Computer Vision + Python/비전 프로그래밍 기초 (초급자)

Python으로 이미지 색상 보정(Color Correction) 및 화이트 밸런스 적용

taeridad19 2025. 11. 10. 20:43

Python으로 이미지 색상 보정(Color Correction) 및 화이트 밸런스 적용

디지털 이미지의 품질을 높이는 핵심 요소 중 하나는 바로 색상(Color) 입니다. 조명 환경, 카메라 센서의 특성, 촬영 설정 등에 따라 원본 이미지의 색감이 실제와 다르게 표현되는 경우가 많습니다. 이런 문제를 해결하기 위해 색상 보정(Color Correction) 과 화이트 밸런스(White Balance) 기법이 사용됩니다. 본 글에서는 Python과 OpenCV를 활용해 색상 보정과 화이트 밸런스를 적용하는 방법을 단계별로 살펴보겠습니다.

색상 보정이란?

색상 보정(Color Correction)은 이미지의 색감 왜곡을 최소화하여 실제 색상에 가깝게 조정하는 과정입니다. 이는 사진, 영상, 의료 이미지, 산업용 비전 등 다양한 분야에서 필수적으로 수행됩니다. 색상 보정의 주요 목표는 RGB 채널의 균형을 맞추고, 명암 대비를 조절하며, 색상 편차를 줄이는 것입니다.

Python에서는 OpenCV의 cv2.cvtColor()와 cv2.normalize(), 그리고 NumPy 연산을 활용하여 이러한 과정을 손쉽게 구현할 수 있습니다.

화이트 밸런스의 개념과 중요성

화이트 밸런스(White Balance)는 이미지 내의 ‘흰색’을 실제 흰색처럼 보이게 조정하는 기술입니다.
예를 들어, 실내에서 촬영된 사진은 노란색이 강하게 나타나고, 야외 그늘에서 찍은 사진은 푸른빛이 도는 경우가 많습니다. 이는 조명 색온도의 차이 때문이며, 화이트 밸런스 보정을 통해 이러한 색 온도 편차를 줄일 수 있습니다.

화이트 밸런스는 카메라의 자동 기능으로도 적용되지만, Python과 OpenCV를 이용하면 수동으로 조정하여 더 세밀한 제어가 가능합니다.

Python과 OpenCV로 색상 보정하기

Python 환경에서 색상 보정을 수행하려면 먼저 이미지를 불러오고, 각 채널(R, G, B)의 평균값을 분석합니다. 각 채널의 밝기 수준이 일정하도록 정규화(normalization)하면 색상 불균형이 개선됩니다.

예를 들어 다음과 같은 단계로 구현할 수 있습니다.

  1. 이미지 불러오기
  2. import cv2 import numpy as np img = cv2.imread('image.jpg')
  3. RGB 채널 분리 및 평균 계산
  4. (b, g, r) = cv2.split(img) avg_b, avg_g, avg_r = np.mean(b), np.mean(g), np.mean(r)
  5. 정규화하여 색 균형 맞추기
  6. k = (avg_r + avg_g + avg_b) / 3 r = cv2.addWeighted(r, k / avg_r, 0, 0, 0) g = cv2.addWeighted(g, k / avg_g, 0, 0, 0) b = cv2.addWeighted(b, k / avg_b, 0, 0, 0) corrected = cv2.merge([b, g, r])
  7. 결과 확인
  8. cv2.imshow('Corrected Image', corrected) cv2.waitKey(0) cv2.destroyAllWindows()

이러한 방식은 기본적인 색상 보정 방법이며, 실제 산업 응용에서는 감마 보정(Gamma Correction), LAB 컬러 공간 변환 등 추가적인 알고리즘이 사용됩니다.

화이트 밸런스 알고리즘 구현

화이트 밸런스는 색 온도(White Point)를 기준으로 RGB 값의 균형을 조정하는 과정입니다. Python에서는 OpenCV의 cv2.xphoto 모듈을 활용해 다양한 방식으로 구현할 수 있습니다.

1. Gray World 알고리즘

Gray World는 “평균 색상은 회색이어야 한다”는 가정에 기반합니다.
즉, 이미지 전체의 RGB 평균값이 같도록 조정하여 색온도를 맞추는 방식입니다.

def gray_world_white_balance(img):
    result = img.copy().astype(np.float32)
    avg_b = np.mean(result[:, :, 0])
    avg_g = np.mean(result[:, :, 1])
    avg_r = np.mean(result[:, :, 2])
    avg_gray = (avg_b + avg_g + avg_r) / 3
    result[:, :, 0] *= (avg_gray / avg_b)
    result[:, :, 1] *= (avg_gray / avg_g)
    result[:, :, 2] *= (avg_gray / avg_r)
    return np.clip(result, 0, 255).astype(np.uint8)

이 함수는 간단하면서도 다양한 조명 환경에서 자연스러운 색감을 복원할 수 있습니다.

2. White Patch Retinex 방식

이미지 내에서 가장 밝은 영역을 ‘참조 백색’으로 간주하고, 그에 맞춰 전체 색상을 조정하는 방식입니다.
이 방법은 조명 변화에 민감한 환경에서도 효과적입니다.

색상 보정과 화이트 밸런스의 응용 사례

  1. 사진 보정 및 리터칭:
    인물 사진의 피부 톤 보정, 풍경 사진의 색감 강화 등에서 색상 교정은 필수입니다.
  2. 의료 영상 처리:
    의료용 이미지는 색상 정확도가 진단 결과에 직접적인 영향을 미치므로, 정밀한 화이트 밸런스 조정이 요구됩니다.
  3. 산업용 비전 시스템:
    제품 검수나 품질 관리에서 색상 인식 정확도를 높이기 위해 색상 보정이 사용됩니다.
  4. 자율주행 및 로봇 비전:
    다양한 조명 환경에서도 사물 인식 정확도를 유지하기 위해 색상 보정 알고리즘이 필수적입니다.

결론

색상 보정과 화이트 밸런스는 단순히 이미지의 ‘미적 품질’을 높이는 기술을 넘어, 컴퓨터 비전과 인공지능 비전 시스템의 성능을 결정짓는 핵심 요소입니다. Python과 OpenCV를 활용하면 간결한 코드로 실험적 접근이 가능하며, 다양한 조명 조건에서 일관된 이미지 품질을 확보할 수 있습니다.

앞으로는 색상 보정 후, 감마 보정(Gamma Correction)이나 색상 공간 변환(LAB, HSV) 등을 결합해 더욱 자연스럽고 정확한 색상 표현을 시도해보는 것도 좋습니다.