 하나의 부분(들)을 다른 부분(들)으로부터 구분하기 위한 것으로, 특별한 기재가 없는 이상 이들이 순차적임을 반드시 의미하지는 않는다. 또한 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함할 수 있다.
이하 도 1 내지 도 14를 참조하여, 적어도 하나의 검사키트와, 적어도 하나의 진단용 영상 보정 장치와, 이들을 포함하는 진단용 영상 보정 시스템의 일 실시예를 설명하도록 한다.
도 1은 진단용 영상 보정 시스템의 일 실시예에 대한 개요도이다.
도 1에 도시된 바를 참조하면, 진단용 영상 보정 시스템(1)은, 적어도 하나의 검사키트(10)와, 적어도 하나의 검사키트(10)가 나타난 적어도 하나의 영상(도 5의 29 등)을 획득하고, 획득한 영상(29)을 보정할 수 있는 적어도 하나의 진단용 영상 보정 장치(90)를 포함할 수 있다. 적어도 하나의 검사키트(10)는, 예를 들어, 외부로 노출된 특정한 부분의 외형적 변화(예를 들어, 색상의 변화나 모양의 발현 등)를 기반으로 피진단자(예를 들어, 인간, 동물 또는 식물 등)에 대한 상태를 진단할 수 있도록 마련된 검사 키트로, 예를 들어, 소변 검사용 시험지(소변 검사 스틱 등) 등을 포함할 수 있다. 진단용 영상 보정 장치(90)는 검사키트(10)로부터 반사되는 가시광을 수광하고 이를 이용하여 검사키트(10)에 대한 영상(29)을 획득하거나 또는 유무선 통신 네트워크를 통해 외부의 다른 장치(미도시)로부터 검사키트(10)에 대한 영상(29)을 수신하고, 획득하거나 수신한 영상(29)에 대한 보정을 수행할 수 있게 마련된 것일 수 있다. 실시예에 따라, 진단용 영상 보정 장치(90)는, 적어도 하나의 검사키트(10)를 직접 촬영하거나 또는 외부에서 전달된 영상(29)의 보정을 수행하고 필요에 따라 영상(29)에 대응하는 진단 결과를 획득할 수 있도록 특별히 고안된 장치를 이용하여 구현될 수도 있고, 또는 적어도 하나의 정보처리장치를 단독으로 이용하거나 조합 이용함으로써 구현될 수도 있다. 여기서, 적어도 하나의 정보처리장치는, 예를 들어, 스마트 폰, 태블릿 피씨, 데스크톱 컴퓨터, 랩톱 컴퓨터, 서버용 하드웨어 장치, 스캐너 장치, 스마트 시계, 스마트 밴드, 두부 장착형 디스플레이(HMD: Head Mounted Display) 장치, 휴대용 게임기, 내비게이션 장치, 블랙박스 장치, 리모트 컨트롤러, 디지털 텔레비전, 셋 톱 박스, 멀티미디어 스트리밍 장치, 멀티미디어 재생 장치, 음향 재생 장치(인공 지능 스피커 등), 가전 기기, 유인 또는 무인 이동체(일례로 승용차, 버스나 이륜차와 같은 차량, 이동성 로봇, 무선 모형 차량, 로봇 청소기 등), 유인 또는 무인 비행체(일례로 항공기나, 헬리콥터나, 드론, 모형 비행기, 모형 헬리콥터 등), 의료 기기, 로봇 또는 기계 장치 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
도 2는 검사키트의 일 실시예에 대한 도면이다.
일 실시예에 따르면, 검사키트(10)는, 유연하거나, 탄성력이 있거나 또는 단단한 평면판의 외형을 갖되, 평면판은 일 방향에서 보았을 때, 예를 들어, 삼각형, 사각형(정사각형, 직사각형 또는 마름모꼴 등), 원형 또는 타원형 등의 형상을 가질 수 있다. 검사키트(10)는, 실시예에 따라, 종이, 합성수지, 고무 및/또는 금속 등의 소재를 이용하여 제작된 것일 수 있다.
검사키트(10)는, 일 면(10a)에 피진단자로부터 획득된 검체가 접촉, 접착 또는 도포되고 검체의 성분이나 특성에 따라 변색되는 진단용 인식 영역(14)을 포함할 수 있으며, 검사키트(10)를 촬영한 영상에 대한 보정을 수행하기 위해 이용되는 왜곡 보정용 영역(11), 색상 보정용 영역(12) 및 그림자 인식 영역(13) 중 적어도 하나를 더 포함할 수 있다. 이 경우, 진단용 인식 영역(14)은 진단을 위한 시약 등이 도포 또는 흡수된 패드 등을 이용하여 구현될 수 있고, 왜곡 보정용 영역(11) 및/또는 색상 보정용 영역(12)은, 검사키트(10)의 일 면(10A)에 직접 인쇄되어 형성될 수도 있고, 또는 인쇄된 이미지가 부착되어 형성될 수도 있다. 왜곡 보정용 영역(11), 색상 보정용 영역(12), 그림자 인식 영역(13) 및 진단용 인식 영역(14)은 모두 동일한 면(10A)에 형성될 수도 있으나, 실시예에 따라 서로 상이한 둘 이상의 면(일례로 일 면(10A) 및 이의 반대면)에 나눠져 형성될 수도 있다. 설계자의 선택에 따라서, 왜곡 보정용 영역(11), 색상 보정용 영역(12) 및 그림자 인식 영역(13) 중 적어도 하나는 생략될 수도 있다.
왜곡 보정용 영역(11)는, 촬영된 영상(29) 내에 나타난 검사키트(도 5의 20)의 크기, 배율, 방향 및/또는 기울어짐 등을 감지하기 위해 이용될 수 있다. 또한, 왜곡 보정용 영역(11)은, 모든 진단용 인식 영역(14) 중 적어도 하나의 진단용 인식 영역(14-1 내지 14-13) 각각의 위치를 인식하기 위해 이용될 수도 있다. 왜곡 보정용 영역(11)는, 예를 들어, 바코드를 이용하여 구현될 수도 있다. 바코드는 1차원 바코드 및 2차원 바코드(이하 QR 코드라 함) 중 적어도 하나를 포함할 수 있다. 왜곡 보정용 영역(11)은, 실시예에 따라서, 검사키트(10)의 일 면(10a)의 대략 중심에 위치할 수도 있으나, 그 위치는 설계자 등의 임의적 선택에 따라 변경될 수 있다.
색상 보정용 영역(12)은, 촬영된 영상(29)에 대한 색상 값(즉, 각 화소(픽셀)에 해당하는 RGB 값)의 보정을 위해 이용될 수 있다. 색상 보정용 영역(12)은, 예를 들어, 적색(R) 영역(12-1), 녹색(G) 영역(12-2) 및 청색(B) 영역(12-3)을 포함할 수 있으며, 필요에 따라 백색 영역(12-4) 및 흑색 영역(12-5) 중 적어도 하나를 더 포함할 수도 있다. 이들 각각의 영역(12-1 내지 12-5)은 대체적으로 사각형(정사각형이나 직사각형 등)이나, 원형이나, 타원형 등의 형상을 가질 수 있으나, 이에 한정되는 것은 아니다. 색상 보정용 영역(12)은, 검사키트(10)의 중심을 기준으로 상 방향(일례로 왜곡 보정용 영역(11)의 상단)에 배치될 수도 있으나, 이에 한정되는 것은 아니며, 실시예에 따라 검사키트(10)의 중단이나 하단에 형성되는 것도 가능하다.
그림자 인식 영역(13)은, 검사키트(10)에 그림자가 졌는지 여부를 감지 및 판단하기 위해 이용된다. 그림자 인식 영역(13)은 빈 공백 영역을 포함할 수 있으며, 빈 공백 영역에는 어떠한 모양도 도시 또는 인쇄되어 있지 않고, 오직 단색(일례로 백색)으로 채색되어 있을 수도 있다. 그림자 인식 영역(13)은, 예를 들어, 왜곡 보정용 영역(11)의 상단 또는 하단에 위치할 수 있다. 보다 구체적으로 그림자 인식 영역(13)은, 도 2에 도시된 바와 같이 왜곡 보정용 영역(11) 및 진단용 인식 영역(14) 사이의 빈 공간을 이용하여 구현될 수도 있고, 또는 왜곡 보정용 영역(11) 및 색상 보정용 영역(12) 사이의 빈 공간을 이용하여 구현될 수도 있다.
진단용 인식 영역(14)은, 비색 수행에 이용될 수 있다. 비색 결과에 따라 피검자의 질환 발생 여부 등이 진단될 수 있다. 진단용 인식 영역(14)은, 하나 또는 둘 이상의 개별 진단용 인식 영역(14-1 내지 14-13)을 포함할 수 있다. 각각의 진단용 인식 영역(14-1 내지 14-13) 중 적어도 둘은, 검체 내의 서로 상이한 성분이나 특성에 반응하여, 각 성분의 양, 농도, 비중 또는 산성도 등에 따라 상이한 색으로 변할 수 있다. 예를 들어, 개별 진단용 인식 영역(14-1 내지 14-13 등)은, 각각 검체(일례로 소변) 내의 고형성분의 비중(SG: Specific Gravity), 산도(pH), 포도당 농도, 단백질 농도, 케톤체의 농도, 백혈구의 양, 빌리루빈(Bilirubin)의 양, 우로빌리노겐(Urobilinogen) 농도, 잠혈의 존재 및/또는 아질산염의 존재 등에 따라 반응하고, 반응 결과에 따라 소정의 색으로 변화하도록 마련된 것일 수 있다. 각각의 개별 진단용 인식 영역(14-1 내지 14-13 등)은 반응 시약 등을 직접 도포하거나, 또는 시약 등이 도포 또는 흡수된 반응 패드(반응지)를 일 면(10a)에 부착함으로써 구현될 수 있다. 각각의 진단용 인식 영역(14-1 내지 14-13)은 모두 동일한 형상을 가질 수도 있고, 일부는 동일하고 다른 일부는 상이한 형상을 가질 수도 있으며, 또는 모두 상이한 형상을 가질 수 있다. 진단용 인식 영역(14-1 내지 14-13)의 형상은, 예를 들어, 정사각형, 직사각형, 원, 타원 또는 삼각형 등일 수도 있다.
도 3은 진단용 영상 보정 장치의 일 실시예에 대한 블록도이다.
