Python에서 이미지 왜곡 보정(Image Undistortion) – 카메라 렌즈 교정

1. 카메라 렌즈 왜곡이란 무엇인가?

스마트폰, 웹캠, DSLR, 드론 카메라 등 다양한 촬영 장비를 사용하다 보면 이미지의 직선이 휘어 보이거나 주변부가 왜곡되는 현상을 쉽게 발견할 수 있다.
이러한 현상을 **렌즈 왜곡(Lens Distortion)**이라고 하며, 특히 광각 렌즈나 저가형 렌즈에서 자주 발생한다.

왜곡은 크게 두 가지 형태로 나뉜다.

• 배럴 왜곡(Barrel Distortion): 이미지 중심은 정상적으로 보이지만, 가장자리가 바깥쪽으로 휘는 현상.
• 핀쿠션 왜곡(Pincushion Distortion): 반대로 이미지의 가장자리가 안쪽으로 오그라드는 현상.

이러한 왜곡은 눈으로 볼 때는 사소해 보일 수 있지만,
자율주행, 산업용 비전, 3D 재구성 등 정밀한 영상 분석을 요구하는 분야에서는 정확도에 치명적인 영향을 준다.
따라서 **Python과 OpenCV를 이용한 이미지 왜곡 보정(Image Undistortion)**은 실무에서 매우 중요한 과정이다.

---

2. 이미지 왜곡 보정의 핵심 원리

렌즈 왜곡 보정의 핵심은 **카메라 보정(Camera Calibration)**이다.
이는 카메라가 촬영한 이미지의 기하학적 왜곡을 수학적으로 모델링하여,
실제 세계 좌표계에 맞게 보정하는 과정을 의미한다.

OpenCV는 cv2.calibrateCamera() 함수를 통해
카메라의 내부 파라미터(내부 행렬, Intrinsic Matrix)와 왜곡 계수(Distortion Coefficients)를 계산한다.

이 두 값은 이미지 왜곡을 보정하는 핵심 요소이다.

• 카메라 내부 행렬(Camera Matrix):
  초점 거리(fx, fy), 중심 좌표(cx, cy) 등 카메라의 내부 구조를 나타낸다.
• 왜곡 계수(Distortion Coefficients):
  렌즈의 휘어짐 정도를 나타내는 매개변수로, 일반적으로 k1, k2, p1, p2, k3 형태로 구성된다.

이 값을 이용해 OpenCV의 cv2.undistort() 함수를 호출하면,
입력 이미지의 왜곡을 보정하여 실제 형태에 가까운 이미지를 복원할 수 있다.

---

3. Python과 OpenCV를 이용한 보정 절차

렌즈 왜곡 보정은 단순히 함수를 호출하는 것이 아니라, 다음과 같은 단계적인 절차로 진행된다.

1️⃣ 체커보드(Checkerboard) 이미지 촬영

카메라 보정을 위해 먼저 정사각형 패턴의 체커보드를 여러 각도와 거리에서 촬영해야 한다.
이 이미지를 통해 카메라가 공간을 어떻게 인식하는지를 추정할 수 있다.

2️⃣ 코너 포인트 검출

cv2.findChessboardCorners()를 이용하면 체커보드의 교차점을 자동으로 인식한다.
이 포인트들은 실제 세계의 좌표(3D)와 이미지상의 좌표(2D)를 연결하는 기준이 된다.

3️⃣ 카메라 보정 계산

인식된 코너 포인트 데이터를 바탕으로 cv2.calibrateCamera()를 호출해
카메라 매트릭스와 왜곡 계수를 구한다.
이 단계에서 수십 장의 이미지가 사용될수록 보정 정확도가 향상된다.

4️⃣ 이미지 왜곡 보정

보정이 완료되면, cv2.undistort() 함수에 입력 이미지를 전달하여 왜곡된 이미지를 보정할 수 있다.
이 과정은 실시간 영상 스트림에도 적용할 수 있으며,
자동차 후방 카메라나 드론 영상에서도 흔히 사용된다.

