WO2013115422A1 - 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 - Google Patents
디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 Download PDFInfo
- Publication number
- WO2013115422A1 WO2013115422A1 PCT/KR2012/000806 KR2012000806W WO2013115422A1 WO 2013115422 A1 WO2013115422 A1 WO 2013115422A1 KR 2012000806 W KR2012000806 W KR 2012000806W WO 2013115422 A1 WO2013115422 A1 WO 2013115422A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- image
- digital image
- analysis
- fractal analysis
- pixel
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Definitions
- the present invention relates to a method for detecting an object using multiple fractal analysis of a digital image. More specifically, the present invention relates to a digital image obtained by photographing a target area including an object such as a pest or worm of a crop, plankton or fish in the water. The present invention relates to an object detection method using multiple fractal analysis of a digital image which is analyzed by a pattern recognition algorithm to which the multiple fractal analysis technique is applied to improve the detection accuracy and accuracy of the object.
- Identifying objects such as pests, insects, underwater plankton or fish that cause damage to cultivated crops from the surrounding environment, or identifying the number of objects in the target area is intended for industrial use and industrial management / supervision, or scientific research / experiment This is often done for the purpose of doing so.
- the operator or the administrator can directly count the object from the target area, but this has a problem that takes a long time to count the object, especially in the case of small objects there is a limit that the object count is not accurate and precise.
- crops are easy to be exposed to various pests during the cultivation process, the growth of crops during the pest degradation, there was a problem that the crop yield falls.
- the most important factor of crop loss that occurs during plant growth or crop growth is caused by pests.
- pests mediate the disease of crops, prior detection is very important.In the case of crop cultivation in greenhouses that are particularly sensitive to insects or pests, workers often check the crop for pests, and It should be monitored for the presence of crop subjects.
- Insect / pest detection method based on the captured image has a limitation that precision and accuracy are inferior because it reacts sensitively to changes in lighting or light in greenhouses in which crops are grown, and there is a need for improvement.
- the present invention was created to solve the above problems, by analyzing a digital image through a multiple fractal analysis algorithm to detect an object such as pests, worms, plankton, fish from the target area to minimize the effects of external noise or external light It is an object of the present invention to provide a method for detecting an object using multiple fractal analysis of a digital image of a new type in which the detection of is performed stably and the accuracy of the object coefficient is improved.
- the present invention analyzes the image obtained by photographing the sticky trap or crop leaves through a pattern recognition algorithm such as a multi-fractional analysis to automatically determine the pests of fine size such as powdery, and automatically count the number of pests automatically
- a pattern recognition algorithm such as a multi-fractional analysis to automatically determine the pests of fine size such as powdery, and automatically count the number of pests automatically
- the purpose of this study is to provide a method for detecting an object using multiple fractal analysis of a digital image of a new type that can monitor crop pests quickly and precisely, and to prevent crop pests and optimize crop growth environment. have.
- a method of detecting an object using multiple fractal analysis of a digital image of the present invention comprises: an image acquiring step of acquiring a digital image of a predetermined target region, and performing a multiple fractal analysis algorithm on the digital image to perform the digital image.
- the value of ⁇ is generally selected to 256 when targeting gray level images.
- the image acquisition step is a photographing step of photographing a predetermined target area, an image conversion step of converting the image photographed in the photographing step into a digital gray scale image Characterized in that it comprises a.
- the multi-fraction analysis step is characterized by discontinuous the fender index to R values.
- Phosphorus index (m, n) is replaced by r , where the value of R typically selects 100.
- N i is defined as r
- f Husdorff scale value of the pixel with (m, n) coordinates ) -Ln N i ( r ) / ln i, i ⁇ i, which is calculated as an extreme value of i
- f ( ) Is assigned to each pixel of the digital image so that f ( ) -Generate an analysis image, wherein -ln N i ( The limit value of r ) / ln i is a value when i ⁇ 1, but -Ln N i ( and r ) / ln i is the slope of the linear regression line for i 1,2,3.
- the characteristic function ⁇ i (m, n) is the maximum characteristic function of Equation 1, the minimum characteristic function of Equation 2, It is characterized in that it is any one selected from the sum characteristic function of 3), the isotropic scale characteristic function group of the formula (4).
- the object is a pest, plankton, fish, and the characteristic function ⁇ i (m, n) is characterized in that the minimum value.
- the object detection method using the multiple fractal analysis of the digital image of the present invention as described above is to detect the object, such as pests, common insects, plankton, fish of a predetermined size by a pattern recognition algorithm such as a multiple fractal analysis algorithm. That is, the detection of the object is stably performed while minimizing the influence of external noise or external light, and the accuracy and accuracy of the object count are improved.
- the present invention is applied to a greenhouse, such as a plastic house in which various crops are grown, to determine pests attached to sticky traps or pests attached to crop leaves, and to monitor pests of crops quickly and precisely by counting the number of pests. It has the effect of preventing the pests of crops and optimizing the growing environment of crops.
- FIG. 1 is a block diagram illustrating an object detection method using multiple fractal analysis of a digital image according to an embodiment of the present invention
- FIG. 2 is a photograph showing an image generated in a multiple fractal analysis step of an object detection method using multiple fractal analysis of a digital image according to an embodiment of the present invention to which dust is detected (before applying a noise removing algorithm);
- FIG. 2 is a photograph showing an image generated in a multiple fractal analysis step of an object detection method using multiple fractal analysis of a digital image according to an embodiment of the present invention to which dust is detected (before applying a noise removing algorithm);
- FIG. 3 is a photograph showing dust detected in an object detecting step of a method for detecting an object using multiple fractal analysis of a digital image according to an embodiment of the present invention (Multifractal_TH) applied to dust detection;
- Multifractal_TH multiple fractal analysis of a digital image according to an embodiment of the present invention
- FIG. 4 is a photograph showing dust detected in an object detecting step of an object detecting method using multiple fractal analysis of a digital image according to an embodiment of the present invention (Multifractal_MIN) applied to dust detecting;
- FIG. 5 is a correlation graph of a method for detecting powdery trapped in a sticky trap by multi-fractional analysis (Multifractal_TH) and a method for manually detecting by a worker's perspective;
- Multifractal_TH multi-fractional analysis
- FIG. 6 is a correlation graph of a method of detecting dust captured by a sticky trap by multi-fractional analysis (Multifractal_MIN) and a method of manually detecting by a worker's perspective;
- Multifractal_MIN multi-fractional analysis
- FIG. 7 is a correlation graph of a method for detecting powdery trapped in a sticky trap by watershed segmentation analysis and a method for manually detecting by a worker's perspective;
- FIG. 9 to 11 are photographs showing an embodiment of detecting a small size fish in the water by applying a method for detecting an object using multiple fractal analysis of a digital image according to the present invention
- FIGS. 12 to 14 are photographs showing another embodiment of detecting a small-sized fish existing in the water by applying a method for detecting an object using multiple fractal analysis of a digital image according to the present invention.