일 실시예에 의하면, 진단용 영상 보정 장치(90)는 도 3에 도시된 바와 같이 프로세서(100)를 포함할 수 있으며, 필요에 따라, 촬영부(91), 저장부(93) 및 사용자 인터페이스(95) 중 적어도 하나를 더 포함할 수도 있다.
일 실시예에 따르면, 촬영부(91)는 실제 검사키트(10)의 전부 또는 일부를 촬영하여, 실제 검사키트(10)에 대응하는 검사키트(20)를 포함하는 영상(29)이 획득되도록 할 수 있다. 구체적으로 예를 들어, 촬영부(91)는, 검사키트(10)으로부터 광(9)이 전달되면 전달된 광을 렌즈를 통해 집속하고, 집속된 광(9)을 촬상 소자(일례로 전하결합소자(CCD: Charge Coupled Device) 또는 금속산화물반도체(CMOS: complementary metal-oxide semiconductor) 등)을 통해 수신하여 대응하는 전기적 신호로 변환하고, 변환한 전기적 신호를 회로, 케이블 또는 무선통신네트워크를 통해 저장부(93)나 프로세서(100)로 전달할 수 있다. 프로세서(100)는 전달된 전기적 신호를 조합하여 실제 검사키트(10)에 대응하는 검사키트(20)를 포함하는 영상(29)을 생성한다. 촬영부(91)는, 하나 또는 둘 이상의 영상 촬영 모듈을 단독 이용하거나 또는 복합 이용함으로써 구현될 수도 있다. 실시예에 따라, 촬영부(91)는 진단용 영상 보정 장치(90)와 물리적으로 분리되고 전기적으로 연결된 다른 장치(들)(일례로 디지털 카메라, 스마트폰, 태블릿 피씨, 웹 캡 또는 스캐너 장치 등)을 기반으로 구현되는 것도 가능하다.
저장부(93)는, 진단용 영상 보정 장치(90)의 동작에 필요한 데이터나 프로그램(앱, 애플리케이션 또는 소프트웨어 등으로 지칭 가능함)을 일시적 또는 비일시적으로 저장할 수 있다. 예를 들어, 저장부(93)는 촬영부(91)가 출력한 전기적 신호, 프로세서(100)의 처리 과정에서 생성된 데이터(왜곡이 보정된 영상, 실제 검사키트(10)의 불량을 보정한 영상 또는 정규화 처리 결과 등) 및 프로세서(100)의 최종 판단 결과(일례로 색상 보정 결과 또는 진단 결과 등) 중 적어도 하나를 저장할 수도 있고, 필요에 따라 비색을 위한 데이터(예를 들어, 디지털화된 표준 비색표 등)를 더 저장할 수도 있다. 또한, 저장부(93)는, 프로세서(100)의 동작에 관한 프로그램 코드를 저장할 수도 있다. 여기서, 프로그램 코드는, 프로그래머 등의 설계자에 의해 직접 작성 또는 수정된 것일 수도 있고, 다른 물리적 기록 매체(외장 메모리 장치나 콤팩트 디스크(CD) 등)로부터 전달받은 것일 수도 있으며, 및/또는 전자 소프트웨어 유통망을 통하여 획득된 것일 수도 있다. 저장부(93)는, 예를 들어, 주기억장치(롬(ROM)이나 램(RAM) 등) 및 보조기억장치 중 적어도 하나를 포함할 수 있다. 여기서, 보조기억장치는, 플래시 메모리 장치(솔리드 스테이트 드라이브(SSD, Solid State Drive)나 범용직렬버스(USB: Universal Serial Bus) 메모리 등), SD(Secure Digital) 카드, 하드 디스크 드라이브(HDD), 콤팩트 디스크 또는 디브이디(DVD) 등을 포함할 수 있다.
사용자 인터페이스(95)는, 사용자(피진단자, 보호자 또는 의료인 등) 등으로부터 명령이나 데이터를 수신하거나 및/또는 시각적 또는 청각적으로 사용자에게 처리 결과(예를 들어, 보정된 영상이나 이를 기반으로 한 진단 결과 등) 등을 제공할 수 있다. 사용자 인터페이스(95)가 수신한 명령이나 데이터 등은 회로, 케이블 또는 무선통신네트워크를 통해 저장부(93)나 프로세서(100) 등으로 전달될 수 있다. 보다 구체적으로 사용자는 사용자 인터페이스(95)를 조작하여 촬영부(91)가 검사키트(10)을 촬영하거나, 프로세서(100)가 영상 보정이나 진단 결과 획득 등의 동작을 수행하게 할 수 있다. 사용자 인터페이스(95)는 입력부 및 출력부 중 적어도 하나를 포함할 수 있으며, 예를 들어, 입력부는 키보드, 마우스, 태블릿, 터치 스크린, 터치 패드, 트랙 볼, 트랙패드, 초음파 스캐너, 동작 감지 센서, 진동 센서, 수광 센서, 감압 센서, 근접 센서, 마이크로 폰, 데이터 출력 단자 또는 통신 모듈 등 등을 포함하고, 출력부는 디스플레이, 프린터 장치, 스피커 장치, 영상 출력 단자, 데이터 출력 단자 또는 통신 모듈 등을 포함할 수 있다.
프로세서(100)는, 예를 들어, 검사키트(20)가 나타난 영상(29)을 보정하거나, 이를 보정한 영상을 기반으로 진단 결과를 획득할 수 있다. 프로세서(100)는 촬영부(91)로부터 전달된 전기적 신호를 기반으로, 원래의 검사키트(10)에 대응하는 검사키트(20)에 대한 영상을 하나 이상 생성할 수도 있다. 또한, 프로세서(100)는, 진단용 영상 보정 장치(90)의 전반적인 동작을 제어할 수도 있다. 프로세서(100)는, 예를 들어, 중앙 처리 장치(CPU: Central Processing Unit), 그래픽 처리 장치(GPU: Graphic Processing Unit), 마이크로 컨트롤러 유닛(MCU: Micro Controller Unit), 애플리케이션 프로세서(AP: Application Processor), 전자 제어 유닛(ECU: Electronic Controlling Unit) 또는 마이컴(Micom: Micro Processor) 등과 같이 연산 및 제어 처리가 가능한 전자 장치를 하나 이상 이용하여 구현될 수 있다.
프로세서(100)는, 도 3에 도시된 바와 같이, 영상 왜곡 보정부(110), 불량 감지부(120), 그림자 인식부(130), 정규화처리부(140), 색상 보정부(150) 및 진단부(160)를 포함할 수 있다. 실시예에 따라서, 이들 중 일부(예를 들어, 정규화처리부(140)나 진단부(160) 등)는 생략되는 것도 가능하다. 영상 왜곡 보정부(110), 불량 감지부(120), 그림자 인식부(130), 정규화처리부(140), 색상 보정부(150) 및 진단부(160)는, 논리적으로 또는 물리적으로 구분된 것일 수도 있다.
도 4는 영상 왜곡 보정부의 일 실시예에 대한 블록도이고, 도 5는 영상 왜곡 보정부의 동작의 일례를 설명하기 위한 도면이다.
영상 왜곡 보정부(110)는, 검사키트(20)에 대한 왜곡된 영상(29)을 보정할 수 있으며, 구체적으로는 영상(29)에 나타난 검사키트(20)의 왜곡된 형상(일례로 영상 상의 검사키트(20)의 기울어짐이나 휘어짐 등)을 보정하여 영상(29)에 나타난 검사키트(20)가 원래의 검사키트(10)의 형상(일례로 직사각형 등의 형상)과 동일하거나 근사하도록 영상을 보정할 수 있다.
일 실시예에 따르면, 영상 왜곡 보정부(110)는, 도 4에 도시된 바와 같이 왜곡보정용지역 인식부(111)와, 지점 인식부(112)와, 길이 결정부(113)와, 각도 보정부(114)와, 배율 조절부(115)를 포함할 수 있다.
왜곡보정용지역 인식부(111)는, 일 실시예에 있어서, 도 5에 도시된 바와 같이 검사키트(20)에 대한 영상(29)으로부터 왜곡보정용지역(21), 일례로 QR코드를 검출하여 인식할 수 있다. 구체적으로 예를 들어, 왜곡보정용지역 인식부(111)는 영상(29) 내의 검사키트(20)의 QR코드(21)의 모서리에 위치한 특정한 패턴, 일례로 파인더 패턴(Finder Pattern, 21A, 21B, 21C)을 검출함으로써 왜곡보정용지역(21)을 검출할 수도 있다. 필요에 따라 왜곡보정용지역 인식부(111)는 왜곡보정용지역(21)의 인식을 위해 기 훈련된 학습 모델을 이용하는 것도 가능하다.
지점 인식부(112)는 왜곡보정용지역(21)의 하나 이상의 지점(21A, 21B, 21C, 21D, 21E)을 검출하여 인식할 수 있다. 예를 들어, 지점 인식부(112)는 왜곡보정용지역(21)의 파인더 패턴(21A, 21B, 21C)을 하나 이상 검출하거나, 검출된 파인더 패턴(21A, 21B, 21C)을 기반으로 파인더 패턴(21A, 21B, 21C)이 부재한 다른 방향의 일 지점(일례로 얼라이먼트 패턴(21D))을 검출하거나, 검출된 파인더 패턴(21A, 21B, 21C) 및 다른 지점(21D)을 기반으로 중심점(21E)을 검출하거나, 및/또는 얼라이먼트 패턴(21D)과 이에 대응하는 어느 하나의 파인더패턴(21B)과 중심점(21E) 등을 기반으로 어느 하나의 파인더패턴(21B)에 대향하는 위치에 배치된 또 다른 지점(11F)을 검출할 수도 있다. 여기서, 중심점(11E)은 서로 대향하는 두 개의 파인더패턴(21A, 21C)을 연결하는 선분과, 또 다른 파인더패턴(21B) 및 다른 지점(21D)을 연결하는 선분 사이의 교차점을 찾아냄으로써 검출될 수도 있다. 또 다른 지점(21F)은 어느 하나의 파인더패턴(21B) 및 중심점(21E) 사이의 거리 및 중심점(21E) 및 얼라이먼트 패턴(21D) 간의 거리를 기반으로 획득될 수도 있다.