---

4. 보정 전후 이미지 비교의 중요성

렌즈 보정 결과의 품질은 “보정 전과 후의 차이”로 평가된다.
보정 전에는 이미지의 직선이 휘어 있거나 가장자리가 비정상적으로 늘어난 반면,
보정 후에는 직선이 다시 곧게 펴지고 화면 왜곡이 크게 줄어든다.

특히, **기하학적 정확성(Geometric Accuracy)**이 필요한 환경에서는
보정된 이미지를 기반으로 거리, 면적, 각도 등을 계산해야 하므로
왜곡 보정의 정확도는 전체 비전 시스템의 신뢰도를 결정짓는 핵심 요소다.

보정 후 이미지에서 남은 왜곡이 있는 경우,
cv2.getOptimalNewCameraMatrix()를 이용해 시야각을 조정하고
필요에 따라 ROI(Region of Interest)를 잘라내면 더욱 정확한 결과를 얻을 수 있다.

---

5. 실제 응용 사례

렌즈 왜곡 보정 기술은 단순한 이미지 품질 개선을 넘어서 다양한 산업 분야에서 활용된다.

• 자율주행 시스템: 차량 카메라의 왜곡을 제거해 차선 인식과 거리 계산의 정확도를 높인다.
• 로봇 비전: 로봇의 시각 인식 시스템에서 객체 위치를 정확히 판단하기 위해 보정된 영상 사용.
• 산업용 검사(Inspection): 기계 비전 시스템에서 제품 표면의 결함을 정확히 판별.
• 드론 영상 처리: 광각 렌즈로 촬영된 지형 데이터를 정밀하게 분석.
• VR/AR 시스템: 사용자 시야 왜곡을 보정해 현실감 있는 가상 환경 구현.

이처럼 보정 과정은 단순히 이미지의 “보기 좋은 형태”를 만드는 것을 넘어,
정확한 공간 해석과 데이터 기반 분석의 신뢰성을 높이는 역할을 한다.

---

6. 성능 최적화와 실무 팁

카메라 보정은 수학적 계산량이 많고, 고해상도 이미지일수록 처리 속도가 느려질 수 있다.
이를 효율적으로 최적화하기 위한 몇 가지 실무 팁을 소개한다.

1. 이미지 해상도 축소: 보정 계산 시에는 낮은 해상도의 이미지를 사용하고,
   계산된 파라미터를 고해상도 영상에 적용하는 방식이 효과적이다.
2. ROI 설정: 보정 후 검은 영역(유효 픽셀 외 영역)을 제거하여 이미지 품질 향상.
3. 파라미터 저장: 한 번 계산한 카메라 매트릭스와 왜곡 계수는 .npz 파일로 저장하여 재사용.
4. 실시간 처리: OpenCV의 비디오 스트림(cv2.VideoCapture)에 적용하여 실시간 보정 가능.
5. 환경 일관성 유지: 조명, 거리, 초점 거리 변화가 클 경우, 새로운 보정 데이터를 다시 수집해야 한다.

이러한 절차를 따르면, Python 환경에서도 산업용 수준의 정밀 보정 시스템을 구축할 수 있다.

---

7. 결론: 정밀한 비전 시스템의 시작은 보정에서

이미지 왜곡 보정은 컴퓨터 비전의 가장 기본적이면서도 가장 중요한 전처리 과정이다.
Python과 OpenCV를 이용하면 고가의 장비 없이도, 체계적인 카메라 교정 및 왜곡 보정 절차를 손쉽게 구현할 수 있다.

이 과정을 통해 얻은 정확한 보정 이미지는
객체 인식, 거리 측정, 3D 매핑, 영상 분할 등 다양한 고급 비전 기술의 기초가 된다.

즉, **“정확한 비전 시스템의 시작은 올바른 보정에서 시작된다”**는 말처럼,
렌즈 보정은 단순한 영상 보정 이상의 의미를 가지며
AI 기반 시각 인식 기술의 품질을 결정짓는 핵심 과정이다.