- FIGS. 1 to 14 disclose various embodiments of the present invention in detail with reference to the accompanying drawings, FIGS. 1 to 14. Meanwhile, in the drawings and the detailed description, illustrations and descriptions of constructions and operations easily understood by those skilled in the art from general fractal analysis, multiple fractal analysis, and digital image analysis are briefly or omitted. In particular, in the drawings and detailed description of the drawings, detailed descriptions and illustrations of specific technical configurations and operations of elements not directly related to technical features of the present invention are omitted, and only the technical configurations related to the present invention are briefly shown or described. It was.
- the multi-fraction analysis means a method in which a general theoretical analysis method of the multiple fractals, which will be described in detail below, is applied to the analysis of the image, which is the object of the present invention. Or multiple fractal algorithm.
- Object detection method using multiple fractal analysis of the digital image according to the present invention can be applied to a variety of objects, as shown in Figures 2 to 8 to distinguish from the surrounding environment to detect pests or worms that damage the crops
- the present invention may be applied to calculate the number of subjects, or may be applied to distinguish an object such as fish or underwater plankton from the surrounding environment and detect the number of subjects, as shown in FIGS. 9 to 14.
- the object detection method using multiple fractal analysis of the digital image according to the present invention is used for the detection of micro pests such as powdery insects that cause insects on cultivated crops, micro organisms such as plankton in the water and the young of fishes. It can be applied to increase the detection efficiency of micro pests / worms or micro organisms.
- the object detection method using multiple fractal analysis of a digital image according to an embodiment of the present invention is applied to the detection of micro-pests such as floury that causes damage to crops grown in a greenhouse, and to calculate the population of pests.
- An object detection method using multiple fractal analysis of a digital image according to an embodiment includes an image acquisition step, a multiple fractal analysis step, and an object detection step as shown in FIG. 1.
- the image acquiring step is a step of acquiring a digital image of a predetermined target area.
- the target region is an inner region of the greenhouse where the crop or the sticky trap is installed, and the inner region of the greenhouse is divided into partitions having a predetermined size. Digital images for each partition can be obtained.
- a digital image may be obtained for each sticky trap or crop leaf installed in the greenhouse.
- a digital image is composed of a set of pixels forming a 640 ⁇ 480-dimensional matrix, and a larger set of pixels may be configured according to the resolution of an image capturing camera.
- the digital image acquired in the image acquisition step is to be a digital gray scale image, for convenience and precision of analysis.
- the image acquisition step according to an embodiment of the present invention includes a photographing step of photographing a predetermined target area and an image conversion step of converting the photographed image in the photographing step into a digital gray scale image.
- the digital gray scale image has a gray scale which is determined as a function of discrete magnitude of the discrete W - level.
- a multiple fractal analysis algorithm is performed on a digital image to correspond to each pixel of the digital image.
- Exponent And f the Hausdorff scale,
- the general method of calculating the Fender index has been recalled.
- a characteristic function must be defined, and four equations are presented in Equation 1 through Equation 4.
- the minimum value characteristic function of Equation 2 is used as the characteristic function, because the minimum value characteristic function of Equation 2 increases the segmentation efficiency and thus increases the detection efficiency of the fine object.
- each fender index calculated as above Is assigned to each pixel of the digital image Create an image.
- the Hausdorff scale, f ( The method of calculating) is also described above. Also, for each Hausdorff scale, f ( ) Is reassigned to each pixel of the digital image, as shown in FIG. )-Create an analysis image.
- the object detection step includes the respective f ( ) Is generated by assigning to each pixel of the digital image ) -Detecting the object from the analysis image.
- the method of region minimum acquisition was applied to filter out the object area without using a fixed threshold value.
- f The values of the analytical image change with the degree of homogeneity of the original image. That is, points located within regions of homogeneity (e.g. backgrounds) are f ( )-Shows higher values in the analysis image.
- foreground objects such as grids printed on an object or sticky traps, have f ( )-Shows low values in the analysis image.
- low f Dots showing) -analytical image values represent objects (ie powder).
- Low f The objects identified by the analytical image values were regarded as the local minimum area.
- the local minimum area of the object image shows a high value against the background.
- F using extended-minima transform, which is efficient for dealing with contrast and contrast
- the local minimum region of the analysis image was extracted. Through different images used in the test (0-255), f ( )-The variable values of the analysis images were standardized. Next, the local minimums are f ( )-Extracted from the contrast value of the analysis image as the subject area. As shown in FIG. 2, areas of the object and other objects (eg, lines and letters) are included in the filtered image. However, the object areas showed a distinct pattern (several points with small holes) unlike other objects in the image. Morphological techniques (eg, image corrosion-image expansion) were then performed to fill the holes in the object area and reduce noise. Instead of using a fixed threshold, we decided to call the local minimum region "Multifractal MIN".
- the image still shows out-of-purpose regions generated by other image sources such as reflected or diffused light and green grids printed on the trap.
- Two categories of size and contrast values are additionally used to select object areas from the remaining blobs. Since the size of the object (adult dust) is in a similar range of approximately 2 mm x 1 mm and the distance from the sticky trap of the camera is fixed, the object area can be represented by a narrow range of pixel sizes. Large blobs are usually produced by the green grids [Fig. 4] (eg, dashed lines, characters) seen in the sticky trap.
- the maximum length of the object area in the analytical image was calculated to be about 10 pixels in the entire image of 640 ⁇ 480 pixels. Therefore, the maximum height (h) and width (w) of the object image were 10 pixels (h ⁇ 10 and w ⁇ 10), respectively.
- small size stains h ⁇ 3 and w ⁇ 3 were not considered as subject areas. Because these are mostly caused by lighting noise. In the case of pests, size is usually determined, so size may be an important classification criterion in an environment where pest pests are not complicated such as greenhouses.
- Another feature used to detect the subject image is that the subject image has a higher contrast compared to the average contrast of the entire background image. Because the noise region generated by the gratings is darker than the background, the object image was distinguished by the maximum intensity value.
- Subject images were identified using the maximum range of intensity values of the blot (I max ). The average contrast value of the image was calculated from preliminary tests using images under various lighting conditions. The average intensity value of the image was used as a threshold to distinguish the subject image from noises (ie, derived from a grid printed on the trap) and several dark objects attached to the sticky trap. If the blob's maximum intensity value is higher than the threshold (I max > T m ), this blob is considered as the object image, otherwise this object area was removed as noise.
- Such an object detecting step is to set the threshold value L, this threshold value L, such is assigned to each pixel constituting the digital image f ( It can be set to the average value of).
- f (f) assigned to each pixel of the digital image based on the threshold value L ( ) L > f ( ) Is determined as a pixel belonging to the grid image, and L ⁇ f ( ) Is detected as a pixel belonging to the object image, and the object is detected as shown in FIG. 3.
- the size (height h and width w) of the object may additionally be used as a reference value for detecting the object.
- the object detection method using the multiple fractal analysis of the digital image is applied to the detection of the micro insects, it is used for the detection of the dusts, 2mm ⁇ 1mm, which is the size of the dusts, as a reference value for the detection of the dusts.
- the resolution of the digital image is 640 ⁇ 480 and the maximum length of the dusty image is 5 pixels, the maximum height h and width w of the dusty image are limited to 5 pixels. ⁇ 5, w ⁇ 5)
- the digital image obtained in the image acquisition step may include light noise due to the incident and reflection of light by the ambient light source.