길이 결정부(113)는 획득된 파인더 패턴(21A, 21B, 21C), 중심점(21E) 및 또 다른 지점(21F)을 이용하여, 이들 중 적어도 둘 간의 거리를 연산할 수 있다. 예를 들어, 길이 결정부(113)는 중심점(21E)과 어느 하나의 파인더 패턴(21A) 사이의 거리(L)를 결정할 수 있다. 또한, 길이 결정부(113)는 상측 양 말단에 위치한 파인더패턴(21A, 21B) 사이의 거리(W1), 좌측 양 말단에 위치한 파인더패턴(21B, 21C) 사이의 거리(H1), 우측 상단의 파인더패턴(21A) 및 또 다른 지점(21F) 간의 거리(H2) 및 좌측 하단의 파인더패턴(21C) 및 또 다른 지점(21F) 간의 거리(W2)를 연산할 수도 있다. 연산된 거리(L, W1, W2, H1, H2)는 각도 보정부(114) 및 배율 조절부(115) 중 적어도 하나로 전달될 수 있다.
각도 보정부(114)는 왜곡 보정용 영역(21)의 기울어짐이나 휘어짐을 결정하고, 이를 기반으로 영상을 보정할 수 있다. QR코드는 대체로 정사각형 이므로, 상측 양 말단에 위치한 파인더패턴(21A, 21B) 사이의 거리(W1) 및 좌측 하단의 파인더패턴(21C)과 또 다른 지점(21F) 간의 거리(W2)는 서로 동일하면서 중심점(21E)와 어느 하나의 파인더 패턴(21A) 사이의 거리(L)의 루트2 배(약 1.414 배)이고, 좌측 양 말단에 위치한 파인더패턴(21B, 21C) 사이의 거리(H1) 및 우측 상단의 파인더패턴(21A)과 또 다른 지점(21F) 간의 거리(H2)도 동일하면서 중심점(21E)와 어느 하나의 파인더 패턴(21A) 사이의 거리(L)의 루트2 배(약 1.414 배)이다. 각도 보정부(114)는, 이러한 점을 이용하여 영상(29) 내의 검사키트(20)의 기울어짐이나 휘어짐을 보정할 수 있다. 예를 들어, 각도 보정부(115)는, 연산된 거리(W1, W2, H1, H2) 중 서로 대응하는 거리(W1 및 W2 또는 H1 또는 H2) 사이의 거리의 차이를 이용하여 영상(29) 내의 검사키트(20)가 기울어져 있는지 여부를 결정하고, 이를 기반으로 영상(29)을 보정함으로써 영상(29) 내의 검사키트(20)가 원래의 검사키트(10)와 대체적으로 일치하도록 할 수 있다. 보다 상세하게는 각도 보정부(115)는, 영상(29)으로부터 측정된 상측 양 말단에 위치한 파인더패턴(21A, 21B) 사이의 거리(W1)와, 영상(29)으로부터 측정된 좌측 하단의 파인더패턴(21C)과 또 다른 지점(21F) 간의 거리(W2)를 비교하고, 상측 양 말단에 위치한 파인더패턴(21A, 21B) 사이의 거리(W1)가 더 길면, 영상(29) 내의 검사키트(20)의 상부를 좌우로 축소하여 보정하되, 상 측에 가까울수록 비례하여 더 축소하여 보정하고, 반대로 좌측 하단의 파인더패턴(21C)과 또 다른 지점(21F) 간의 거리(W2)가 더 길면, 영상(29) 내의 검사키트(20)의 하부를 좌우로 축소하여 보정하되, 하 측에 가까울수록 비례하여 더 축소하여 보정할 수 있다. 또한, 이와 동일하게 각도 보정부(115)는, 좌측 양 말단에 위치한 파인더패턴(21B, 21C) 사이의 거리(H1) 및 우측 상단의 파인더패턴(21A)과 또 다른 지점(11F) 간의 거리(H2)를 비교하고, 좌측 양 말단에 위치한 파인더패턴(21B, 21C) 사이의 거리(H1)가 더 길면, 영상(29) 내의 검사키트(20)의 좌측을 상하 방향으로 축소하여 보정하되, 좌 측에 가까울수록 비례하여 더 축소하여 보정하고, 반대로 우측 상단의 파인더패턴(21A)과 또 다른 지점(21F) 간의 거리(H2)가 더 길면, 영상(29) 내의 검사키트(20)의 우 측을 상하 방향으로 축소하여 보정하되, 하 측에 가까울수록 비례하여 더 축소하여 보정함으로써 영상(29) 내의 검사키트(21)의 기울어짐을 보정할 수 있다.
배율 조절부(115)는, 촬영 또는 보정된 영상(29) 내의 검사키트(21)의 크기와, 저장부(93) 등에 저장된 실제 검사키트(11)의 크기 간의 비율을 결정하고, 이를 기반으로 영상(29) 내의 검사키트(21)의 크기를 조절할 수 있다. 예를 들어, 배율 조절부(115)는 중심점(21E)과 어느 하나의 파인더 패턴(21A) 사이의 거리(L)를 이용하여, 영상(29) 내의 왜곡 보정용 영역(21)의 크기와 실제 왜곡 보정용 영역(11)의 크기 사이의 비율을 결정할 수 있다. 검사키트(10)의 실제 왜곡 보정용 영역(11)의 크기는 고정적이므로, 배율 조절부(115)는, 길이 결정부(113)로부터 측정된 중심점(21E) 및 파인더 패턴(21A) 간의 거리(L)를 획득하고, 실제 왜곡 보정용 영역(21)의 크기를 저장부(93)로부터 호출한 후, 어느 하나를 다른 하나로 나눔으로써 비율을 연산하고, 연산된 배율을 기반으로 영상(29)을 확대 또는 축소함으로써 영상 내의 왜곡 보정용 영역(21)의 크기를 조절할 수 있다. 이때, 배율 조절부(115)는, 연산된 비율을 이용하여, 색상 보정용 영역(22) 내의 각각의 영역(22-1 내지 22-5) 사이의 간격에 대한 보정 값(보정 비율 등)을 계산하거나 및/또는 진단용 인식 영역(24) 내의 각각의 영역(24-1 내지 24-13)의 간격에 대한 보정 값(보정 비율 등)을 계산한 후, 계산된 보정 값을 기초로 각각의 영역(22-1 내지 22-5 또는 24-1 내지 24-13) 사이의 간격을 더 보정하는 것도 가능하다.
상술한 과정에 따라서 영상(29) 내의 검사키트(20)의 기울어짐이나 크기 변화에 따른 왜곡이 보정될 수 있게 된다. 왜곡이 보정된 영상(29)은 불량 감지부(120)로 전달될 수 있다.
도 6은 불량 감지부의 동작의 일례를 설명하기 위한 도표이고, 도 7은 불량 감지부의 일 실시예에 대한 블록도이다.
실제로 이용된 검사키트(11) 중에는 불량이 존재할 수 있으며, 예를 들어, 진단용 인식 영역(14) 내의 개별 영역(14-1 내지 14-13) 중 적어도 하나가 원래 예정된 위치보다 특정한 방향으로 더 치우쳐져 일 면(10A)에 형성되어 있을 수 있다(즉, 위치 불량). 이 경우, 촬영된 영상(29) 내의 개별 영역(24-1 내지 24-13) 역시 이에 대응하여 영상(29) 내에서 원래 예정된 위치와 상이한 위치에 배치되게 된다. 한편, 프로세서(100), 일례로 진단부(150)는, 도 7에 도시된 바와 같이, 적어도 하나의 개별 영역(24-ka)의 예정된 위치(정상 위치)에 대응하는 위치에 검출 영역(124)을 가상적으로 설정하고, 설정된 검출 영역(124) 내의 색상을 감지하여 진단을 수행할 수도 있다. 이 경우, 만약 촬영된 영상(29) 내의 개별 영역(24-kb)이 원래의 검사키트(11)의 불량에 따라 정상 위치에서 벗어나 배치된 경우, 검출 영역(124)에는 개별 영역(24-kb)과 상이한 색상(일례로 백색)이 포함되어 진단 결과에 오류가 발생할 수도 있다. 불량 감지부(120)는 이와 같은 실제 검사키트(11)의 불량을 인식하고 이를 보정할 수 있다.
도 7에 도시된 바에 의하면 불량 감지부(120)는, 영역 데이터 추출부(121), 히스토그램 처리부(122) 및 위치보정부(123)를 포함할 수 있다.
영역 데이터 추출부(121)는 검출 영역(124) 내의 영상 데이터를 추출할 수 있다. 이 경우, 추출된 영상 데이터는 해당 영상 데이터가 추출된 지점에 대한 값(예를 들어, 좌표)를 포함할 수 있다. 추출된 영상 데이터는 실시예에 따라 행렬의 형식으로 표현될 수도 있다.
히스토그램처리부(122)는, 검출 영역(124) 내의 추출된 영상 데이터에 대응하는 히스토그램을 생성할 수 있다. 일 실시예에 따르면, 히스토그램처리부(122)는, 추출된 영상 데이터를 미리 정의된 순서대로 배치하여 하나의 히스토그램을 생성할 수도 있다. 예를 들어, 히스토그램은, 추출된 영상 데이터는, 추출된 데이터를 추출된 위치에 따라(일례로 좌측 상단에서 우측 하단까지) 순차 배치하여 생성된 것일 수 있으며, 보다 구체적으로는 상단에서 추출된 데이터를 먼저 배치하고 하단에서 배치된 데이터를 뒤에 배치하되, 동일한 높이에서 추출된 경우에는 보다 좌측에서 추출된 데이터를 보다 우측에서 추출된 데이터보다 더 먼저 배치하여 생성된 것일 수도 있다. 실시예에 따라서 히스토그램처리부(122)는, 검출 영역(124) 내의 각각의 데이터에 대한 그레이 스케일링(gray scaling) 처리를 수행하고, 그레이 스케일링된 값을 기반으로 히스토그램을 생성할 수도 있다.
위치보정부(123)는, 히스토그램을 이용하여 영상(29) 내에서 그 위치가 비정상적인 적어도 하나의 개별 영역(24-kb)을 소프트웨어적으로 이동시켜 보정함으로써 모든 개별 영역(24-1 내지 24-13)의 위치가 정상적으로 배치된 영상을 새롭게 획득할 수 있다. 예를 들어, 위치보정부(123)는, 히스토그램의 데이터 중 그 값이 최대인 데이터와 그 값이 최소인 데이터 사이의 값의 차를 연산하고, 연산된 차이가 미리 정의된 범위(예를 들어, 그레이 스케일링된 경우 20 이하 또는 230 이상)을 벗어나는 경우 불량이 존재한다고 판단하고, 반대로 연산된 차이가 미리 정의된 범위 내인 경우에는 불량이 존재하지 않는다고 판단할 수 있다. 여기서, 데이터의 값은 그레이스케일링 처리된 값일 수도 있다. 만약 불량이 존재한다면, 예정된 값이 아닌 값을 갖는 화소(픽셀)의 위치를 획득하고, X축 및/또는 Y축 방향으로 벗어난 정도를 화소 단위로 계수한 후, 계수 결과를 기반으로 위치 오류가 존재하는 개별 영역(24-kb)을 이동시켜, 위치 오류가 존재하는 적어도 하나의 개별 영역(24-kb)을 보정할 수 있다.
