서론
잔디 품질은 균일성, 지상부 밀도, 질감, 성장방향, 예초 후 평면성, 그리고 녹색도 등의 6가지 품질 요소를 종합적으로 평가한 측정치로 정의되며, 잔디연구 분야에서 다양한 연구를 위한 정량적 측정방법으로 오랜 기간 동안 사용이 되어 왔다(Beard and Beard, 2005; Krans and Morris, 2007). 잔디의 품질평가 방법은 1973년 Beard (1973)에 의해 처음으로 그 측정방법이 제시되었으며, Morris and Shearman (2000)에 의해서 정립된 National Turfgrass Evaluation Program (NTEP) 육안 측정방법이 현재 가장 많이 이용되고 있다. NTEP에서는 잔디의 품질평가 시 정확도와 일관성 있는 평가 방법이 중요한 것을 고려하여 하루 중 평가 시간, 기상조건, 평가 시 태양의 방향, 예초 후 경과 시간, 예초 방향, 처리구 면적, 평가 값의 범위, 평가 값 측정시 정수 사용, 손상된 범위, 온전한 처리구 유지 정도 등의 10가지 항목을 고려해서 측정하도록 제시 하고 있다 (Table 1) (Krans and Morris, 2007). 총 6가지 품질평가 요소와 평가 시 고려해야 할 10가지 항목을 통해서 평가된 육안평가 결과는 1부터 9까지의 범위에서 평가하며, 고사되거나 가장 낮은 단계의 품질을 1 그리고 가장 높은 단계의 품질을 9로 평가하는 방법을 의미한다. NTEP 에서는 잔디품질 1에서 9까지의 범위 중 수용이 가능한 최소평가 단계를 6으로 제시하고 있으나, 연구목적에 따라 최소 수용 평가 품질을 5로 설정하는 경우도 있다 (Morris and Shearman, 2000; Fu et al., 2004; Keskin et al., 2008). 잔디품질 평가는 잔디학문 분야에서 필수적으로 사용되는 평가 방법이나, 육안평가(Visual Evaluation)를 기반으로 한 주관적인 평가방법으로 다양한 부분에 대한 신뢰도의 의문점에 대한 연구들도 지속적으로 보고되고 있다. Horst et al. (1984)은 연구기간 동안의 반복되는 육안평가는 측정일마다 동일한 기준의 평가가 되기 어려우며, 평가자가 다를 경우 평가결과가 다르게 나타날 수 있다고 보고한바 있다. 또한 평가자가 잔디 품질을 측정할때 예초 방향, 평가자의 위치, 기상상태, 그리고 관수정도에 따른 지상부 잔디의 수분상태에 따라 육안평가의 결과값은 그 차이가 나타날 수 있다(Keskin et al., 2003; Krans and Morris, 2007). 이러한 요인때문에 잔디연구에서는 평가자에게 높은 수준의 측정값 신뢰도를 위하여 충분한 경험과 훈련이 요구된다. 그러나 숙련된 평가자라 할지라도 육안평가의 주관적인 방법을 고려할 때 그 결과값에 있어 평가자 간의 차이가 발생할 수 있다(Jayasinghe et al., 2019). 육안평가의 가장 큰 단점인 측정방법의 일관성을 보완하고, 정확도를 높이기 위해 평가자의 주관적인 평가방법이 아닌 평가자간의 차이와 상관없는 측정결과를 도출할 수 있는 연구방법들이 연구되어 왔다(Camelo et al., 2012; Goodenough and Goodenough 2012; Krans and Morris, 2007). 제안된 여러 가지 평가방법 중 기존의 NTEP 육안평가의 단점을 보완 할 수 있고, 비교적 일관성과 정확도가 높은 방법으로 디지털 이미지 분석법(Spectral reflectance analysis or digital image analysis)이 제시되고 있다(Casadesús et al., 2005; Karcher and Richardson, 2003). 본 연구에서는 잔디학문 분야에서의 디지털이미지 분석의 연구방법과 향후의 연구방향을 고찰해 보고자 한다.