- noise by a grid pattern printed on the surface of the sticky trap may be included.
- the object detection step may perform the operation of removing noise from the image generated by the above-described multi- fractal analysis through the noise removal algorithm.
- a noise removal algorithm may be performed through morphological operations such as erosion and expansion on an image generated in the multi- fractal analysis step.
- Methods of detecting an object from the target region include a watershed segmentation analysis method and an Otsu analysis method in addition to the object detection method using the multiple fractal analysis of the digital image of the present invention as described above.
- the detection performance of each of the multiple fractal analysis method, watershed segmentation analysis method, and Otsu analysis method is described in [Table 1]. have.
- Table 1 the true positive ratio (TPR) of the multiple fractal analysis method, the watershed segmentation analysis method, and the Otsu analysis method exceeds 90%, but the error positive ratio (FPR) is 11.2% for the multi-fraction analysis method. As the lowest.
- the multi-fractional analysis can minimize noise due to reflection of light on the surface of the trap and various spots due to methodological characteristics reflecting not only local information but also overall characteristics of the image.
- the reliability of the detection is higher than that of other analytical methods, so that it can be used more comprehensively in the detection of an object. Therefore, the object detection method using multiple fractal analysis of the digital image of the present invention can be effectively applied to object detection in noisy outdoor conditions.
- FIG. 4 is a correlation graph of a method for detecting dust captured by a sticky trap by multiple fractal analysis and a manual detection method by a worker's perspective
- FIG. 5 shows watershed segmentation analysis of dust captured by a sticky trap.
- Is a correlation graph of a method of detecting by a worker's time and a method of manually detecting by a worker's time
- FIG. 6 shows a method of detecting powdery trapped in a sticky trap by Otsu analysis and a manual detection by a worker's time. Correlation graph of the method.
- 5 to 8 are graphs for showing a correlation between a method of manually counting an object directly from a target region by an operator and the multiple fractal analysis method, watershed segmentation analysis method, and Otsu analysis method. , It can be confirmed that the detection of the object by the multiple fractal analysis method has the highest correlation value R as 0.95 with the manual detection by the worker's vision.
- FIG. 9 to 11 are photographs showing an embodiment of detecting a small size fish in the water by applying a method of detecting an object using multiple fractal analysis of a digital image according to the present invention. It is a photograph for showing another embodiment of detecting a small size fish in the water by applying a method for detecting an object using multiple fractal analysis of a digital image according to the present invention.
- Figures 9 to 14 the object detection method using multiple fractal analysis of the digital image of the present invention can be applied to detect a small size of the fish in the water
- Figures 9 and 11 is a multi- fractal analysis step 12 and 14 are photographs for showing an image in which fish of a small size is detected through an object detecting step.
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에 관한 것이다. 이와 같은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 정해진 대상영역에 대한 디지털 이미지를 획득하는 이미지 획득단계와; 디지털 이미지에 대한 다중 프랙탈 분석 알고리즘을 수행하여 디지털 이미지를 이루는 각 픽셀에 대응하는 휄더 지수인 a와 하우스도르프(Hausdorff) 척도값인 f(a)를 산출하는 다중 프랙탈 분석단계와; 상기에서 산출되는 각각의 f(a)가 디지털 이미지를 이루는 각 픽셀에 할당되어 생성되는 f(a)-분석이미지로부터 대상체를 검출하는 대상체 검출단계를 포함하는 것을 특징으로 한다. 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 작물의 해충이나 벌레, 해수의 플랑크톤이나 어류 등과 같은 대상체가 포함된 대상영역을 촬영하여 획득한 디지털 이미지를 다중 프랙탈 분석 기법이 적용된 패턴 인지 알고리즘으로 분석하여 대상체의 검출 정밀도와 정확도가 향상되도록 한다.
Description
본 발명은 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에 관한 것으로, 좀 더 구체적으로는 작물의 해충이나 벌레, 수중의 플랑크톤이나 어류 등과 같은 대상체가 포함된 대상영역을 촬영하여 획득한 디지털 이미지를 다중 프랙탈 분석 기법이 적용된 패턴 인지 알고리즘으로 분석하여 대상체의 검출 정밀도와 정확도가 향상되도록 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에 관한 것이다.
재배 작물에 손실을 입히는 해충이나 벌레, 수중의 플랑크톤이나 어류 등과 같은 대상체를 주변 환경으로부터 판별하거나 대상영역 내의 대상체 개체수를 판별하는 행위가 산업적 활용 및 산업적 관리/감독을 목적으로 하거나, 과학적 연구/실험을 목적으로 하여 수행되는 경우가 많다. 이를 위하여 작업자나 관리자가 해당 대상체를 대상영역으로부터 직접 계수할 수 있으나, 이는 대상체 계수에 시간이 많이 걸리는 문제점이 있었으며, 특히 소형의 대상체의 경우 대상체 계수가 정확하고 정밀하게 이루어지지 못하는 한계가 있었다.
한편, 작물은 재배과정에서 각종 병충해에 노출되기 쉽고, 병충해시 작물의 생장이 저하되고, 작물 수확량이 떨어지는 문제점이 있었다. 특히, 식물의 생장이나 작물의 재배시 발생되는 작물 손실의 가장 중요한 요인은 해충에 의한 것이다. 또한, 해충이 작물의 질병을 매개할 경우 사전 감지가 매우 중요하고, 특별하게 곤충이나 해충에 민감한 온실에서의 작물 재배의 경우 작업자는 수시로 작물의 병충해 유무를 점검하고, 작물에 해로운 곤충이나 해충이 작물 개체에 존재하는지를 감시해야 된다.
그러나 작물 재배에 영향을 미치는 가루이(whitefly)와 같은 소형 곤충이나 해충은 대부분 크기가 미세하여 작업자가 직접 곤충이나 해충을 식별하고 개체수를 계수하는 데에 어려움이 많았다.
따라서 작물로부터 곤충이나 해충을 포획하기 위해 설치되는 끈끈이 트랩이나 재배되는 작물의 잎을 영상장치를 이용하여 스캔한 후, 스캔된 이미지로부터 곤충이나 해충을 검출하는 기법이 안출되어 사용되었는데, 이와 같은 스캔된 이미지에 의한 곤충/해충 검출기법은 작물이 재배되는 온실 내부의 조명이나 빛의 변화에 민감하게 반응하여 정밀도와 정확도가 떨어지는 한계가 있어, 이에 대한 개선이 요구되는 실정이었다.
본 발명은 상기 문제점을 해소하고자 창출한 것으로서, 다중 프랙탈 분석 알고리즘을 통해 디지털 이미지를 분석하여 대상영역으로부터 해충, 벌레, 플랑크톤, 어류와 같은 대상체를 검출하도록 함으로써 외부 노이즈나 외부 광의 영향이 최소화되면서 대상체의 검출이 안정되게 수행되고, 대상체 계수의 정확도가 향상되도록 하는 새로운 형태의 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법을 제공함에 목적이 있다.