도 8은 그림자 인식부의 일 실시예에 대한 블록도이고, 도 9는 그림자 인식부의 동작의 일례를 설명하기 위한 도면이다.
그림자 인식부(130)는 실제 검사키트(10)에 그림자가 졌을 때 촬영이 수행되어, 촬영된 검사키트(20)가 그림자의 존재로 인해 원래의 색상과 상이한 색상을 갖는 것을 갖는 것을 방지한다. 일 실시예에 의하면, 그림자 인식부(130)는 도 8에 도시된 바와 같이 그림자 영역 추출부(131)와, 그림자 분석부(132)와, 안내 처리부(133)를 포함할 수 있다.
그림자 영역 추출부(131)는, 도 9에 도시된 바와 같이 촬영되거나 보정된 영상(29)에 나타난 검사키트(20)의 일 면(20a)으로부터 그림자 영역(23)에 대한 데이터를 추출할 수 있다. 그림자 영역(23)에 대한 데이터의 추출은, 영상(29) 내의 왜곡보정용지역(21) 및 진단용 인식 영역(24) 중 적어도 하나를 이용하여 수행될 수도 있다. 예를 들어, 그림자 영역(23)의 데이터는, 왜곡보정용지역(21)의 중심점(21E)에서 또 다른 일 지점(21F)을 지나 연장된 선분 상에서, 중심점(21E)으로부터 일정한 길이(예를 들어, 어느 하나의 파인더패턴(21A)과 중심점(21E) 사이의 거리(L)의 1.5배)에 해당하는 지점(23A, 이하 제1 지점)을 선택하고, 제1 지점으로부터 소정의 거리(예를 들어, 어느 하나의 파인더패턴(21A)과 중심점(21E) 사이의 거리(L)의 루트 1.5 배)만큼 소정의 방향(일례로 좌측 수평 방향)으로 이격된 다른 지점(23B, 이하 제2 지점)을 선택한 후, 제1 지점(23A)으로부터 제2 지점(23B)까지 또는 제2 지점(23B)으로부터 제1 지점(23A)까지 라인 스캔(C1)을 수행함으로써 획득될 수도 있다. 이 경우, 그림자 영역(23)의 데이터는 미리 정의된 개수(일례로 100개)에 따라서 일정한 간격마다 데이터를 추출함으로써 획득된 것일 수도 있다. 또한, 그림자 영역(23)에 대한 데이터의 추출은, 그림자 영역(23)을 나타내는 그림자 영역 지시자(23a)를 이용하여 수행될 수도 있다. 그림자 영역 지시자(23a)는 예를 들어 도 9에 도시된 것처럼 실선이나 점선 등을 이용하여 구현된 것일 수 있다. 보다 구체적으로 예를 들어, 그림자 영역(23)은 그림자 영역 지시자(23a)로부터 또는 그림자 영역 지시자(23a)로부터 이격된 일 지점으로부터 상 방향으로 일정한 범위 내의 영역을 검출함으로써 획득되고, 그림자 영역(23)에 대한 데이터는 획득된 그림자 영역(23) 내의 데이터의 전부 또는 일부를 라인 스캐닝 등의 방법을 통해 추출함으로써 획득될 수도 있다. 그림자 영역(23)은, 실시예에 따라 상술한 왜곡보정용지역(21)으로부터 상 또는 하방향으로 일정한 거리로 이격된 일 지점에서부터 일정한 범위 이내의 구역을 선택하여 결정될 수도 있다.
그림자 분석부(132)는 획득된 그림자 영역(23)의 데이터를 기반으로 그림자가 존재하는지 여부를 판단할 수 있다. 일례로, 그림자 분석부(132)는 획득된 데이터의 평균 값을 연산한 후, 평균 값이 미리 정의된 소정의 범위(그림자 판단 범위) 내인지 여부를 판단하고, 판단 결과를 기반으로 그림자의 존재 여부를 결정할 수 있다. 여기서, 그림자 판단 범위는, 사용자나 설계자에 의해 정의된 것일 수 있다. 만약 데이터가 색상 값이라면, 색상 값은 백색인 경우 255을 갖고, 흑색인 경우 0을 가지므로, 그림자 판단 범위는, 예를 들어, 지나치게 백색이거나 또는 지나치게 흑색이 아닌 경우에 대응하는 값의 범위, 일례로 30 내지 230으로 정의될 수도 있다. 만약 데이터의 평균 값이 그림자 판단 범위보다 작다면(일례로 데이터의 평균 값이 30보다 작다면), 이는 그림자 영역(23)이 대체적으로 지나치게 어둡다는 것을 의미하므로, 그림자 분석부(132)는 그림자 영역(23)에 그림자가 존재한다고 판단할 수 있다. 반대로 만약 데이터의 평균 값이 그림자 판단 범위보다 크다면(일례로 데이터의 평균 값이 230보다 크다면), 이는 그림자 영역(23)이 대체적으로 상당히 밝다는 것을 의미하므로, 그림자 분석부(132)는 지나치게 밝은 곳에서 검사키트에 대한 촬영이 수행되었다고 판단할 수 있다. 판단 결과는 안내 처리부(133)로 전달된다.
안내 처리부(133)는 그림자 분석부(132)의 판단 결과에 따라서 사용자 인터페이스(19)에 제어 신호를 전달하여, 사용자 인터페이스(19)가 시각적 또는 청각적으로 사용자에게 재촬영 안내 메시지를 출력하도록 할 수 있다. 예를 들어, 그림자 영역(23)의 데이터의 평균 값이 그림자 판단 범위보다 작아 그림자 영역(23)이 어두운 것으로 판별되면, 사용자 인터페이스(19)는 안내 처리부(133)의 제어에 따라 보다 밝은 곳에서 실제 검사키트(10)를 다시 촬영할 것을 요구하는 메시지를 외부로 출력하고, 그림자 영역(23)의 데이터의 평균 값이 그림자 판단 범위보다 커서 그림자 영역(23)이 대체적으로 지나치게 밝은 것으로 판별되면, 사용자 인터페이스(19)는 안내 처리부(133)의 제어에 따라 보다 조금 더 어두운 곳에서 재촬영할 것을 요구하는 메시지를 출력할 수 있다.
도 10은 정규화처리부의 일 실시예에 대한 블록도이고, 도 11 및 도 12는 정규화처리부의 동작의 일례를 설명하기 위한 제1 및 제2 도이다.
도 10에 도시된 바를 참조하면, 정규화 처리부(140)는, 일 실시예에 있어서, 인식 대상 영역 위치 판별부(141), 히스토그램 생성부(142), 히스토그램 변환부(143), 히스토그램 정규화부(144) 및 통계값 연산부(145)를 포함할 수 있다.
인식 대상 영역 위치 판별부(141)는, 도 11에 도시된 바와 같이 각각의 진단용 인식 영역(24-1 내지 24-13) 중에서 처리 목표가 되는 적어도 하나의 진단용 인식 영역(24-k)을 인식할 수 있다. 실제 검사키트(10)의 각 진단용 인식 영역(14-1 내지 14-13)은 고정되어 있으므로, 각 진단용 인식 영역(14-1 내지 14-13)의 위치나 이들(14-1 내지 14-13)과 왜곡 보정용 영역(11) 내의 일 지점 사이의 거리도 고정되어 있다. 따라서, 촬영 또는 보정된 영상(29) 내에서 왜곡 보정용 영역(21)의 크기나, 왜곡 보정용 영역(21)의 적어도 하나의 파인더 패턴(21A)과 중심점(21E) 사이의 길이(L) 등을 이용하면 처리 목표가 되는 적어도 하나의 진단용 인식 영역(24-k)의 위치 판별이 가능하게 된다. 위치가 판별되면, 이를 기반으로 해당 위치의 적어도 하나의 진단용 인식 영역(24-k)이 검출될 수 있게 된다. 검출된 적어도 하나의 진단용 인식 영역(24-k)은 히스토그램 생성부(142)로 전달될 수 있다.
히스토그램 생성부(142)는, 적어도 하나의 진단용 인식 영역(24-k)에 대응하는 히스토그램을 생성할 수 있다. 도 11에 도시된 바를 참조하면 히스토그램 생성부(142)는, 예를 들어, 적어도 하나의 진단용 인식 영역(24-k)의 좌측 상단의 일 지점(R0, R0)으로부터 우측 상단(R0, Ry)까지의 각각의 데이터(일례로 색상 값), 좌측 상단 바로 하단 지점(R1, R0)으로부터 우측 상단 바로 하단 지점(R1, Ry)까지의 각각의 데이터 내지 좌측 하단의 일 지점(Rx, R0)로부터 우측 하단의 일 지점(Rx, Ry)까지의 각각의 데이터가 그 위치에 따라 순차적으로 배치하여 히스토그램을 생성할 수도 있다.
히스토그램 변환부(143)는, 소정의 값을 부가하는 등의 방법으로 히스토그램의 각각의 데이터에 대한 리스케일링을 수행할 수 있다. 이 경우, 부가되는 소정의 값은, 예를 들어, 해당 화소의 데이터의 각 색상 값(즉, R값, G값 및 B값)을 기준 값(흑색에 대한 각 색상 값)을 차감한 후, 미리 정의된 값(일례로 백색에 대한 각 색상 값에 흑색에 대한 각 색상 값을 차감한 값)을 나누어 획득된 것일 수도 있다. 또한, 히스토그램 변환부(143)는, 각 색상 값에 대한 그레이스케일링 처리를 하여 그레이 히스토그램을 획득하는 것도 가능하다.
히스토그램 정규화부(144)는 획득한 히스토그램을 정규화하여 정규화된 히스토그램을 획득할 수 있다. 이 경우, 히스토그램 정규화부(144)는, 실시예에 따라서, 히스토그램 내의 데이터 중 그 값이 최대인 데이터와 그 값이 최소인 데이터에 대한 차가 사용자나 설계자 등에 의해 미리 정의된 값(예를 들어, 30)보다 작다면, 히스토그램 보정 처리를 수행하지 않고, 반대로 그 차가 미리 정의된 값보다 크다면, 히스토그램 보정 처리를 수행하도록 마련될 수도 있다.