디지털 이미지
디지털 이미지 분석법은 디지털 카메라로 촬영된 이미지를 소프트웨어를 통해 잔디의 특성을 분석하기 위한 색이나 면적 등의 특정정보에 대한 매개변수를 정량화 하는 과정으로 이루어진다(Gonzalez, R.C. and Woods, 2002). 단일 디지털 이미지에 포함된 데이터의 양은 이미지를 촬영할 때 사용한 해상도에 따라 결정되며 가로 800, 세로 600으로 촬영된 이미지의 경우 480,000 pixel (4.8 megapixel)의 정보를 포함하게 된다. 잔디연구를 위한 이미지 분석을 위해서는 대부분의 경우 5 megapixel 정도의 해상도로 충분한 정보를 분석 할 수 있다(Karcher and Richardson, 2013). 촬영된 이미지의 각 pixel에는 색상을 정의하는 독립적인 Red, Green, Blue (RGB) 정보와 pixel이 위치한 공간적 위치 (x, y), 그리고 각 pixel이 가지고 있는 색상에 대한 강도(없음 0, 최대강도 255)로 RGB에 대한 빛의 정보를 포함하고 있다. 세 가지 기본 색상(RGB)의 가능한 256가지 빛의 강도를 조합하면 각 픽셀에 대해 약 1,670만가지 색상을 표현할 수 있다. 각 pixel이 많은 양의 정보를 가지고 있는 것을 고려할 때 디지털 이미지를 촬영하는 단계에서 일관성 있는 동일한 조건에서의 사진 촬영 방법이 필요하다. 최근 일반적으로 사용되는 핸드폰 혹은 컴팩트 카메라의 경우 주변환경 상황을 감지하여 그 상황에 맞는 사진을 촬영하도록 프로그램화 되어 있어 잔디연구 분야에서의 이미지 분석법을 위해서는 적합한 선택이라 할 수 없다. 항상 동일한 조건에서 사진촬영이 이루어지기 위해서는 셔터가 열려 있는 시간(노출시간)을 조절하는 값인 셔터스피드, 렌즈를 통해 빛을 받아들이는 양을 조절하는 조리개 값, 센서가 빛을 얼마나 민감하게 받아들이는지를 조절하는 ISO값, 색 온도를 조절하여 자연스러운 색감을 표현하는 화이트밸런스, 사진의 촛점을 맞추는 방식인 초점모드, 카메라가 밝기를 측정하는 방식인 측광모드등과 같이 카메라에서 조절 할 수 있는 모든 설정값이 항상 동일한 조건에서 사진 촬영이 이루어져야 한다(Horenstein, 2011; Zhang et al., 2017). 카메라의 이러한 설정값을 고정하고 사용하기 위해서는 모든 설정값을 조절 할 수 있는 메뉴얼모드가 가능한 카메라가 필요하다.
촬영된 이미지의 저장형태는 모든 정보를 다 포함하고 있어 화질 손실이 없는 RAW file, Tagged Image File Format (TIFF), 그리고 Portable Network Graphics (PNG) file이 있으며, 비교적 용량이 적으나 압축된 이미지 정보를 가지고 있는 Joint Photographic Experts Group (JPEG) format과 Graphic Interchange Format (GIF)가 있다(Schewe, 2015). 그러나 GIF file의 경우 사용 할 수 있는 색의 수가 256색으로 제한이 되어 이미지를 통해 잔디연구에서의 실험구 사진을 분석하기에 적합하지 않다.
디지털 이미지 촬영 광조건
이미지 분석법을 위한 디지털 이미지는 카메라의 설정값이 동일하게 되어 있더라도 기상조건, 연중 혹은 하루 중 사진이 촬영되는 시기의 광조건에 영향을 받는다(Ikemura et al. 2023). 자연광과 같은 다양한 광조건 하에서 촬영된 이미지를 통해 그 결과를 분석할 때 동일한 이미지를 촬영 하더라도 다른 광조건으로 인해 유의미한 차이가 발생한다는 연구결과가 보고된다 있다(Allred and Olkkonen, 2013). 따라서 실험기간 동안 촬영대상이 되는 실험구의 광조건은 모두 동일해야 하며, 동일한 광조건을 유지하기 위해서 이미지 촬영 시 모든 광원을 차단하고 내부에 설치된 광원을 사용하는 light box (or photo box)가 사용된다(Fig. 1) (Ikemura, 2003). Light box는 데이터를 측정하는 동안 필드에서 사용해야 하는 점을 고려하여 battery pack을 연결하여 light box 내부에 있는 조명장치에 전원을 공급한다. 그러나 실험데이터의 측정시간이 길어지게 되면 장착된 battery에서 공급되는 전력의 손실로 인해 광조건에 차이가 발생하게 되며, 그 결과로 이미지의 분석 결과에 영향을 주게 된다. 동일한 광조건에서 촬영이 시작되었더라도 시간이 경과한 후에 촬영된 이미지의 밝기를 나타내는 brightness mean value (BMV)에서 차이가 나타났으며, 이 차이는 이미지 분석 소프트웨어를 통해 분석된 결과에서도 유의미한 차이가 나타났다고 연구결과가 보고된바 있다(Lee, 2023). 광조건의 변화로 발생한 이미지간의 차이를 최소화 하기 위하여 동일한 광조건을 유지하기 위해 light box에 battery pack을 사용하는 대신 전원 확장선을 이용하여 직접 연결해서 사용하기도 한다.