특히, 본 발명은 끈끈이 트랩이나 작물의 잎을 촬영하여 획득한 이미지를 다중 프랙탈 분석과 같은 패턴 인지 알고리즘을 통해 분석하여 가루이와 같은 미세 크기의 해충을 자동으로 판별하고, 해충의 개체수를 자동으로 계수하도록 함으로써 작물의 병충해 모니터링이 신속하고 정밀하게 이루어질 수 있게 되고, 작물의 병충해 방지와 작물의 생장 환경 최적화를 도모할 수 있는 새로운 형태의 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법을 제공함에 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은, 정해진 대상영역에 대한 디지털 이미지를 획득하는 이미지 획득단계, 상기 디지털 이미지에 대한 다중 프랙탈 분석 알고리즘을 수행하여 상기 디지털 이미지를 이루는 각 픽셀에 대응하는 휄더(
) 지수인 
와 하우스도르프(Hausdorff) 척도값인 f(
)를 산출하는 다중 프랙탈 분석단계, 상기에서 산출되는 각각의 f(
)가 상기 디지털 이미지를 이루는 각 픽셀에 할당되어 생성되는 f(
)-분석이미지로부터 대상체를 검출하는 대상체 검출단계를 포함하는 것을 특징으로 한다.
이와 같은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에서 디지털 그레이 스케일 이미지는 불연속 Κ-레벨의 불연속 크기 함수 g(x,y)=g(m,n)=kΔg, k=0,1,2,3,…,(Κ-1)로 결정되는 그레이 스케일을 가지는 것을 특징으로 한다. 여기서 Κ의 값은 그레이 레벨 이미지를 대상으로 할 때는 일반적으로 256으로 선택한다.
이와 같은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에서 상기 이미지 획득단계는 정해진 대상영역을 촬영하는 촬영단계, 상기 촬영단계에서 촬영된 이미지를 디지털 그레이 스케일 이미지로 변환하는 이미지 변환단계를 포함하는 것을 특징으로 한다.
이와 같은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에서 상기 이미지 획득단계는 상기 디지털 이미지가 Μ×Ｎ차원의 행렬을 이루는 픽셀의 집합으로 구성되어 각 픽셀이 (m,n), m=1,2,…,Ｍ n=1,2,…,Ｎ의 좌표를 가지도록 하고(즉 Μ과 Ｎ은 이미지의 각 축의 픽셀수이다), 상기 다중 프랙탈 분석단계는 상기 디지털 이미지를 한 변의 길이가 ｉ인 척도영역 박스(box)로 분할하고, (m,n)좌표를 갖는 픽셀을 둘러싸는 척도영역 박스에 대한 특성함수 μｉ(m,n)을 정의한 후, (m,n)좌표를 갖는 픽셀의 휄더 지수 
i(m,n)을 lnμｉ(m,n)/lnｉ, ｉ=1,2,3의 값으로 산출하고, 상기에서 산출되는 각각의 휄더 지수 
를 상기 디지털 이미지를 이루는 각 픽셀에 할당하여 
-이미지를 생성하되, 상기 lnμｉ(m,n)/lnｉ의 ｉ→1 극한값이지만 상기 lnμｉ(m,n)/lnｉ의 ｉ=1,2,3 각각에 대한 선형 회귀분석 선의 기울기인 것을 특징으로 한다.
이와 같은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에서 상기 다중 프랙탈 분석단계는 상기 휄더 지수를 R개의 값으로 불연속한 
을 정의하여 
인 휄더 지수 
(m,n)를 
r 으로 대치하며, 여기서 R의 값은 통상적으로 100을 선택한다. 상기 
-이미지를 한 변의 길이가 정수 ｉ인 정사각형 격자 박스(box)로 분할하며, 하나 이상의 
r값을 포함하는 격자 박스의 개수를 Ｎ
i(
r)로 정의한 후, (m,n)좌표를 갖는 픽셀의 하우스도르프(Hausdorff) 척도값인 f(
)를 -lnＮ
i(
r)/lnｉ, ｉ→1의 극한값으로 산출하고, 상기에서 산출되는 각각의 하우스도르프 척도값인 f(
)를 상기 디지털 이미지를 이루는 각 픽셀에 할당하여 f(
)-분석이미지를 생성하되, 상기 -lnＮ
i(
r)/lnｉ의 극한값은 ｉ→1 일 때의 값이지만, 상기 
-이미지에서와 마찬가지의 방법으로 상기 -lnＮ
i(
r)/lnｉ에 대한 ｉ=1,2,3에 대한 선형 회귀분석선의 기울기인 것을 특징으로 한다.
이와 같은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에서 상기 특성함수 μｉ(m,n)는 (수식1)의 최대값 특성함수, (수식2)의 최소값 특성함수, (수식3)의 합 특성함수, (수식4)의 등방 척도 특성함수 군 중에서 선택된 어느 하나인 것을 특징으로 한다.
이와 같은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에서 상기 대상체는 해충, 플랑크톤, 어류이고, 상기 특성함수 μｉ(m,n)는 최소값 특성함수인 것을 특징으로 한다.
상기와 같이 이루어지는 본 발명의 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 다중 프랙탈 분석 알고리즘과 같은 패턴 인지 알고리즘에 의하여 일정 크기의 해충, 일반 곤충, 플랑크톤, 어류와 같은 대상체를 검출하게 된다. 즉, 외부 노이즈나 외부 광의 영향이 최소화되면서 대상체의 검출이 안정되게 수행되고, 대상체 계수의 정밀도와 정확도가 향상되는 효과가 있다.
특히, 본 발명은 각종 작물이 재배되는 비닐하우스와 같은 온실에 적용되어 끈끈이 트랩에 붙은 해충이나 또는 작물 잎에 붙은 해충을 판별하고, 해충의 개체수를 계수함으로써 작물의 병충해 모니터링이 신속하고 정밀하게 이루어질 수 있게 하고, 작물의 병충해 방지와 작물의 생장 환경 최적화를 도모할 수 있는 효과를 가지게 된다.
도 1은 본 발명의 실시 예에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법을 보여주기 위한 블록도;
도 2는 가루이 검출에 적용된 본 발명의 실시 예에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법의 다중 프랙탈 분석단계에서 산출되는 이미지를 보여주는 사진(노이즈 제거 알고리즘 적용 전);
도 3은 가루이 검출에 적용된 본 발명의 실시예(Multifractal_TH)에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법의 대상체 검출단계에서 검출된 가루이를 보여주는 사진;
도 4는 가루이 검출에 적용된 본 발명의 실시예(Multifractal_MIN)에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법의 대상체 검출단계에서 검출된 가루이를 보여주는 사진;
도 5는 끈끈이 트랩에 포획된 가루이를 다중 프랙탈 분석(Multifractal_TH)에 의해 검출하는 방법과 작업인의 시각에 의해 수동으로 검출하는 방법의 상관 관계 그래프;
도 6은 끈끈이 트랩에 포획된 가루이를 다중 프랙탈 분석(Multifractal_MIN)에 의해 검출하는 방법과 작업인의 시각에 의해 수동으로 검출하는 방법의 상관 관계 그래프;
도 7은 끈끈이 트랩에 포획된 가루이를 watershed segmentation 분석에 의해 검출하는 방법과 작업인의 시각에 의해 수동으로 검출하는 방법의 상관 관계 그래프;
도 8은 끈끈이 트랩에 포획된 가루이를 Otsu 분석에 의해 검출하는 방법과 작업인의 시각에 의해 수동으로 검출하는 방법의 상관 관계 그래프;
도 9 내지 도 11은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법을 적용하여 수중에 존재하는 작은 크기의 어류를 검출하는 실시 예를 보여주기 위한 사진;
도 12 내지 도 14는 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법을 적용하여 수중에 존재하는 작은 크기의 어류를 검출하는 다른 실시 예를 보여주기 위한 사진이다.
이하, 본 발명의 실시 예를, 첨부된 도면 도 1 내지 도 14에 의거하여 상세히 설명한다. 한편, 도면과 상세한 설명에서 일반적인 프랙탈 분석, 다중 프랙탈 분석, 디지털 이미지 분석 등으로부터 이 분야의 종사자들이 용이하게 알 수 있는 구성 및 작용에 대한 도시 및 언급은 간략히 하거나 생략하였다. 특히 도면의 도시 및 상세한 설명에 있어서 본 발명의 기술적 특징과 직접적으로 연관되지 않는 요소의 구체적인 기술적 구성 및 작용에 대한 상세한 설명 및 도시는 생략하고, 본 발명과 관련되는 기술적 구성만을 간략하게 도시하거나 설명하였다.
본 발명에서 다중 프랙탈 분석이란 이하 자세히 설명되는 다중 프랙탈의 일반 이론적인 분석방법을 본 발명의 대상인 이미지의 분석에 적용한 방법을 의미하고, 이러한 다중 프랙탈 분석 기법을 컴퓨터 알고리즘으로 구체화한 것을 다중 프랙탈 분석 알고리즘 또는 다중 프랙탈 알고리즘이라고 한다.
본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 다양한 대상체에 적용될 수 있는 것으로, 도 2 내지 도 8에서와 같이 재배 작물에 손실을 입히는 해충이나 벌레 등을 주변 환경으로부터 구별하여 검출하고, 대상체의 개체수를 산출하는데 적용되거나, 도 9 내지 도 14에서와 같이 수중 내 어류나 수중의 플랑크톤 등과 같은 대상체를 주변 환경으로부터 구별하여 검출하고, 대상체의 개체수를 산출하는데 적용될 수 있다. 특히 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 재배 작물에 병충해를 입히는 가루이와 같은 미세 해충이나 미세 벌레, 수중의 플랑크톤, 치어(the young of fishes)와 같은 미세 생물체의 검출에 적용되어 미세 해충/벌레나 미세 생물체의 검출 효율을 증대시킬 수 있다.
본 발명의 실시 예에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 온실에서 재배되는 작물에 손실을 입히는 가루이와 같은 미세 해충의 검출과 해충의 개체수를 산출하는데 적용되는 것으로, 이와 같은 본 발명의 실시 예에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 도 1에서와 같이 이미지 획득단계, 다중 프랙탈 분석단계, 대상체 검출단계를 포함하여 이루어진다.
이미지 획득단계는 정해진 대상영역에 대한 디지털 이미지를 획득하는 단계이다. 본 발명의 실시 예는 온실에서 재배되는 작물에 적용되는 것임에 따라, 작물이나 끈끈이 트랩이 설치되는 온실의 내부 영역을 대상영역으로 하는데, 이와 같은 온실의 내부 영역은 정해진 크기의 분할영역으로 구획되어 각각의 분할영역에 대한 디지털 이미지가 획득될 수 있다. 또한, 온실에 설치되는 끈끈이 트랩이나 작물의 잎 별로 디지털 이미지가 획득될 수도 있다. 상기와 같이 이미지 획득단계에서 획득되는 디지털 이미지는 Μ×Ｎ차원의 행렬을 이루는 픽셀의 집합으로 구성되어 각 픽셀이 (m,n), m=1,2,…,Ｍ n=1,2,…,Ｎ의 좌표를 가지도록 하는데, 디지털 이미지의 해상도에 따라 디지털 이미지를 이루는 픽셀의 집합이 달라지게 된다. 즉, 640×480해상도에서는 640×480차원의 행렬을 이루는 픽셀의 집합으로 디지털 이미지가 구성되고 이미지 획득 카메라의 해상도에 따라 픽셀의 집합을 더 크게 구성할 수도 있다.
여기서, 이미지 획득단계에서 획득되는 디지털 이미지는 디지털 그레이 스케일 이미지가 되도록 하는데, 이는 분석의 편의와 정밀성을 위함이다. 이를 위하여 본 발명의 실시 예에 따른 이미지 획득단계는 정해진 대상영역을 촬영하는 촬영단계와, 촬영단계에서 촬영된 이미지를 디지털 그레이 스케일 이미지로 변환하는 이미지 변환단계를 가진다. 여기서, 디지털 그레이 스케일 이미지는 불연속 Ｋ-레벨의 불연속 크기 함수로 결정되는 그레이 스케일을 가지게 된다.
다중 프랙탈 분석단계는 디지털 이미지에 대한 다중 프랙탈 분석 알고리즘을 수행하여 디지털 이미지를 이루는 각 픽셀에 대응하는 휄더(
) 지수인 
와 하우스도르프(Hausdorff) 척도값인 f(
)를 산출하는 단계이다. 휄더 지수를 계산하는 일반적인 방법을 상기하였다. 또한 휄더 지수를 계산하기 위해서는 특성 함수를 정의해야 하며 수식 1에서 수식 4에 걸쳐서 네 가지를 제시하였다.
해충, 플랑크톤, 어류와 같은 대상체를 주위 배경으로부터 검출하고, 대상체의 개체수를 산출할 경우, 특히 미세 대상체를 검출하거나 명암을 추출해 낼 경우의 특성함수로는 (수식1)의 최대값 특성함수나 (수식2)의 최소값 특성함수가 사용되는 것이 바람직하다. 여기서, 본 발명의 실시 예에서는 (수식2)의 최소값 특성함수를 특성함수로 사용하는데, (수식2)의 최소값 특성함수는 세분화(segmentation) 효율이 높아 미세 대상체의 검출 효율을 증대시키기 때문이다.
다음으로, 상기와 같이 산출된 각각의 휄더 지수 
를 디지털 이미지를 이루는 각 픽셀에 할당하여 
-이미지를 생성하게 된다.
그리고, 
-이미지로부터 하우스도르프 척도값인 f(
)를 계산하는 방법도 상기하였다. 또한 각각의 하우스도르프 척도값인 f(
)는 디지털 이미지를 이루는 각 픽셀에 다시 할당되어 도 2에서와 같이 f(
)-분석이미지를 생성하게 된다.
대상체 검출단계는 다중 프랙탈 분석단계에서 산출된 각각의 f(
)가 디지털 이미지를 이루는 각 픽셀에 할당되어 생성되는 f(
)-분석 이미지로부터 대상체를 검출하게 되는 단계이다.
이와 같은 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법에서 상기 대상체 영역을 추출해 내기 위하여 두 가지 방법을 제시한다. 첫 번째로, 대상체의 경계를 조사하기 위하여 f(
)의 부분 범위를 정하고, 소형 대상체를 검출해 내기 위하여 f(
)≤Ｌ(Ｌ=0.8 또는 f(
)의 평균값)과 같은 적절한 문턱 값을 사용하였다. 이미지에 대한 식물 형태학적인 기법(예, 영상부식-영상팽창)을 수행하여 문턱 값 적용 후에 생성된 작은 노이즈들을 제거하였다. 이 방법으로 얻어진 대상체 영역을 도3 에서 제시하였다. 이러한 일련의 과정을 우리는 "Multifractal TH" 라고 부르기로 하였다.
다음으로, 대상체 검출율을 향상시키기 위하여 고정된 문턱 값을 사용하지 않고 대상 영역을 걸러내는 데 있어서 영역 최소획득의 방법을 적용하였다. f(
)-분석이미지의 값들은 원래 이미지의 동질성의 정도에 따라 변화한다. 즉, 동질성의 영역(예, 배경) 안에 위치한 점은 f(
)-분석이미지에서의 더 높은 값을 보여 준다. 반면에, 대상체 또는 끈끈이 트랩에 인쇄된 격자들과 같은 전경 물체들은 f(
)-분석이미지에 있어서 낮은 값을 보여 준다. 도 3에서 제시된 바와 같이, 낮은 f(
)-분석이미지 값을 보이는 점들은 대상체(즉, 가루이)들을 나타낸다. 낮은 f(
)-분석이미지 값에 의해서 확인된 물체들을 국부적인 최소 영역으로 간주하였다. 노이즈(예, 인쇄된 격자 또는 빛의 반사)에 비교했을 때, 대상체 이미지의 국부적 최소영역은 배경에 대비하여 높은 값을 보인다. 대비와 명암을 다루는 데에 효율적인 확장-최소 변환(extended-minima transform)을 사용하여 f(
)-분석이미지의 국부적 최소영역을 추출하였다. 시험(0-255)적으로 사용된 서로 다른 이미지들을 통해서 f(
)-분석이미지의 변수 값들을 규격화 하였다. 다음으로 국부적 최소값들은 f(
)-분석이미지의 명암 값으로부터 대상체 영역으로서 추출되었다. 도 2에서 보듯이, 대상체와 다른 물체들(예, 선, 문자)의 영역들이 걸러 내어진 이미지에 포함되어 있다. 그렇지만, 대상체 영역들은 이미지에서의 다른 물체들과는 확연히 다른 패턴(작은 구멍을 가진 여러 지점들)을 보였다. 계속해서 형태학적 기법(예, 영상부식-영상팽창)을 수행하여 대상체 영역의 구멍들을 채우고 노이즈를 줄였다. 우리는 고정된 문턱값을 사용하는 대신에 국부적 최소 영역을 사용하는 과정을 "Multifractal MIN"이라고 부르기로 하였다.
그러나 이들 두 방법들(Multifractal_TH and Multifractal_MIN)에 의해서 대상체 영역을 추출한 후에도 이미지에는 여전히 반사되거나 확산된 빛, 트랩에 인쇄된 초록색 격자들과 같은 다른 이미지 원인들에 의해서 생성된 목적 외 영역들이 나타난다. 크기와 명암도 값의 두 범주를 부가적으로 사용하여 남아 있는 얼룩들로부터 대상체 영역들을 선택해 낸다. 대상체의 크기(성체 가루이)는 대략 2mm×1mm로 유사한 범위에 있고 카메라가 끈끈이 트랩에서부터 떨어진 거리는 고정되어 있으므로, 좁은 범위의 픽셀 크기로 대상체 영역이 표현될 수 있다. 큰 얼룩들은 대개 끈끈이 트랩에서 보여지는 초록색 격자들[도 4](예, 점선, 문자들)에 의해서 생성된다. f(
)-분석이미지에서 대상체 영역의 최대 길이는 640×480픽셀의 전체 이미지에서 10 픽셀 정도로 계산되어졌다. 그러므로 대상체 이미지의 최대 높이(h)와 폭(w)은 각각 10픽셀(h＜10과 w＜10)로 하였다. 반면에 작은 크기 (h＜3과 w＜3)의 얼룩들도 대상체 영역으로 간주하지 않았다. 왜냐하면 이것들은 대부분 조명 노이즈에 의해서 야기되기 때문이다. 해충의 경우, 크기가 대개 정해지므로 온실과 같이 해충상이 복잡하지 않은 환경에서는 크기가 중요 구분 기준이 될 수 있다.
대상체 이미지를 검출하는 데 사용된 또 다른 특징은 전체 배경 이미지의 평균 명암도에 비해서 대상체 이미지는 더 높은 명암도를 갖는다는 것이다. 격자들에 의해서 생성된 노이즈 영역은 배경보다 더 어둡기 때문에 대상체 이미지는 최대 명암도 값으로 구별되었다. 얼룩의 명암도 값의 최대 범위(Ｉmax)를 사용하여 대상체 이미지를 확인하였다. 이미지의 평균 명암도 값은 다양한 조명조건 하에서의 이미지들을 사용한 예비 시험으로부터 계산되어 졌다. 이미지의 평균 명암도 값을 문턱 값으로 사용하여 노이즈들(즉, 트랩에 인쇄된 격자로부터 연유된)과 끈끈이 트랩에 부착된 여러 어두운 물체들로부터 대상체 이미지를 구별해 내었다. 만약 얼룩의 최대 명암도 값이 문턱 값보다 더 높으면(Ｉmax＞Ｔm), 이 얼룩은 대상체 이미지로서 간주되고, 그렇지 않으면 이 물체 영역은 노이즈로서 제거되었다.
이와 같은 대상체 검출단계는 문턱값 Ｌ를 설정하는데, 이와 같은 문턱값 Ｌ은 디지털 이미지를 이루는 각 픽셀에 할당된 f(
)의 평균값으로 설정될 수 있다. 이와 같이 문턱값 Ｌ을 기준으로 디지털 이미지를 이루는 각 픽셀에 할당된 f(
)에 대하여 Ｌ＞f(
)인 픽셀은 격자이미지에 속하는 픽셀로 판별하고, Ｌ＜f(
)인 픽셀은 대상체 이미지에 속하는 픽셀로 판별하면서 도 3에서와 같이 대상체를 검출하게 된다. 여기서, 대상체의 크기{높이(h)와 폭(w)}가 추가적으로 대상체의 검출을 위한 기준값으로 사용될 수 있다. 본 발명의 실시 예에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 미세 곤충인 가루이의 검출에 적용되므로, 가루이의 검출을 위하여 가루이의 크기인 2mm×1mm를 가루이의 검출을 위한 기준값으로 사용하는데, 본 발명의 실시 예에서는 디지털 이미지의 해상도가 640×480이고, 가루이 이미지의 최대 길이가 5픽셀이므로, 가루이 이미지의 최대 높이(h)와 폭(w)은 5픽셀로 제한한다.(h<5, w<5)
한편, 이미지 획득단계에서 획득된 디지털 이미지에는 주변 광원에 의한 광의 입사, 반사에 의한 광 노이즈가 포함될 수 있다. 또한, 작물이 재배되는 온실에 설치되는 끈끈이 트랩을 촬영하여 디지털 이미지를 획득할 경우, 끈끈이 트랩의 표면에 인쇄되어 있는 격자무늬에 의한 노이즈도 포함될 수 있다.
따라서 노이즈 제거작업을 수행할 필요가 있는데, 대상체 검출단계는 노이즈 제거 알고리즘을 통해 상기와 같은 다중 프랙탈 분석에 의해서 생성된 이미지로부터 노이즈를 제거하는 작업을 수행할 수 있다. 이와 같은 노이즈 제거 알고리즘은 상기 다중 프랙탈 분석단계에서 생성된 이미지에 대하여 순차적으로 부식과 팽창과 같은 형태학적인 연산을 통해 수행될 수 있다.
대상체를 대상영역으로부터 검출하는 방법으로는 상기와 같은 본 발명의 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 이외에 watershed segmentation 분석 방법, Otsu 분석 방법 등이 있다. 작물이 재배되는 온실에 설치되는 끈끈이 트랩에 포획된 가루이를 디지털 이미지로부터 검출하는 방법에 있어서, 상기 다중 프랙탈 분석 방법, watershed segmentation 분석 방법, Otsu 분석 방법 각각의 검출 성능은 [표 1]에 기재되어 있다. [표 1]에서 확인되는 바와 같이 다중 프랙탈 분석 방법, watershed segmentation 분석 방법, Otsu 분석 방법의 사실 긍정 비(TPR)는 모든 90%를 넘어서고 있으나, 오류 긍정 비(FPR)는 다중 프랙탈 분석이 11.2%로서 가장 낮은 수치를 보이고 있다. 즉, 다중 프랙탈 분석은 국소적인 정보뿐만 아니라, 이미지의 전반적인 특성을 반영하는 방법론적 특성에 의해 끈끈이 트랩의 표면에서의 빛 반사에 의한 노이즈나 각종 반점 등의 노이즈가 최소화될 수 있게 됨에 따라, 노이즈 검출에 대한 신뢰도가 타 분석방법보다 더 높아 대상체의 검출에 있어서 종합적으로 보다 유용하게 사용될 수 있는 것이다. 따라서, 노이즈가 심한 야외조건에서의 대상체 검출에 본 발명의 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법이 효과적으로 적용될 수 있다.
표 1
| True Positive Rate | False Positive Rate | |
| 다중 프랙탈 분석 | 0.9010072 | 0.1120099 |
| watershed segmentation 분석 | 0.9780030 | 0.1790168 |
| Otsu 분석 | 0.9560067 | 0.3670216 |
도 4는 끈끈이 트랩에 포획된 가루이를 다중 프랙탈 분석에 의해 검출하는 방법과 작업인의 시각에 의해 수동으로 검출하는 방법의 상관 관계 그래프이고, 도 5는 끈끈이 트랩에 포획된 가루이를 watershed segmentation 분석에 의해 검출하는 방법과 작업인의 시각에 의해 수동으로 검출하는 방법의 상관 관계 그래프이며, 도 6은 끈끈이 트랩에 포획된 가루이를 Otsu 분석에 의해 검출하는 방법과 작업인의 시각에 의해 수동으로 검출하는 방법의 상관 관계 그래프이다.
도 5 내지 도 8은 작업인이 자신의 시각에 의해 대상체를 대상영역으로부터 수동으로 직접 계수하는 방법과 상기 다중 프랙탈 분석 방법, watershed segmentation 분석 방법, Otsu 분석 방법의 상관 관계를 보여주기 위한 그래프들인데, 다중 프랙탈 분석 방법에 의한 대상체의 검출이 작업인의 시각에 의한 수동 검출과의 상관관계값 R이 0.95로서 가장 높음을 확인할 수 있다.
도 9 내지 도 11는 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법을 적용하여 수중에 존재하는 작은 크기의 어류를 검출하는 실시 예를 보여주기 위한 사진이고, 도 12 내지 도 14는 본 발명에 따른 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법을 적용하여 수중에 존재하는 작은 크기의 어류를 검출하는 다른 실시 예를 보여주기 위한 사진이다.
한편, 도 9 내지 도 14에서와 같이 본 발명의 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법은 수중에 존재하는 작은 크기의 어류를 검출하는데 적용될 수 있는데, 도 9과 도 11은 다중 프랙탈 분석단계를 거쳐 산출되는 이미지를 보여주기 위한 사진이고, 도 12와 도 14은 대상체 검출단계를 거쳐 작은 크기의 어류가 검출된 이미지를 보여주기 위한 사진이다.
이상, 본 발명을 구체적인 실시 예를 통하여 상세하게 설명하였으나, 본 발명은 상기 실시 예에 한정하지 않고, 본 발명의 기술적 사상의 범위 내에서 통상의 지식을 가진 자에 의하여 여러 가지 변형이 가능하다.
Claims (11)
- 정해진 대상영역에 대한 디지털 이미지를 획득하는 이미지 획득단계,상기 디지털 이미지에 대한 다중 프랙탈 분석 알고리즘을 수행하여 상기 디지털 이미지를 이루는 각 픽셀에 대응하는 휄더() 지수인
와 하우스도르프(Hausdorff) 척도값인 f(
)를 산출하는 다중 프랙탈 분석단계,
상기에서 산출되는 각각의 f()가 상기 디지털 이미지를 이루는 각 픽셀에 할당되어 생성되는 f(
)-분석이미지로부터 대상체를 검출하는 대상체 검출단계를 포함하는 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 1항에 있어서,상기 이미지 획득단계에서 획득되는 디지털 이미지는 디지털 그레이 스케일 이미지인 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 2항에 있어서,상기 디지털 그레이 스케일 이미지는 불연속 Ｋ-레벨의 불연속 크기 함수 g(x,y)=g(m,n)=kΔg, k=0,1,2,3,,(Ｋ-1)로 결정되는 그레이 스케일을 가지는 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 2항에 있어서,상기 이미지 획득단계는 정해진 대상영역을 촬영하는 촬영단계,상기 촬영단계에서 촬영된 이미지를 디지털 그레이 스케일 이미지로 변환하는 이미지 변환단계를 포함하는 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 1항에 있어서,상기 이미지 획득단계는 상기 디지털 이미지가 Μ×Ｎ차원의 행렬을 이루는 픽셀의 집합으로 구성되어 각 픽셀이 (m,n), m=1,2,…,Μ n=1,2,…,Ｎ의 좌표를 가지도록 하고,상기 다수 프랙탈 분석단계는 상기 디지털 이미지를 한 변의 길이가 ｉ인 척도영역 박스(box)로 분할하고, (m,n) 좌표를 갖는 픽셀을 둘러싸는 척도영역 박스에 대한 특성함수 μｉ(m,n)을 정의한 후, (m,n) 좌표를 갖는 픽셀의 휄더 지수(m,n)을 lnμｉ(m,n)/lnｉ, ｉ=1,2,3의 극한값으로 산출하고, 상기에서 산출되는 각각의 휄더 지수
를 상기 디지털 이미지를 이루는 각 픽셀에 할당하여
-이미지를 생성하되,
상기 lnμｉ(m,n)/lnｉ의 극한값은 ｉ→1일 때 상기 lnμｉ(m,n)/lnｉ에 대한 선형 회귀분석 선의 기울기인 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법. - 제 5항에 있어서,상기 다중 프랙탈 분석단계는 상기 휄더 지수를 R개의 값으로 불연속한을 정의하여
인 휄더 지수
(m,n)를
r으로 대치하고, 상기
-이미지를 한 변의 길이가 정수 ｉ인 정사각형 격자 박스(box)로 분할하며, 하나 이상의
r값을 포함하는 격자 박스의 개수를 Ｎ i(
r)로 정의한 후, (m,n) 좌표를 갖는 픽셀의 하우스도르프(Hausdorff) 척도값인 f(
)를 -lnＮ i(
r)/lnｉ, ｉ= 1,2,3의 극한값으로 산출하고, 상기에서 산출되는 각각의 하우스도르프 척도값인 f(
)를 상기 디지털 이미지를 이루는 각 픽셀에 할당하여 f(
)-분석이미지를 생성하되, 상기 -lnＮ i(
r)/lnｉ의 극한값은 ｉ→1 일 때 상기 -lnＮ i(
r)/lnｉ에 대한 선형 회귀분석 선의 기울기인 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 5항에 있어서,상기 특성함수 μｉ(m,n)는 (수식1)의 최대값 특성함수, (수식2)의 최소값 특성함수, (수식3)의 합 특성함수, (수식4)의 등방 척도 특성함수 군 중에서 선택된 어느 하나인 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 7항에 있어서,상기 대상체는 해충, 플랑크톤, 어류이고, 상기 특성함수 μｉ(m,n)는 최소값 특성함수인 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 1항에 있어서,상기 대상체 검출단계는 문턱값 Ｌ를 설정하고, 상기 디지털 이미지를 이루는 각 픽셀에 할당된 f()에 대하여 Ｌ＞f(
)인 픽셀은 격자이미지에 속하는 픽셀로 판별하고, Ｌ＜f(
)인 픽셀은 대상체 이미지에 속하는 픽셀로 판별하는 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 9항에 있어서,상기 문턱값 Ｌ은 상기 디지털 이미지를 이루는 각 픽셀에 할당된 f()의 평균값인 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
- 제 9항에 있어서,상기 대상체 검출단계는 노이즈 제거 알고리즘을 수행하여 상기 f()-분석이미지로부터 노이즈를 제거한 후 대상체를 검출하는 것을 특징으로 하는 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2012/000806 WO2013115422A1 (ko) | 2012-02-02 | 2012-02-02 | 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2012/000806 WO2013115422A1 (ko) | 2012-02-02 | 2012-02-02 | 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2013115422A1 true WO2013115422A1 (ko) | 2013-08-08 |
Family
ID=48905437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/KR2012/000806 WO2013115422A1 (ko) | 2012-02-02 | 2012-02-02 | 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2013115422A1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104808255A (zh) * | 2015-04-30 | 2015-07-29 | 武汉光谷北斗控股集团有限公司 | 基于分形理论的矿化异常信息挖掘方法 |
| CN113222992A (zh) * | 2021-06-21 | 2021-08-06 | 苏州大学 | 基于多重分形谱的裂纹特征表征方法及系统 |
| CN116703911A (zh) * | 2023-08-07 | 2023-09-05 | 深圳市恒欣达照明有限公司 | 一种led灯生产质量检测系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002523204A (ja) * | 1998-08-28 | 2002-07-30 | アーチ・デベロップメント・コーポレーション | 骨質量・構造のコンピュータ依拠分析方法および装置 |
| WO2009101128A1 (en) * | 2008-02-13 | 2009-08-20 | Nordic Bioscience Imaging A/S | A method of deriving a quantitative measure of the instability of calcific deposits of a blood vessel |
| JP2010029679A (ja) * | 1998-03-20 | 2010-02-12 | Barbara Ann Karmanos Cancer Inst | 病理組織の多次元検出装置とその方法 |
-
2012
- 2012-02-02 WO PCT/KR2012/000806 patent/WO2013115422A1/ko active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010029679A (ja) * | 1998-03-20 | 2010-02-12 | Barbara Ann Karmanos Cancer Inst | 病理組織の多次元検出装置とその方法 |
| JP2002523204A (ja) * | 1998-08-28 | 2002-07-30 | アーチ・デベロップメント・コーポレーション | 骨質量・構造のコンピュータ依拠分析方法および装置 |
| WO2009101128A1 (en) * | 2008-02-13 | 2009-08-20 | Nordic Bioscience Imaging A/S | A method of deriving a quantitative measure of the instability of calcific deposits of a blood vessel |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104808255A (zh) * | 2015-04-30 | 2015-07-29 | 武汉光谷北斗控股集团有限公司 | 基于分形理论的矿化异常信息挖掘方法 |
| CN113222992A (zh) * | 2021-06-21 | 2021-08-06 | 苏州大学 | 基于多重分形谱的裂纹特征表征方法及系统 |
| CN116703911A (zh) * | 2023-08-07 | 2023-09-05 | 深圳市恒欣达照明有限公司 | 一种led灯生产质量检测系统 |
| CN116703911B (zh) * | 2023-08-07 | 2023-10-27 | 深圳市恒欣达照明有限公司 | 一种led灯生产质量检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104482860B (zh) | 鱼类形态参数自动测量装置和方法 | |
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| CN106780537B (zh) | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 | |
| CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
| US8391591B2 (en) | Method for measuring the growth of leaf disks of plants and apparatus suited therefor | |
| CN103630091B (zh) | 一种基于激光与图像处理技术的叶面积测量方法 | |
| Tech et al. | Methods of image acquisition and software development for leaf area measurements in pastures | |
| CN104200457A (zh) | 基于广角摄像的离散型冠层叶面积指数检测系统和方法 | |
| WO2013115422A1 (ko) | 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 | |
| WO2022213218A1 (en) | System and method for vegetation detection from aerial photogrammetric multispectral data | |
| Zhang et al. | Yield estimation of citrus fruit using rapid image processing in natural background | |
| CN113793350A (zh) | 一种鱼苗计数物联设备及鱼苗情况统计方法 | |
| Grbovic et al. | Wheat ear detection in RGB and thermal images using deep neural networks | |
| CN204202563U (zh) | 鱼类形态参数自动测量装置 | |
| CN112926483A (zh) | 标准机柜状态指示灯识别监测方法、装置和系统 | |
| CN109030488B (zh) | 藻类生物量检测方法及装置 | |
| JP6201507B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| Kicherer et al. | Image based evaluation for the detection of cluster parameters in grapevine | |
| CN109459405B (zh) | 基于窄带图像处理去除土壤背景干扰的光谱指数测量方法 | |
| CN113180640B (zh) | 一种家畜养殖用尺寸测量方法及系统 | |
| CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
| CN110428374A (zh) | 一种小体积害虫自动检测方法及系统 | |
| Latte et al. | A combined color and texture features based methodology for recognition of crop field image | |
| CN118135312A (zh) | 确定培养类器官过程中的操作节点的方法、电子设备、存储介质 | |
| CN109118540B (zh) | 基于脊线提取的鲟鱼快速统计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 12867473 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 12867473 Country of ref document: EP Kind code of ref document: A1 |