일 실시예에 따르면, 히스토그램 정규화부(144)는 히스토그램의 연속된 데이터를 이용하여 히스토그램의 정규화를 수행할 수 있다. 구체적으로 예를 들어, 히스토그램 정규화부(144)는, 도 12에 도시된 바처럼, 히스토그램(20)의 제(n-1) 데이터(d_n-1), 제(n-1) 데이터(d_n-1)에 인접한 제n 데이터(d_n) 및 제n 데이터(d_n)에 인접한 제(n+1) 데이터(d_n+1)를 획득하고(여기서, n은 2 이상의 임의의 자연수). 제(n-1) 데이터(d_n-1), 제n 데이터(d_n) 및 제(n+1) 데이터(d_n+1) 중에서 그 값이 가장 큰 데이터를 제거하고, 나머지 데이터의 평균값을 연산하고, 연산된 평균 값을 제n 데이터(d_n)에 대응하는 1차 보정된 제n 데이터의 값으로 결정하고, 이를 모든 데이터(d1 등)에 수행하여 1차 정규화된 히스토그램을 획득할 수 있다. 또한, 히스토그램 정규화부(144)는, 1차 정규화된 히스토그램(21)에 대해 상술한 바와 동일하게 추가적으로 정규화를 수행하여 2차 정규화된 히스토그램을 더 획득할 수도 있다. 또한, 선택에 따라서, 2차 정규화된 히스토그램에 대해서도 동일하게 정규화가 수행되어 3차 보정된 히스토그램이 더 획득될 수도 있다. 이와 같은 정규화는 사용자 등이 지정한 회수(예를 들어)로 또는 미리 정의된 조건(전체 데이터의 표준편차가 미리 정의된 범위(일례로 표준편차의 값이 2% 이하인 범위))이 만족될 때까지 반복 수행될 수 있으며, 이에 따라 다수 회수로 정규화된 히스토그램이 획득된다. 정규화된 히스토그램의 획득에 따라, 촬영 모듈의 내부 부품에 의한 반사나 렌즈의 산란 등에 기인하여 영상 내에 존재하는 빛 반사가 제거될 수 있게 된다.
통계값 연산부(145)는, 획득된 히스토그램에 관련된 적어도 하나의 통계 값(들)을 데이터를 기반으로 연산하여 획득할 수 있다. 여기서, 통계적 수치(들)은, 각 데이터의 평균, 분산, 표준편차 및/또는 변동 계수 등을 포함할 수 있다. 통계값 연산부(145)에 의해 연산된 통계 값(들)은 색상 보정부(150)로 전달될 수도 있다.
도 13은 색상보정부의 일 실시예에 대한 블록도이고, 도 14는 색상보정부의 동작의 일례를 설명하기 위한 도면이다.
색상보정부(150)는 촬영되거나 보정된 영상(29)의 색상 보정용 영역(22)을 이용하여 진단용 인식 영역(24) 중에서 보정 또는 분석 목표가 되는 적어도 하나의 진단용 인식 영역(24-1 내지 24-13)의 데이터를 보정하고, 보정된 데이터를 기반으로 색상에 관한 적어도 하나의 속성 값을 획득할 수 있다. 여기서, 속성 값은, 일례로, 명도(value), 색조(hue) 및 채도(saturation) 중 적어도 하나를 포함할 수 있다. 촬영되거나 보정된 영상(29)은, 상술한 정규화된 히스토그램을 포함할 수도 있다.
색상 보정부(150)는, 일 실시예에 있어서, 도 13에 도시된 바와 같이, 보정 영역 추출부(151), 보정 계수 연산부(152), 보정 계수 적용부(153) 및 속성 값 획득부(154)를 포함할 수 있다.
도 14에 도시된 바를 참조하면, 보정 영역 추출부(151)는 영상(29) 내의 검사키트(20)로부터 색상 보정용 영역(22: 22-1, 22-2, 22-3, 22-4, 22-5)를 검출하고, 각 영역에 해당하는 데이터를 추출할 수 있다. 예를 들어, 보정 영역 추출부(151)는 적색 영역(22-1), 녹색 영역(22-2), 청색 영역(22-3), 백색 영역(22-4) 및 흑색 영역(22-5)를 검출한 후 적색 영역(22-1)에 대한 색상 값, 녹색 영역(22-2)에 대한 색상 값, 청색 영역(22-3)에 대한 색상 값, 백색 영역(22-4)에 대한 색상 값 및 흑색 영역(22-5)에 대한 색상 값을 획득할 수 있다. 이 경우, 각 영역(22-1 내지 22-5)에서 추출되는 색상 값은, RGB 값(즉, 적색(R) 값, 녹색(G) 값 및 청색(B) 값)을 포함할 수 있다.
보정 계수 연산부(152)는 보정 영역 추출부(151)에 의해 추출된 색상 값을 이용하여 보정 계수를 연산할 수 있다. 원래의 검사키트(10)의 색상 보정용 영역(12: 12-1, 12-2, 12-3, 12-4, 12-5)은 이미 알려진 색상 값(이하 이상 값)을 가지고 있으므로, 촬영된 검사키트(20)의 각 색상 보정용 영역(22: 22-1, 22-2, 22-3, 22-4, 22-5)의 색상 값은 각각 이상 값을 기반으로 보정될 수 있다. 이 경우, 적어도 하나의 영역(22-1 내지 22-5)마다 색상 값(즉, R값, G값 및 B값) 각각에 대응하는 세 개의 보정 계수(즉, R값에 대한 보정 계수, G값에 대한 보정 계수 및 B값에 대한 보정 계수)가 미리 정의된 바에 따라 연산될 수 있다. 구체적으로 예를 들어, 적색 영역(22-1)의 보정 계수의 경우, 적색 영역(22-1)의 R값에 대한 보정 계수는 적색에 대한 이상 값에 적색 영역(22-1)으로부터 획득된 R값을 차감한 값으로 주어지고, 적색 영역(22-1)의 G값에 대한 보정 계수는 녹색에 대한 이상 값에 적색 영역(22-1)으로부터 획득된 G값을 차감한 값으로 주어지며, 적색 영역(22-1)의 B값에 대한 보정 계수는 청색에 대한 이상 값에 적색 영역(22-1)으로부터 획득된 B값을 차감한 값으로 주어질 수 있다. 마찬가지로 녹색 영역(22-2)의 보정 계수와 관하여, 녹색 영역(22-2)의 R값에 대한 보정 계수는 적색에 대한 이상 값에 녹색 영역(22-2)으로부터 획득된 R값을 차감한 값으로 주어지고, 녹색 영역(22-2)의 G값에 대한 보정 계수는 녹색에 대한 이상 값에 녹색 영역(22-2)으로부터 획득된 G값을 차감한 값으로 주어지며, 녹색 영역(22-2)의 B값에 대한 보정 계수는 청색에 대한 이상 값에 녹색 영역(22-2)으로부터 획득된 B값을 차감한 값으로 주어질 수 있다. 또한, 청색 영역(22-3)의 보정 계수 중 R값에 대한 보정 계수는 적색에 대한 이상 값에 청색 영역(22-3)으로부터 획득된 R값을 차감한 값으로 정의되고, G값에 대한 보정 계수는 녹색에 대한 이상 값에 청색 영역(22-3)으로부터 획득된 G값을 차감한 값으로 정의되며, B값에 대한 보정 계수는 청색에 대한 이상 값에 청색 영역(22-3)으로부터 획득된 B값을 차감한 값으로 정의될 수 있다. 동일하게 백색 영역(22-4)의 R값에 대한 보정 계수는 적색에 대한 이상 값에 백색 영역(22-4)으로부터 획득된 R값을 차감한 값이고, 백색 영역(22-4)의 G값에 대한 보정 계수는 녹색에 대한 이상 값에 백색 영역(22-4)으로부터 획득된 G값을 차감한 값이며, 백색 영역(22-4)의 B값에 대한 보정 계수는 청색에 대한 이상 값에 백색 영역(22-4)으로부터 획득된 B값을 차감한 값일 수 있다. 상술한 바와 동일하게 흑색 영역(22-5)의 R값에 대한 보정 계수는 적색에 대한 이상 값에 흑색 영역(22-5)에서 획득된 R값을 차감한 값으로 주어지고, 흑색 영역(22-5)의 G값에 대한 보정 계수는 녹색에 대한 이상 값에 흑색 영역(22-5)에서 획득된 G값을 차감한 값으로 주어지며, 흑색 영역(22-5)의 B값에 대한 보정 계수는 청색에 대한 이상 값에 흑색 영역(22-5)에서 획득된 B값을 차감한 값으로 주어질 수 있다.
보정계수 적용부(153)는, 보정계수 연산부(152)가 연산한 보정 계수를 목표가 되는 진단용 인식 영역(24-K)의 데이터에 적용하여 진단용 인식 영역 데이터(24-K1)를 보정하여 진단용 인식 영역(24-K)의 데이터가 원래의 검사키트(10)의 해당 인식 영역(14-K)의 색상에 대응하는 값(즉, 해당 색상의 값과 동일하거나 근사한 값)을 가지도록 보정할 수 있다. 보다 구체적으로 보정계수 적용부(153)는 목표가 되는 진단용 인식 영역(24-K)을 획득하고, 진단용 인식 영역(24-K)으로부터 보정 계수가 적용될 데이터를 추출하여 획득할 수 있다. 여기서, 진단용 인식 영역(24-K)으로부터 추출되는 데이터는, 해당 진단용 인식 영역(24-K) 내의 데이터의 색상 값(R값, G값 및 B값)을 포함할 수 있다. 이어서, 보정계수 적용부(153)는 추출된 색상 값(R값, G값 및 B값)에 대응하는 보정 계수를 부가하여 진단용 인식 영역(24-K)의 각각의 색상 값(R값, G값 및 B값)에 대한 보정을 수행할 수 있다. 이 경우, 각각의 색상 값에 부가되는 보정 계수는 진단용 인식 영역(24-K)의 각각의 색상 값(R값, G값 및 B값) 중 가장 큰 값을 기준으로 선택된 것일 수 있다. 예를 들어, 진단용 인식 영역(24-K)에서 추출된 R값이 200이고, G값이 100이며, B값이 50인 경우, R값이 그 값이 가장 크기 때문에, 값이 가장 큰 R값에 대응하는 적색 영역(22-1)의 보정 계수가 진단용 인식 영역(24-K)에서 추출된 색상 값(즉, R값, G값 및 B값)의 보정에 이용된다. 다시 말해서, 진단용 인식 영역(24-K)에서 추출된 R값에 적색 영역(22-1)의 R값에 대한 보정 계수가 합산되어 부가되고, 진단용 인식 영역(24-K)에서 추출된 G값에 적색 영역(22-1)의 G값에 대한 보정 계수가 합산되어 부가되며, 진단용 인식 영역(24-K)에서 추출된 B값에 적색 영역(22-1)의 B값에 대한 보정 계수가 합산되어 부가됨으로써, 진단용 인식 영역(24-K)의 색상이 보정된다. 한편, 진단용 인식 영역(24-K)에서 추출된 색상 값 중 G값이 가장 크다면, G값에 대응하여 녹색 영역(22-2)의 보정 계수가 보정에 이용되고, 진단용 인식 영역(24-K)에서 추출된 색상 값 중 B값이 가장 크다면, 이에 대응하여 청색 영역(22-3)의 보정 계수가 보정에 이용될 수 있다.
