[Computer Vision] Color

Color

• 컬러는 물리적인 빛(자연광, 조명) 환경과 우리의 비주얼 시스템(눈, 카메라)과의 상호작용의 결과이다.

빛은 아주 상대적인 정보이고 조명 환경등의 영향을 받아 달라질 수 있는 정보이다.

• 컬러는 심리적인 효과가 작용된다.

환경과 심리적인 받아들임에 따라 색상 정보가 다르게 느껴질 수 있다. 예를들어 식당에서 붉은색 식탁보를 까는 이유는 파란색보다 붉은색이 식욕을 복돋아주기 때문이다.

컬러는 유용한 정보임과 동시에 조명환경에 따라 변할 수 있는 민감한 정보이기 때문에 매우 조심히 다뤄야 한다.

위 그림을 보면 영역 A와 영역 B의 색상이 달라보인다.

막대 그림을 넣어 실제로 비교해보면 같은색임을 알 수 있다.

즉, 절대적인 색상이 동일해도 조명 환경 등의 사유로 색상이 다르게 보일 수 있기 떄문에 패턴을 인식할 때에도 주의해서 사용해야 한다.

인간의 눈이 어떻게 색상을 인지하는지 다시 복기해보자! 수정체를 통해 빛이 들어오면 망막에 상이 맺히고 시신경을 통해 뇌에 빛의 정보가 전달된다. 

시신경은 Cone(빨간색, 초록색, 파랑색 파악), Rod(빛의 밝고 어두운 정도를 파악)로 구성되어있으며 시신경으로 들어온 정보를 합쳐서 모든 색상을 보게 되는 것이다.

시신경의 비율을 살펴보면 빨간색이 10으로 앞도적으로 많으며 녹색을 볼 수 있는 시신경이 5, 파랑색은 1을 갖고 있다. 시신경의 활동 정도를 통해 색맹을 분류할 수 있다. 그중 파랑색을 감지하는 Cone의 비율이 적기 때문에 파랑색을 못보는 색맹의 비율이 높다.

백색광을 프리즘을 통해 분리해보면 주파수에 따라 다양한 색의 빛이 존재하고 있음을 알 수 있으며 인간이 볼 수 있는 빛의 범위는 400~700파장 영역이며 이를 가시광선이라고 부른다.

빛의 세기를 측정해주는 함수는 존재하지 않는다. 그러나 통계적 방법을 통해 빛의 강도를 정량적으로 표현할 수 있다. 주파수의 평균이 어디에 있는가? 평균을 기준으로 얼마만큼의 빛이 들어왔을때 주파수의 범위가 달라지는가? 를 나타낼 수 있다.

스펙트럼의 중심위치 변화: Hue

평균값이 좌측으로 움직이면 보라색, 우측으로 움직이면 빨간색으로 보이게 된다. 가시광선의 범위에서 중심 위치가 변하는가에 따라 어떤 색이 들어오는지 확인할 수 있으며 위와 같이 파장에 따라 색이 변하는 것을 Hue 라고 부른다.

빛이 얼마나 산포되어있는가? : Saturation

가우시안 분포는 중심으로부터 퍼져있을 수 있고(산포) 모여있을 수 있다. 표준편차가 작다는 의미는 중심의 특정 색상이 많이 모였이다는 의미이다. 통계적으로는 분산으로 의미한다.

위 이미지를 생각해 보았을 때 모든 파장의 빛이 고르게 들어오는 low는 백색광일 가능성이 높을 것이며 hi는 녹색광과 비슷한 계열이 들어오게 될 것이다.

빛의 양이 많은가 적은가: Brightness

모두다 중심 위치와 표준 편차는 동일하다. 하지만 빛이 들어오는 정도에 따라 밝게 느껴지는가 어둡게 느껴지는가의 차이를 보여주고 있다. 빛이 적으면 어둡게 보이며 빛이 많으면 특정 주파수의 빛이 많이 들어온다. 

HSB, HSV와 같이 색상을 나타내는 방법이 여러가지가 존재한다. 실제로 Hue, Saturation, Brightness의 약자이다.

일상 생활에서 보이는 물체들을 HSV모델을 활용하여 색상을 표현해보자! 

• 토마토는 붉은색 계통이기 때문에 붉은 파장쪽의 광자의 양이 많이 모여있다고 해석할 수 있다.
• 바나나는 노란색과 관련된 광자가 모여있다.
• 포도는 보라색과 관련된 광자가 모여있다.

또다른 색상 모델 RGB

일반적으로는 1바이트 크기를 갖는 R, G, B의 선형 조합을 통해 모든 색상을 표현하는 편이다.

RGB 각 모든 축으로 0~255 값을 가질 수 있으며 3가지 색이 모두 0이면 검정색이고 모두 255를 가지면 흰색이 된다.

[주의할 점]

빨간색 + 파랑색 = 보라색 (Magenta)
파랑색 + 초록색 = 하늘색 (Cyan)
빨간색 + 초록색 = 노랑색 (Yellow)
빨간색 + 초록색 + 파랑색 = 흰색 (white)
아무색도 없다면 = 검은색 (black)

위에서 언급된 색상 모델은 같은 빛을 보는 관점이 달라지는 것이다.

모델간 상호 변환이 가능하다

컬러 영상 또한 R, G, B에 대한 2차원 영상 평면을 갖고 있으며 긱 색상에 대한 채널로 나뉘어져 있다고 부르며 위 세 정보의 조합을 통해 컬러 영상을 볼 수 있게 된다. 이와 같은 사유로 컬러 영상처리는 3가지 채널을 독립적으로 처리하게 된다.

회전하는 방향으로 빛의 파장이 바뀌고 있으며 상하방향으로 움직이면 빛의 밝기(intensity)값이 바뀐다. 원의 반지름에 따라 saturation이 달라진다. (진빨강, 진파랑, 진초록)

원래 영상으로부터 Intensity를 바꿈으로써 사진의 분위기를 바꿀 수 있다. 첫번째 영상은 Brightness 를 두번째 영상은 감마값을 바꾼 것이다. 감마값은 휘도라고 부르며 비선형적으로 밝기 값을 조정할 수 있다.

컴퓨터 비젼에서의 색상 활용 예시

컬러 정보가 주변환경에 민감하긴 하지만 과거에는 물체를 구분하는 용도로 사용된 예시가 있다. 회전 혹은 이동이 있어도 색상 분포를 통해 물체를 인지할 수 있다.

주어진 영상의 색상 분포를 바꿔서 유사도가 높은 영상을 찾아준다. 예를들어 따듯한, 차가운 분위기의 영상을 찾아주는 기능을 구현할 때 활용된다.

주어진 영상에서 물체를 구분하는 등의 image segmentation을 구현할 때 컬러 정보를 활용하여 분류할 수 있다. 물론 사람은 컬러말고도 형태 등의 여러 정보를 활용하여 인지하지만 컬러만을 사용해서도 인지할 수 있다.

사람의 피부색을 활용하여 사람을 검출해 낸다. 하지만 피부색과 유사한 색상도 함께 검출되기 때문에 후보군정도만 선별하는 용도로 써먹기 좋다. 그중에서 중요한 문제는 피부색은 여러가지가 있기 때문에 위험한 접근법이다.

소니에서 만든 강아지 로봇이다. 공의 위치를 추적하기 위해 컬러 정보를 활용하며 공이 주황색인 이유는 다른 색상과 분명하게 구분될 수 있어야 하기 때문이다.