Fig. 1
Light box to maintain light condition when images of research plots are taken. Light box use electricity as a power source to use constant electrical intensity instead of battery pack. The box was manufactured by Hoseo Turf Research Team (HTRT). Schematic diagram of a light box (left) and Actual photo of a light box (right).
디지털 이미지 분석을 위한 소프트웨어
디지털 이미지 분석을 위해 촬영된 이미지는 전문 소프트웨어를 사용하여 녹색도, 품질, 병 발생률, 잡초 침입률 등 실험목적에 필요한 항목을 분석하게 된다. 잔디 이미지 분석에 많이 사용되는 소프트웨어로는 SigmaScan Pro (Systat Software, IL, US), ImageJ (National Institute Health), Assess (Am. Phytopath. Soc., MN, US), WinRhizo (Regent Instruments, Quebec, Canada) 등이 있다. SigmaScan Pro와 ImageJ의 경우 사용자의 숙련도에 따라 정교한 설정이 가능해 잔디학 뿐만 아니라 의학, 공학 등 다양한 분야에서 사용되고 있으며, Assess는 식물병의 발생 정도를 측정하기 위한 목적으로 설계되었으며, WinRhizo는 촬영된 이미지를 통해 지하부 성장량을 정량화 하기 위해 고안된 소프트웨어이다 (Ikemura et al. 2023). 잔디 연구분야에 특화 된 소프트웨어로는 Turf Analyzer (Green Research Services, LLC. OH, US)가 있으며 잔디의 coverage, dark green color index (DGCI), density, uniformity 등을 측정 할 수 있도록 개발된 프로그램이다. 골프장 관리자나 잔디관리 실무자들이 휴대폰에 설치하고 사용 할 수 있도록 설계된 소프트웨어가 있으며, 주로 turf coverage를 측량하기 위해 개발된 Canopeo (Oklahoma State University Foundation, OK. US)와 DGCI를 측정하기 위한 FieldScout GreenIndex+ Turf (Spectrum Technologies Inc., IL, US)가 있다. 여러 가지 소프트웨어 중에서 잔디 이미지를 분석하기 위한 Canopeo나 FieldScout GreenIndex+ Turf와 같은 소프트웨어는 주로 잔디관리 실무를 위해 많이 사용이 되며, 잔디 학문분야에서는 정밀한 이미지의 매개변수 도출이 가능해야 하며, 다수의 이미지 분석이 가능하고, 정밀한 조정을 위한 프로그램 언어 사용이 가능한 open source 프로그램인 ImageJ 혹은 R이 많이 사용되고 있다.
디지털 이미지 분석
잔디 연구를 위한 이미지 분석을 위해서는 다음의 세 가지 단계로 이루어진다. 1) 충분한 색 정보, 균일한 광 정보를 포함한 고품질 이미지 확보, 2) 정량화 대상이 되는 잔디면적의 선택, 3) 선택된 이미지 부분에 대한 측정항목의 매개변수 정량화 (Karcher and Richardson, 2013).
첫 번째 단계에서는 이미지 분석을 위한 충분한 이미지 정보를 확보하기 위해서 균일한 이미지를 촬영하는 조건과 촬영환경 조건이 가장 중요하다. 균일한 촬영환경을 위해서는 이미지를 촬영하는 카메라의 동일한 설정값이 유지되어야 하며, 촬영이 진행되는 동안의 환경조건이 동일하게 유지되어야 한다. 두 번째 단계에서 분석하고자 하는 면적에 대한 동일한 크기의 이미지가 필요하다. Pixel 단위 분석을 위한 이미지 촬영 과정에서 동일한 위치와 동일한 면적을 일관성 있게 사진을 촬영하는 것은 고정이 되는 도구나 장치 없이는 어려운 일이다. 사진 촬영의 특성상 이미지 촬영 시 카메라의 각도와 지면으로부터의 높이의 차이에 의해서 대상이 되는 잔디 면적의 크기와 정보에 차이가 발생하기 때문이다. 동일한 면적의 촬영을 위해서 분석대상의 면적을 확보 할 수 있는 프레임을 만들어 사용하는 경우도 있다(Cain et al., 2021; Kowalewski et al., 2023). 이때 사용되는 프레임의 색은 분석하고자 하는 대상이 되는 잔디의 색과 대조되는 색으로 이루어 져야 하며, 잔디 엽색과 대비가 되는 red, pink, purple 색 등이 적합하다(Karcher and Richardson, 2013). 또한 여러 개의 실험구를 촬영할 때 실험구 마다 동일한 면적을 촬영하기 위해서 실험구 중앙에 잔디 색과 색 대조가 되는 표시를 하여 이미지 촬영시 사진 중앙에 표시와 일치가 되게 하여 사진을 촬영 하기도 한다(Lee, 2023). 이미지 분석의 세가지 단계중에서 세번째 해당되는 과정인 디지털 이미지 분석은 소프트웨어를 이용하여 이미지로부터 목적하고자 하는 분석항목에 대해 매개변수를 통해 정량화 하는 과정이다. 충분한 정보를 포함한 이미지가 촬영이 되면 소프트웨어를 통해서 색상 속성을 기준으로 이미지의 일부를 선별한 다음, 선별된 부분(면적, 색상, 모양 등)을 정량화할 수 있다. RGB 색상 정량화 기준은 색조(Hue), 채도(Saturation), 밝기(Brightness)의 3가지 HSB 색상 척도를 사용하여 분석할 이미지 부분에 대한 임계값을 생성한다. HSB 색상 눈금에서 색조는 0 에서 360°(0°=Red, 60°=Yellow, 120°=Green, 180°=Cyan, 240°=Blue, 300°= Magenta)까지의 연속적인 원형 눈금의 각도로 정의되며, 채도는 0%(Grey)에서 100%(Full saturation color)까지의 색상 순도를, 밝기는 0%(Black)에서 100%(White)까지의 색상의 상대적인 밝기나 어두움을 의미한다(Fig. 2) (Chavez, 2023). 촬영된 이미지에서 HSB 설정값의 조정을 통하여 측정하고자 하는 색상의 면적을 계산하게 된다. 예를 들어 피복률의 경우 토양과 잔디의 색 차이에 대한 정보를 HSB 설정값 조정에 의해서 피복률을 나타내는 잔디 영역만을 표시하게 된다. 그러나 촬영된 이미지 내의 색 정보를 기반으로 스캔하는 과정에서 이끼 등과 같이 잔디의 색상정보와 유사한 정보를 가진 대상도 동일하게 스캔이 되는 경우가 있으며, 육안으로는 구분하기 어려우나 소프트웨어를 통해 스캔되었을 때 잔디가 아닌 영역에서 나타나는 노이즈가 발생하기도 한다(Fig. 3). 이러한 경우 피복률의 신뢰도 있는 결과와는 유의차가 발생하므로 잔디의 영역이 아닌 불필요한 노이즈를 모두 제거 하는 과정이 필요하다. 이미지 분석 소프트웨어에서는 측정하고자 하는 대상 이외의 것을 제외시킬 수 있는 기능들이 있으며, ImageJ 에서는 binary (or mask) 이미지로 전환 후 제공되는 다양한 설정기능들을 통해 노이즈를 제외 하고 이미지 내의 적합한 잔디 피복률을 정량화 할 수 있다(Fig. 4) (Ferreira and Rasband, 2012). 단순히 HSB 설정값의 조정에 의한 스캔 결과는 잔디 이외의 다양한 영역에서 나타나게 되어 연구결과로는 사용할 수 없으며, 정량화의 대상이 되는 영역만을 선택하고 불필요한 영역을 제외 할 때 신뢰도 있는 연구결과를 도출할 수 있다.
디지털 이미지 분석의 방향
기존의 육안평가를 대체하기 위한 이미지 분석법에 대한 긍정적 연구결과들은 많은 선행연구에서 여러 측정항목들에 대해 보고되어 오고 있다. Horvath and Vargas (2005)는 creeping bentgrass (Agrostis stolonifera)와 annual bluegrass (Poa annua)에 발생한 dollar spot의 발생 정도를 이미지 분석법으로 측정한 결과 평가자의 차이에서 발생하는 오류를 감소시킬 수 있다고 보고했다. Carrow and Duncan (2003)은 tall fescue (Festuca arundinacea)에서 발생한 생리학적 스트레스 중 건조피해에 대한 평가에서 이미지 분석에 의한 분석이 육안평가 보다 더 정확한 결과를 나타냈다고 보고했다. Shaver et al. (2006)은 파종된 bermudagrass가 발아된 2주후에 피복률을 평가자의 오류를 배제하기 위해 육안평가가 아닌 이미지 분석을 통해 연구결과를 도출했다. 이와 같이 많은 선행연구에서 이미지 분석법에 대한 긍정적인 연구결과를 보고하고 있고, 이미지 분석의 평가방법이 인간의 육안으로 평가 할 수 없는 많은 색의 정보를 기반으로 분석하기 때문에 육안평가 보다 더 정확한 평가가 가능하다고 판단할 수 있다. 그러나 현재까지 보고된 방법론적인 이미지 분석법의 연구결과는 기존의 육안평가보다 더 정확한 결과를 도출하기에는 평가과정에서 침입한 잡초 침입에 의한 오류, 광조건 차이에 의한 분석결과 오류 등 많은 보완점들이 발견되고 있다 (Lee, 2023; Smiley et al., 1992). 그러므로 현재까지의 잔디학문 분야에서 이미지 분석법은 기존의 육안 평가법 보다 더 정확한 평가 방법을 발전시키기 보다는 육안평가 방법을 대체 할 수 있는 이미지 분석법을 정립하는 것에 그 목표가 있다(Leinauer et al., 2014; Schnell et al., 2009). 따라서 숙련된 평가자의 평가결과와 이미지 분석간의 평가결과의 상관관계가 어느 정도 일치되는지에 대한 결과가 중요하게 된다. Richardson et al. (2001)은 bermudagrass (Cynodon dactylon)의 피복률을 0.75에서 12%까지 설정한 후 육안평가와 이미지 분석의 두 가지 방법으로 평가한 결과에 대한 상관관계 분석에서 r2>0.99의 높은 유사도가 나타났다고 보고한바 있다. Bell et al. (2009)은 bermudagrass (Cynodon spp.), buffalograss (Buchloe dactyloides), zoysiagrass (Zoysia spp.)의 세가지 초종으로 육안평가와 이미지 분석법을 비교한 실험에서 r2=0.85의 높은 유사도가 나타났다고 보고한바 있다. Karcher and Richardson (2003)은 creeping bentgrass와 zoysiagrass의 녹색도를 육안평가와 이미지 분석법의 방법을 비교한 결과 r2 = 0.96-0.97의 높은 유사도가 나타났다고 보고한바 있다. 이와 같이 많은 선행연구에서는 육안평가의 단점을 보완하고 평가자 간의 주관적 차이 그리고 환경요인으로 인한 평가결과의 차이로부터 발생하는 오류를 감소시키기 위한 이미지 분석법을 정립하기 위해 실험이 진행되었으며, 신뢰도 높은 연구결과도 도출이 되었다. 그러나 이미지 분석법은 일부 잔디 초종과 일부 평가 항목에서는 육안평가를 대체 할 만한 신뢰도를 나타낼 수 있으나, 잔디품질을 나타내는 6가지 항목을 비롯해 잔디학문 분야에서 사용되고 있는 여러 가지 평가항목을 모두 대체 하기 위해서는 명확하게 규명되어야 할 방법론적인 사항들이 있다(Bunderson, 2009). Leinauer et al. (2014)는 육안평가와 Normalized Difference Vegetation Index (NDVI)와의 상관관계는 그 유사도가 높게 나타났으나, 이미지 분석법은 육안평가의 평가방법을 대체 할 수 없다고 결론 내린바 있다. Bell et al. (2009)은 육안평가와 이미지 분석법을 비교한 실험에서 r2=0.85의 높은 유사도를 보고한바 있으나, 동일연구에서 이미지 분석결과만으로 육안평가를 대체하기는 충분하지 않다고 보고한바 있다. Ghali et al. (2010)은 2008-2009년 기간 동안 육안평가와 이미지 분석법을 비교 하였을 때, 2008년에는 상관관계의 유사도가 r2=0.45가 나타났으며 2009년에는 r2=0.71이 나타났다. 2008년에는 그 유사도가 낮게 나타나 육안평가를 대체할 수 없다고 판단되었으며, 2008년과 2009년의 결과에서도 그 차이가 발생해 일관적인 평가방법으로 사용될 수 없다고 보고했다.
선행연구에서 나타난 바와 같이 이미지 분석법이 일부 초종과 평가항목에서 현재의 육안평가를 대체 할 수 있는 부분이 있다. 그러나 육안평가의 단점이라고 알려진 평가자의 주관적인 평가, 환경요인의 영향 등을 보완 할 수 있는 방법들이 더 필요한 시점이라 판단된다. Karcher and Richardson (2013)가 제시한 이미지 분석을 위한 3가지 단계는 앞으로 현재의 이미지 분석법에서 무엇을 보완해야 하는지에 대한 방법을 제시하고 있다. 첫 번째 단계에서 충분한 색 정보, 균일한 광 정보를 포함한 고품질 이미지 확보하기 위해 이미지 촬영 방법에서 정형화 된 방법이 필요하다. 카메라의 설정값과 일정한 광 조건 및 광원의 밝기 정도의 표준화가 필요하다. 두 번째 단계인 정량화 대상이 되는 잔디면적의 선택은 소프트웨어에서 정해진 기준대로 선택이 가능하므로, 분석대상이 되는 면적의 적정크기가 설정되어야 한다. 세 번째 단계인 선택된 이미지 부분에 대한 측정항목의 매개변수 정량화는 많은 연구를 통해서 정립되어야 할 것으로 판단된다. 이미지 분석을 위한 소프트웨어 마다 특성이 있어, 적용방법에서 차이가 나타나며 일부 소프트웨어는 특정 항목의 분석을 위해 개발되어 잔디학문에 필요한 모든 평가 항목을 측정하기 위해서는 한가지로 가능하지 않을 수 있다. 우리나라의 경우 사용되는 초종이 많지는 않으나 한지형 잔디와 난지형 잔디의 특징이 크게 차이가 나타나 한가지 분석법으로 모든 초종을 분석하는 것에는 한계가 있다. 육안평가로 녹색도를 측정할 때 한지형 잔디의 9단계와 난진형잔디의 9단계가 같을 수 없기 때문이다. 또한 같은 한지형 잔디라 할지라도 creeping bentgrass와 tall fescue의 경우 그 특성이 큰 차이가 나타나므로 동일한 이미지 분석 설정으로 일관적인 결과를 기대할 수 없다고 판단된다. 따라서 잔디학문 분야에서 이미지 분석은 초종별로 평가항목에 대한 분석법이 연구되어야 하며 정량화된 방법으로 일관된 이미지 수집과 분석이 필요하다. 현재는 육안평가 보다 정밀한 평가방법을 연구하는 것 보다 육안평가를 대체 할 수 있는 이미지 분석방법에 대한 연구가 필요하다고 판단된다.
요약
잔디품질 평가는 잔디학문 분야에서 필수적으로 사용되는 평가 방법이나, 육안평가를 기반으로 한 주관적인 평가방법으로 다양한 요인에 있어 그 신뢰도에 있어 의문점에 대한 연구결과 또한 지속적으로 보고되고 있다. 기존의 육안평가의 단점을 보완 할 수 있고 비교적 일관성과 정확도가 높은 방법으로 디지털 이미지 분석법이 제시되고 있다. 본 연구에서는 잔디학문 분야에서의 디지털이미지 분석의 연구방법과 향후의 연구방향을 고찰해 보고자 한다. 잔디 연구를 위한 이미지 분석을 위해서는 다음의 세 가지 단계로 이루어진다. 첫 번째 단계에서 충분한 색 정보, 균일한 광 정보를 포함한 고품질 이미지 확보하기 위해 이미지 촬영 방법에서 정형화 된 방법이 필요하다. 카메라의 설정값과 일정한 광 조건 및 광원의 밝기 정도의 표준화가 필요하다. 두 번째 단계인 정량화 대상이 되는 잔디면적의 선택은 소프트웨어에서 정해진 기준대로 선택이 가능하므로, 분석대상이 되는 면적의 적정크기가 설정되어야 한다. 세 번째 단계인 선택된 이미지 부분에 대한 측정항목의 매개변수 정량화는 많은 연구를 통해서 정립되어야 할 것으로 판단된다. 잔디학문 분야에서 이미지 분석은 초종별로 평가항목에 대한 분석법이 연구되어야 하며 정량화된 방법으로 일관된 이미지 수집과 분석이 필요하다. 현재는 육안평가 보다 정밀한 평가방법을 연구하는 것 보다 육안평가를 대체 할 수 있는 이미지 분석방법에 대한 연구가 필요하다고 판단된다.