속성 값 획득부(154)는 보정계수 적용부(153)에 의해 보정 계수가 적용된 진단용 인식 영역(24-K)의 보정된 색상 값(보정된 R값, 보정된 G값 및 보정된 B값)을 기반으로 적어도 하나의 속성(일례로, 명도, 색조 및 채도 중 적어도 하나)의 연산을 수행할 수 있다.
여기서, 명도는 예를 들어, 하기의 수학식 1을 이용하여 연산될 수도 있다.
[수학식 1]
수학식 1에서 V는 명도를 의미하고, R, G, B는 각각 보정계수 적용부(153)에 의해 보정된 R값, 보정된 G값 및 보정된 B값을 의미한다.
색조는, 예를 들어, 하기의 수학식 2를 기반으로 연산될 수도 있다.
[수학식 2]
수학식 2에서 H는 색조를 의미한다. V는 명도로 수학식 1을 기반으로 연산된 것일 수 있다. 또한, R, G, B는 각각 보정된 R값, 보정된 G값 및 보정된 B값을 의미한다.
또한, 채도는, 하기의 수학식 3을 이용하여 연산될 수 있다.
[수학식 3]
수학식 3에서 S는 채도이고, V는 명도이다. R, G, B는 상술한 바와 같이 보정된 R값, 보정된 G값 및 보정된 B값이다.
보정계수 적용부(153)에 의해 획득된 보정된 색상 값(일례로 보정된 R값, 보정된 G값 및/또는 보정된 B값)이나, 또는 속성값 획득부(154)에 의해 연산된 속성 값(명도, 색조 및 채도 중 적어도 하나)는, 필요에 따라서 저장부(93) 등에 저장되거나 사용자 인터페이스(19)를 통해 외부로 출력될 수 있다. 또한, 보정된 색상 값이나 연산된 속성 값 등은 진단용 영상 보정 장치(90)와 연결된 다른 장치(일례로 서버용 하드웨어 장치)로 전달될 수도 있으며, 이 경우 다른 장치는 후술하는 진단부(160)와 동일하게 보정된 색상 값이나 연산된 속성 값을 기반으로 진단 동작을 수행할 수도 있다.
진단부(160)는, 보정된 색상 값(보정된 R값, 보정된 G값 및/또는 보정된 B값)이나 획득된 속성 값을 기반으로 목표가 되는 진단용 인식 영역(24-K)의 색상을 판별하고, 목표가 되는 진단용 인식 영역(24-K)에 대응하는 진단 결과를 획득할 수 있다. 이 경우, 진단부(160)는 저장부(93)에 저장된 디지털화된 표준 비색표를 참조하여 진단용 인식 영역(24-K)의 판별된 색상에 대응하는 진단 결과를 결정하는 것도 가능하다.
이상 프로세서(100)가 영상 왜곡 보정, 불량 감지, 그림자 인식, 정규화 처리, 색상 보정 및 진단 과정을 순차적으로 수행하는 것으로 설명하였으나, 이러한 처리 순서는 예시적인 것이다. 프로세서(100)의 처리 순서는 이에 한정되지 않는다. 예를 들어, 프로세서(100)는, 불량 감지 동작이나 그림자 인식 동작 등을 왜곡 보정 동작에 선행하여 수행할 수도 있다. 또한 프로세서(100)는 정규화 처리나 진단 결과 등의 동작은 수행하지 않을 수도 있다.
이하 도 15를 참조하여 진단용 영상 보정 방법의 여러 실시예에 대해서 설명하도록 한다.
도 15는 진단용 영상 보정 방법의 일 실시예에 대한 흐름도이다.
도 15에 도시된 바에 따르면, 먼저 실제 검사키트에 대해 소변 등의 검체가 묻어, 검체가 묻은 검사키트가 획득될 수 있다(400). 여기서, 검사키트는 촬영된 영상의 검사키트의 크기, 배율, 방향 및/또는 기울어짐 등을 감지하기 위해 이용되는 왜곡 보정용 영역(일례로 QR코드 등)과, 촬영된 영상의 색상 값(RGB 값)의 보정을 위해 이용되는 색상 보정용 영역과, 검사키트에의 그림자 존재를 판단하기 위한 그림자 인식 영역과, 비색 수행을 위한 진단용 인식 영역을 포함할 수 있다. 필요에 따라서 왜곡 보정용 영역, 색상 보정용 영역 및 그림자 인식 영역 중 적어도 하나는 생략 가능하다. 검사키트는, 일 실시예에 있어서, 소변 검사용 시험지를 포함할 수도 있다. 검체가 묻은 검사키트는, 진단용 영상 보정 장치(일례로 스마트폰, 태블릿 피씨 또는 데스크톱 컴퓨터 등)에 의해 촬영되고, 검사키트를 포함하는 영상이 획득된다.
진단용 영상 보정 장치는, 검사키트에 대한 영상을 획득하고, 검사키트의 왜곡 보정용 영역을 이용하여 영상 내의 검사키트의 왜곡을 보정할 수 있다(402). 구체적으로 예를 들어, 먼저 왜곡 보정용 영역이 QR 코드인 경우, 파인더 패턴이 검출되고, 이를 기반으로 QR코드의 중심점 등이 획득될 수 있다. 이어서, 어느 하나의 파인더 패턴과 중심점 간의 거리가 결정되고, 결정된 파인더 패턴과 중심점 간의 거리와 실제 검사키트의 대응하는 부분 간의 거리의 비교를 통해 영상 내의 왜곡 보정용 영역 및 실제 왜곡 보정용 영역 간의 배율이 결정되고, 결정된 배율에 따라서 왜곡 보정용 영역의 크기 또는 왜곡 보정용 영역을 포함하는 영상 내의 검사키트의 크기가 보정될 수 있다. 또한, 왜곡 보정용 영역의 상 측에 위치한 두 개의 파인더패턴 간의 수평 거리와 하 측에 위치한 파인더패턴과 다른 지점 간의 수평 거리를 이용하거나, 및/또는 좌 측에 두 개의 파인더패턴 간의 수직 거리와 우 측에 위치한 파인더패턴과 다른 지점 간의 수직 거리를 이용하여 왜곡 보정용 영역의 기울어짐이 판단되고, 판단 결과에 따라서 왜곡 보정용 영역 또는 왜곡 보정용 영역을 포함하는 영상 상의 검사키트의 기울어짐 등이 보정된다.
이어서, 검사키트 내의 각각의 진단용 인식 영역 중 적어도 하나에 불량이 존재하는지 여부가 판단된다(404). 여기서, 불량은 소정의 진단용 인식 영역이 예정된 위치가 아닌 상이한 위치에 배치된 위치 불량을 포함할 수 있다. 일 실시예에 따르면, 이를 위해서 진단용 인식 영역이 예정된 위치에 적어도 하나의 검출 영역이 설정되어 배치되고, 설정된 검출 영역 내의 영상 데이터가 획득되고, 획득된 영상 데이터에 대응하는 히스토그램이 생성된다. 히스토그램이 생성되면, 히스토그램의 데이터 중 그 값이 최대인 데이터와 그 값이 최소인 데이터 사이의 값의 차이가 연산되고, 연산된 차이가 미리 정의된 범위에 해당하지 않는 경우, 불량이 존재한다고 판단된다. 불량이 존재하는 경우, 해당 불량은 보정된다. 예를 들어, 불량은 원하는 값을 갖지 않는 화소를 검출하고, 화소 단위로 X축 및/또는 Y축 방향으로 벗어난 정도를 계수한 후, 계수 결과를 기반으로 위치 오류가 존재하는 각각의 진단용 인식 영역을 소프트웨어적으로 이동시킴으로써 수행될 수 있다.
일 실시예에 의하면, 실제 촬영 시 검사키트에 그림자가 존재하였는지 여부가 판단된다(406). 그림자의 존재 여부의 판단은 영상 내의 검사키트 내의 그림자 영역(그림자 영역은, 예를 들어, 왜곡 보정용 징역 및 진단용 인식 영역 사이에 배치된 빈 공간을 포함할 수 있음) 내의 데이터를 획득하고, 이들 데이터를 이용하여 수행될 수도 있다. 예를 들어, 데이터는 어느 하나의 파인더패턴이나 또 다른 파인더패턴으로부터 중심점을 통과하여 연장된 선분 중에서 어느 하나의 파인더패턴과 중심점 사이의 거리로부터 연산된 거리(일례로 파인더패턴과 중심점 사이의 거리의 1.5배)가 되는 제1 지점과, 제1 지점에서 수평 방향으로 소정의 거리(일례로 파인더패턴과 중심점 사이의 거리의 루트 1.5배)로 격리된 제2 지점을 결정하고, 제1 지점에서 제2 지점까지 라인 스캔을 수행하여 획득될 수도 있다.
이어서 그림자의 존재 여부가 판단될 수 있다(408). 그림자의 존재 여부는, 획득된 데이터의 평균을 연산하고, 연산된 평균이 미리 정의된 그림자 판단 범위에 해당하는지 여부를 기반으로 판단될 수 있다. 이 경우, 그림자 판단 범위는, 사용자나 설계자에 의해 정의된 것일 수 있으며, 예를 들어, 30 이상 250 이하로 정의될 수도 있다. 만약 데이터의 평균 값이 그림자 판단 범위보다 작아 영상 속의 검사키트에 그림자가 존재한다고 판단되면(408의 예), 진단용 영상 보정 장치는 시각적 또는 청각적으로 사용자에게 재촬영 안내 메시지(일례로 보다 밝은 곳에서 재촬영할 것을 요청하는 메시지)를 출력하고, 이에 따라 실제 검사키트에 대한 재촬영이 수행된다. 필요에 따라, 데이터의 평균 값이 그림자 판단 범위보다 지나치게 커서 검사키트에 대한 영상이 지나치게 밝다고 판단되는 경우에도, 재촬영 메시지(일례로 조금 더 어두운 곳에서 재촬영할 것을 요청하는 메시지)가 출력될 수도 있다.
만약 그림자가 존재하지 않다고 판단되면(408의 아니오. 필요에 따라 지나치게 밝은 곳에서 촬영되지 않은 경우도 포함할 수 있음), 정규화 처리가 수행될 수 있다(410). 정규화 처리는 왜곡 보정용 영역을 기반으로 처리 목표가 되는 진단용 인식 영역의 위치를 결정하여 처리 목표가 되는 진단용 인식 영역을 획득하고, 처리 목표가 되는 진단용 인식 영역의 데이터를 추출하고 추출한 데이터를 기반으로 히스토그램을 생성하고, 필요에 따라 히스토그램에 대한 리스케일링이나 그레이 스케일링 처리를 수행한 후, 히스토그램에 대한 정규화가 수행될 수 있다. 정규화는 히스토그램의 연속된 데이터를 이용하여 수행될 수 있으며, 예를 들어, 히스토그램 내의 연속된 3개의 데이터 중에서 가장 큰 값을 제외한 나머지 데이터의 평균 값을, 연속된 3개의 데이터 중에서 가운데 있는 데이터에 대응하는 값으로 결정하는 과정을, 히스토그램의 모든 또는 일부의 데이터에 대해 수행하고, 이를 적어도 일 회 반복하여 정규화된 히스토그램을 획득할 수 있다. 히스토그램의 정규화에 따라 영상에 존재하는 빛 반사가 제거될 수도 있다.
이어서 상술한 바와 같이 보정된 영상에 대해 색상 보정이 수행될 수 있다(412). 색상 보정은, 구체적으로 색상 보정용 영역을 추출하고, 색상 보정용 영역의 색상 값을 획득하고, 획득한 색상 값을 이용하여 보정 계수를 연산하고, 연산된 보정 계수를 목표가 되는 진단용 인식 영역의 데이터에 적용하여 진단용 인식 영역 데이터를 보정하는 과정을 통해 수행될 수 있다. 여기서, 각 영역의 보정 계수는 색상 값(R값, G값 및 B값) 각각마다 획득될 수 있으며, 보정 계수의 연산은, 구체적으로 예를 들어 각 영역의 각각의 색상 값(R값, G값 및 B값)에 대한 이상적인 색상 값(즉, 이상 값)을 각 영역의 각각의 색상 값(R값, G값 및 B값)으로 차감하여 수행될 수도 있다. 연산된 보정 계수를 목표가 되는 진단용 인식 영역의 데이터에 적용하는 과정은, 해당 진단용 인식 영역 내의 데이터의 각각의 색상 값(R값, G값 및 B값)에 대해 선별된 보정 계수를 합산하여 수행될 수 있으며, 여기서, 합산되는 보정 계수는 진단용 인식 영역의 각각의 색상 값(R값, G값 및 B값) 중 가장 큰 값을 기준으로 선별된 것일 수 있다.
필요에 따라서, 보정 계수가 적용된 진단용 인식 영역에 대한 보정된 색상 값(즉, 보정된 R값, 보정된 G값 및 보정된 B값)을 기반으로 적어도 하나의 속성(일례로, 명도, 색조 및 채도 중 적어도 하나)이 더 연산될 수도 있다. 명도, 색조 및 채도는, 각각 상술한 수학식 1 내지 수학식 3을 이용하여 연산 가능하다.
또한, 추가적으로 보정된 색상 값(보정된 R값, 보정된 G값 및 보정된 B값)이나 획득된 속성 값을 기반으로 목표가 되는 진단용 인식 영역의 색상은 판별될 수 있으며, 판별된 색상을 이용하여 이에 대응하는 진단 결과가 획득될 수도 있다. 이에 따라 실제 검사키트의 변색에 적절한 진단 결과의 획득 및 제공이 가능하게 된다.
상술한 실시예에 따른 각각의 과정(402 내지 412) 중 적어도 둘은, 실시예에 따라서, 도 15에 도시된 바와 상이한 순서로 수행되거나 또는 동시에 수행될 수도 있다.
상술한 실시예에 따른 진단용 영상 보정 방법은, 컴퓨터 장치에 의해 구동될 수 있는 프로그램의 형태로 구현될 수 있다. 프로그램은, 명령어, 라이브러리, 데이터 파일 및/또는 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며, 기계어 코드나 고급 언어 코드를 이용하여 설계 및 제작된 것일 수 있다. 프로그램은 상술한 방법을 구현하기 위하여 특별히 설계된 것일 수도 있고, 컴퓨터 소프트웨어 분야에서 통상의 기술자에게 기 공지되어 사용 가능한 각종 함수나 정의를 이용하여 구현된 것일 수도 있다. 또한, 여기서, 컴퓨터 장치는, 프로그램의 기능을 실현 가능하게 하는 프로세서나 메모리 등을 포함하여 구현된 것일 수 있으며, 필요에 따라 통신 장치를 더 포함할 수도 있다. 상술한 진단용 영상 보정 방법을 구현하기 위한 프로그램은, 컴퓨터 등의 장치에 의해 판독 가능한 기록 매체에 기록될 수 있다. 컴퓨터에 의해 판독 가능한 기록 매체는, 예를 들어, 롬, 램, SD카드 또는 플래시 메모리(일례로 솔리드 스테이트 드라이브(SSD) 등)와 같은 반도체 저장 매체나, 하드 디스크 또는 플로피 디스크 등과 같은 자기 디스크 저장 매체나, 콤팩트 디스크 또는 디브이디 등과 같은 광 기록 매체나, 또는 플롭티컬 디스크 등과 같은 자기-광 기록 매체 등과 같이 컴퓨터 등의 장치의 호출에 따라 실행되는 하나 이상의 프로그램을 일시적 또는 비일시적으로 저장 가능한 적어도 한 종류의 물리적 저장 매체를 포함할 수 있다.
이상 진단용 영상 보정 시스템 및 진단용 영상 보정 방법의 여러 실시예에 대해 설명하였으나, 진단용 영상 보정 시스템 또는 진단용 영상 보정 방법은 오직 상술한 실시예에 한정되는 것은 아니다. 해당 기술 분야에서 통상의 지식을 가진 자가 상술한 실시예를 기초로 수정 및 변형하여 구현할 수 있는 다른 다양한 시스템이나 방법 역시 상술한 진단용 영상 보정 시스템 또는 진단용 영상 보정 방법의 일 실시예가 될 수 있다. 예를 들어, 설명된 방법(들)이 설명된 바와 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소(들)가 설명된 바와 다른 형태로 결합, 연결 또는 조합되거나 다른 구성 요소 또는 균등물 등에 의하여 대치 또는 치환되더라도, 상술한 진단용 영상 보정 시스템 및/또는 진단용 영상 보정 방법의 일 실시예가 될 수 있다.
1: 진단용 영상 보정 시스템
10: 검사키트
11: 왜곡 보정용 영역 12: 색상 보정용 영역
13: 그림자 인식 영역 14: 진단용 인식 영역
100: 프로세서 110: 영상 왜곡 보정부
120: 불량 감지부 130: 그림자 인식부
140: 정규화 처리부 150: 색상 보정부
160: 진단부
11: 왜곡 보정용 영역 12: 색상 보정용 영역
13: 그림자 인식 영역 14: 진단용 인식 영역
100: 프로세서 110: 영상 왜곡 보정부
120: 불량 감지부 130: 그림자 인식부
140: 정규화 처리부 150: 색상 보정부
160: 진단부
Claims (20)
- 왜곡 보정용 영역, 적어도 하나의 색상 보정용 영역 및 적어도 하나의 진단용 인식 영역을 포함하는 검사키트; 및
상기 검사키트를 촬영하여 상기 검사키트에 대한 영상을 획득하고, 상기 왜곡 보정용 영역을 이용하여 상기 영상의 왜곡을 보정하고, 상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 진단용 영상 보정 장치;를 포함하는 진단용 영상 보정 시스템. - 제1항에 있어서,
상기 왜곡 보정용 영역은, QR 코드를 포함하고,
상기 진단용 영상 보정 장치는, 상기 QR 코드의 파인더패턴을 검출하고, 상기 파인더패턴을 이용하여 중심점을 획득하고, 상기 파인더패턴과 상기 중심점 사이의 거리를 기반으로 상기 영상 내의 왜곡 보정용 영역 및 상기 검사키트의 왜곡 보정용 영역 간의 배율을 결정하고, 결정된 상기 배율에 따라서 왜곡 보정용 영역의 크기 또는 왜곡 보정용 영역을 포함하는 영상 내의 검사키트의 크기를 보정하는 진단용 영상 보정 시스템. - 제1항에 있어서,
상기 진단용 영상 보정 장치는, 상기 진단용 인식 영역이 예정된 위치에 적어도 하나의 검출 영역을 설정하고, 상기 검출 영역 내의 영상 데이터를 획득하고, 상기 검출 영역 내의 영상 데이터를 기반으로 히스토그램을 생성하고, 상기 히스토그램의 최대 값과 최소 값의 차이를 연산하고, 상기 차이를 기반으로 상기 진단용 인식 영역의 위치 불량 여부를 판단하는 진단용 영상 보정 시스템. - 제1항에 있어서,
상기 검사키트는, 그림자 인식 영역을 더 포함하고,
상기 진단용 영상 보정 장치는, 상기 그림자 인식 영역의 데이터를 획득하고, 상기 그림자 인식 영역의 데이터의 평균을 연산하고, 상기 그림자 인식 영역의 데이터의 평균이 미리 정의된 그림자 판단 범위보다 작으면, 상기 검사키트에 그림자가 존재한다고 판단하는 진단용 영상 보정 시스템. - 제4항에 있어서,
상기 진단용 영상 보정 장치는, 상기 왜곡보정용지역의 중심점에서 일 지점을 지나 연장된 선분 상에서, 중심점으로부터 일정한 길이에 해당하는 제1 지점을 선택하고, 제1 지점으로부터 수평 방향으로 미리 정의된 거리로 이격된 제2 지점을 선택하고, 제1 지점 및 제2 지점 사이에서 라인 스캔을 수행함으로써 상기 그림자 인식 영역의 데이터를 획득하는 진단용 영상 보정 시스템. - 제4항에 있어서,
상기 진단용 영상 보정 장치는, 상기 그림자 인식 영역의 데이터의 평균이 미리 정의된 그림자 판단 범위보다 크면, 검사키트가 촬영된 것으로 판단하는 진단용 영상 보정 시스템. - 제1항에 있어서,
상기 진단용 영상 보정 장치는, 상기 영상으로부터 상기 적어도 하나의 색상 보정용 영역을 추출하고, 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값을 획득하고, 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값 각각에 대해 대응하는 이상 값을 차감하여 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값 각각에 대응하는 보정 계수를 획득하는 진단용 영상 보정 시스템. - 제7항에 있어서,
상기 진단용 영상 보정 장치는, 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값을 획득하고, 적용될 보정 계수를 선택하고, 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값 각각에 선택된 상기 보정 계수를 합산하여 보정된 R값, 보정된 G값 및 보정된 B값을 획득하는 진단용 영상 보정 시스템. - 제8항에 있어서,
상기 진단용 영상 보정 장치는, 상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값 중 가장 큰 값을 기준으로 상기 적용될 보정 계수를 선택하는 진단용 영상 보정 시스템. - 제1항에 있어서,
상기 진단용 영상 보정 장치는, 상기 색상이 보정된 상기 적어도 하나의 진단용 인식 영역을 이용하여 진단을 수행하는 진단용 영상 보정 시스템. - 왜곡 보정용 영역, 적어도 하나의 색상 보정용 영역 및 적어도 하나의 진단용 인식 영역을 포함하는 검사키트를 촬영하여 상기 검사키트에 대한 영상을 획득하는 단계;
상기 왜곡 보정용 영역을 이용하여 상기 영상의 왜곡을 보정하는 단계; 및
상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 단계;를 포함하는 진단용 영상 보정 방법. - 제11항에 있어서,
상기 왜곡 보정용 영역을 이용하여 상기 영상의 왜곡을 보정하는 단계는,
상기 왜곡 보정용 영역의 파인더패턴을 검출하는 단계;
상기 파인더패턴을 이용하여 중심점을 획득 하는 단계;
상기 파인더패턴과 상기 중심점 사이의 거리를 기반으로 상기 영상 내의 왜곡 보정용 영역 및 상기 검사키트의 왜곡 보정용 영역 간의 배율을 결정 하는 단계; 및
결정된 상기 배율에 따라서 왜곡 보정용 영역의 크기를 보정하거나 또는 왜곡 보정용 영역을 포함하는 영상 내의 검사키트의 크기를 보정하는 단계;를 포함하는 진단용 영상 보정 방법. - 제11항에 있어서,
상기 진단용 인식 영역이 예정된 위치에 적어도 하나의 검출 영역을 설정하는 단계;
상기 검출 영역 내의 영상 데이터를 획득하는 단계;
상기 검출 영역 내의 영상 데이터를 기반으로 히스토그램을 생성하는 단계;
상기 히스토그램의 최대 값과 최소 값의 차이를 연산하는 단계; 및
상기 차이를 기반으로 상기 진단용 인식 영역의 위치 불량 여부를 판단하는 단계;를 더 포함하는 진단용 영상 보정 방법. - 제11항에 있어서,
상기 그림자 인식 영역의 데이터를 획득하는 단계;
상기 검사키트의 그림자 인식 영역의 데이터의 평균을 연산하는 단계;
상기 그림자 인식 영역의 데이터의 평균이 미리 정의된 그림자 판단 범위보다 작으면, 상기 검사키트에 그림자가 존재한다고 판단하는 단계;를 더 포함하는 진단용 영상 보정 방법. - 제14항에 있어서,
상기 그림자 인식 영역의 데이터를 획득하는 단계는,
상기 왜곡보정용지역의 중심점에서 일 지점을 지나 연장된 선분 상에서 중심점으로부터 일정한 길이에 해당하는 제1 지점을 선택하는 단계;
제1 지점으로부터 수평 방향으로 미리 정의된 거리로 이격된 제2 지점을 선택하는 단계; 및
제1 지점 및 제2 지점 사이에서 라인 스캔을 수행함으로써 상기 그림자 인식 영역의 데이터를 획득하는 단계;를 포함하는 진단용 영상 보정 방법. - 제14항에 있어서,
상기 그림자 인식 영역의 데이터의 평균이 미리 정의된 그림자 판단 범위보다 크면, 검사키트가 촬영된 것으로 판단하는 단계;를 더 포함하는 진단용 영상 보정 방법. - 제11항에 있어서,
상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 단계는,
상기 영상으로부터 상기 적어도 하나의 색상 보정용 영역을 추출하는 단계;
상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값을 획득하는 단계; 및
상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값 각각에 대해 대응하는 이상 값을 차감하여 상기 적어도 하나의 색상 보정용 영역의 R값, G값 및 B값 각각에 대응하는 보정 계수를 획득하는 단계;를 포함하는 진단용 영상 보정 방법. - 제17항에 있어서,
상기 적어도 하나의 색상 보정용 영역을 이용하여 상기 적어도 하나의 진단용 인식 영역의 색상을 보정하는 단계는,
상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값을 획득하는 단계;
적용될 보정 계수를 선택하는 단계; 및
상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값 각각에 선택된 상기 보정 계수를 합산하여 보정된 R값, 보정된 G값 및 보정된 B값을 획득하는 단계;를 포함하는 진단용 영상 보정 방법. - 제18항에 있어서,
상기 적용될 보정 계수를 선택하는 단계는,
상기 적어도 하나의 진단용 인식 영역의 R값, G값 및 B값 중 가장 큰 값을 기준으로 상기 적용될 보정 계수를 선택하는 단계;를 포함하는 진단용 영상 보정 방법. - 제11항에 있어서,
상기 색상이 보정된 상기 적어도 하나의 진단용 인식 영역을 이용하여 진단을 수행하는 단계;를 더 포함하는 진단용 영상 보정 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220000741A KR102597459B1 (ko) | 2022-01-04 | 2022-01-04 | 진단용 영상 보정 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220000741A KR102597459B1 (ko) | 2022-01-04 | 2022-01-04 | 진단용 영상 보정 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230105405A true KR20230105405A (ko) | 2023-07-11 |
KR102597459B1 KR102597459B1 (ko) | 2023-11-02 |
Family
ID=87159503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220000741A KR102597459B1 (ko) | 2022-01-04 | 2022-01-04 | 진단용 영상 보정 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102597459B1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08331385A (ja) * | 1995-05-31 | 1996-12-13 | Konica Corp | 放射線画像処理方法 |
JP2010044586A (ja) * | 2008-08-12 | 2010-02-25 | Nippon Telegr & Teleph Corp <Ntt> | 2次元コード読取装置とそのプログラム |
WO2015038717A1 (en) * | 2013-09-11 | 2015-03-19 | Wellumina Health, Inc. | System for diagnostic testing of liquid samples |
JP2018098583A (ja) * | 2016-12-09 | 2018-06-21 | キヤノン株式会社 | 画像処理装置及び方法、及び撮像装置 |
US20190346429A1 (en) * | 2016-12-09 | 2019-11-14 | Basil Leaf Technologies, Llc | Automated camera-based optical assessment system and method |
-
2022
- 2022-01-04 KR KR1020220000741A patent/KR102597459B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08331385A (ja) * | 1995-05-31 | 1996-12-13 | Konica Corp | 放射線画像処理方法 |
JP2010044586A (ja) * | 2008-08-12 | 2010-02-25 | Nippon Telegr & Teleph Corp <Ntt> | 2次元コード読取装置とそのプログラム |
WO2015038717A1 (en) * | 2013-09-11 | 2015-03-19 | Wellumina Health, Inc. | System for diagnostic testing of liquid samples |
JP2018098583A (ja) * | 2016-12-09 | 2018-06-21 | キヤノン株式会社 | 画像処理装置及び方法、及び撮像装置 |
US20190346429A1 (en) * | 2016-12-09 | 2019-11-14 | Basil Leaf Technologies, Llc | Automated camera-based optical assessment system and method |
Also Published As
Publication number | Publication date |
---|---|
KR102597459B1 (ko) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11802839B2 (en) | Quantifying color changes in chemical test pads induced by different concentrations of analytes under different lighting conditions | |
CN106546581A (zh) | 试纸检测卡智能检测系统以及试纸检测卡智能分析方法 | |
KR102237583B1 (ko) | 빌리루빈 레벨의 추정 | |
EP2916117A1 (en) | Quantifying color changes of chemical test pads induced by specific concentrations of biological analytes under different lighting conditions | |
US9418414B2 (en) | Image measurement apparatus, image measurement method and image measurement system | |
US20130308852A1 (en) | System and method for robust estimation of color dependent measurements | |
US11436758B2 (en) | Method and system for measuring biochemical information using color space conversion | |
JP2015535108A (ja) | デジタル画像における錠剤の認識のための適応色補正のシステム及び方法 | |
CN109887044B (zh) | 一种生殖数据测评方法及系统 | |
CN108156452A (zh) | 一种检测传感器的方法、装置、设备及存储介质 | |
US20160100146A1 (en) | Imaging apparatus, image processing method, and medium | |
EP1976308A2 (en) | Device and method for measuring noise characteristics of image sensor | |
KR20230105405A (ko) | 진단용 영상 보정 시스템 및 방법 | |
JP7151873B2 (ja) | 検査装置 | |
CN112749664A (zh) | 一种手势识别方法、装置、设备、系统及存储介质 | |
KR102550665B1 (ko) | 마이크로 니들 패치를 이용한 반려동물 알레르기 진단 시스템 및 방법 | |
CN111815552A (zh) | 一种工件检测方法、装置、可读存储介质及终端设备 | |
JPWO2020003764A1 (ja) | 画像処理装置、移動装置、および方法、並びにプログラム | |
KR102226943B1 (ko) | 검출 방법 및 검출 패드 | |
TW201404120A (zh) | 測試系統、成像裝置以及測試方法 | |
CN114972065A (zh) | 色差校正模型的训练方法、系统、电子设备和移动设备 | |
KR100929386B1 (ko) | 고속 직렬 통신 규격이 채용된 디지털 카메라의 해상력평가 장치 | |
JPH10239027A (ja) | 膜厚測定装置 | |
JP6859659B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN116593452A (zh) | 食品安全检测方法、系统及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |