컴퓨터 비전 애플리케이션에서 색상 감지 활용하기

색상은 인간이 세상을 경험하는 방식에서 중요한 역할을 하며, 주변을 인식하고 이해하고 연결하는 데 도움을 줍니다. 그러나 인간과 달리 기계는 색을 그대로 보지 않고 데이터로 처리해 색조와 색상을 숫자 값으로 변환합니다.

자율주행차는 빨간 신호등을 단순히 보는 데 그치지 않고, 해당 색을 정지 신호로 처리합니다. 색을 인식하고 해석하는 이러한 능력은 인간의 시각과 컴퓨터 비전 사이의 간극을 좁혀 줍니다.

컴퓨터 비전은 기계가 시각 데이터를 분석하고 이해하도록 하는 AI 분야입니다. 컴퓨터 비전의 핵심 요소인 색상 감지는 기계가 색을 기준으로 객체를 식별하고 구분할 수 있게 합니다. 서로 다른 색 공간에서 픽셀 값을 분석하는 색상 감지는 객체 추적, 의료 영상, 자동화와 같은 애플리케이션에 활용할 수 있습니다.

이 글에서는 색상 감지가 작동하는 방식과 중요한 이유, 그리고 컴퓨터 비전 애플리케이션에서 활용되는 방법을 자세히 살펴보겠습니다.

색상 감지란 무엇인가요?#

색상 감지는 기계가 색을 기준으로 객체를 식별하고 장면을 이해하도록 돕습니다. 다른 컴퓨터 비전 작업과 결합하면 정확도를 높이고 실제 애플리케이션의 성능을 개선합니다. 색상 감지의 작동 방식을 살펴보기 전에 색상이 디지털 방식으로 표현되는 방법을 알아두면 좋습니다.

디지털 이미지는 픽셀이라고 하는 작은 정사각형으로 구성되며, 각 픽셀에는 색상 정보가 담겨 있습니다. 예를 들어 RGB(빨강, 초록, 파랑) 색상 모델에서는 빨강, 초록, 파랑의 강도를 다르게 혼합하여 색상을 만듭니다.

각 색상은 0부터 255까지의 세 가지 값으로 정의됩니다. 0은 색이 없음을, 255는 최대 강도를 의미합니다. 예를 들어 순수한 빨강은 빨강 값이 가장 높고 초록과 파랑은 없으므로 (255, 0, 0)입니다. 흰색은 세 가지 색이 모두 최대 강도이므로 (255, 255, 255)입니다.

그림 1. 컴퓨터가 사과의 색을 인식하는 방식의 예.

Ultralytics YOLO11과 같은 컴퓨터 비전 모델에 익숙하다면 색상 감지가 객체 감지와 별도의 기술인 이유가 궁금할 수 있습니다. 두 기술 모두 이미지를 분석하지만 목적은 서로 다릅니다.

색상 감지는 이미지에서 특정 색을 식별하는 데 초점을 맞추는 반면, 객체 감지는 색과 관계없이 객체를 인식하고 분류합니다. 자율주행차의 경우 색상 감지는 신호등의 빨간색을 감지하고, 객체 감지는 신호등 자체를 식별하여 차량이 안전하게 주행하도록 돕습니다.

색 공간 소개#

색 모델 또는 색 공간은 디지털 이미지에서 색상을 표현하는 데 사용되는 시스템으로, 색상 감지의 핵심 요소입니다. 색 공간은 색상에 숫자 값을 할당하여 컴퓨터가 여러 기기에서 일관되게 색상을 해석할 수 있도록 합니다. 색 공간은 디지털 시스템에서 색상을 저장하고 조정하며 표시하는 구조화된 방식을 제공합니다.

일반적으로 사용되는 색 공간으로는 디지털 디스플레이용 RGB, 이미지 처리용 HSV(색상, 채도, 명도), 인쇄용 CMYK(시안, 마젠타, 노랑, 검정)가 있습니다. RGB와 HSV는 색상 감지에 가장 자주 사용되는 색 공간입니다. 작동 방식을 살펴보겠습니다.

RGB 색 공간 개요#

RGB 색 공간은 디지털 이미징에 널리 사용되며 화면, 카메라, 디스플레이 장치에서 찾아볼 수 있습니다. 빨강, 초록, 파랑 빛의 수준을 다르게 조합하여 다양한 색상을 만듭니다. 세 가지 색이 모두 최대 강도이면 흰색이 되고, 어느 색도 없으면 검은색으로 나타납니다.

이 색 공간은 각 축이 기본 색상 하나를 나타내는 색상 큐브로 흔히 시각화됩니다. 큐브의 꼭짓점에는 순수한 빨강, 초록, 파랑과 이들의 조합이 표시되고, 내부에는 가능한 모든 색조가 담깁니다.

RGB는 단순하고 널리 사용되지만 몇 가지 한계가 있습니다. RGB는 색상 차이에 대한 인간의 인식을 고르게 반영하지 않으므로 색상이 사람의 눈에 항상 동일하게 보이지 않을 수 있습니다. 또한 조명 조건의 영향을 받아 밝기와 환경에 따라 색상이 달라 보일 수 있습니다.

그림 2. RGB 색상 큐브.

HSV 색 공간 개요#

HSV(색상, 채도, 명도) 색 공간은 색상, 채도, 명도의 세 가지 구성 요소를 기준으로 색상을 표현합니다. 색상은 색의 종류, 채도는 색의 강도, 명도는 밝기를 뜻합니다. 빛의 강도를 혼합하는 RGB와 달리 HSV는 인간의 색상 인식 방식에 더 가까우므로 많은 이미지 처리 작업에 실용적입니다.

특히 색상은 실제 색을 나타내며 색상환에서 각도로 측정합니다. 빨강은 0°이고 파랑은 240°입니다. 채도는 색상이 얼마나 선명하거나 흐릿하게 보이는지를 제어하며, 0%는 완전한 회색이고 100%는 가장 선명한 상태입니다. 반면 명도는 밝기를 결정하며 0%(검은색)부터 100%(최대 밝기)까지의 범위를 가집니다.

흥미롭게도 HSV 색 공간은 흔히 원뿔 형태로 시각화됩니다. 원뿔의 가장자리를 따라 색상이 배치되고, 채도는 바깥쪽으로 갈수록 높아지며, 밝기는 아래에서 위로 갈수록 증가합니다. HSV는 색상과 밝기를 분리하므로 컴퓨터 비전 애플리케이션에서 널리 사용됩니다.

그림 3. HSV 원뿔.

RGB와 HSV 색 공간 비교#

RGB와 HSV를 나란히 비교하기 위해 주황색을 예로 들어 보겠습니다. RGB 색 공간에서 주황색은 빨간색과 녹색을 특정 강도로 혼합해 만들며, 일반적으로 (255, 165, 0)으로 표시합니다. 이는 빨간색은 최대 강도, 녹색은 일부 강도, 파란색은 0임을 뜻합니다. 하지만 RGB는 색상과 밝기를 분리하지 않으므로 정밀한 색상 조작이 필요한 작업에서는 직관성이 떨어질 수 있습니다.

HSV에서는 주황색을 다르게 정의합니다. 색조는 약 39°로, 색상환에서의 위치를 결정합니다. 채도는 거의 100%로 선명하고 순수한 색상임을 의미하며, 명도도 100%로 최대 밝기를 나타냅니다. HSV는 색상과 밝기를 분리하므로 조명 조건이 달라질 수 있는 색상 감지 애플리케이션에서 더 유용한 경우가 많습니다.

그림 4. RGB 값과 HSV 값 비교. 이미지 제공: 저자.

색상 감지의 작동 방식#

일반적으로 색상 감지는 이미지나 동영상에서 색을 식별하고 분리하는 데 사용하는 이미지 처리 기법으로 접근합니다. 이미지 처리로 이미지의 색을 감지할 때는 색 공간과 임계값 설정 기법을 활용해 특정 색조, 명도, 강도를 구분합니다.

이미지 처리를 통한 색상 감지의 주요 단계를 간단히 살펴보겠습니다.

• 이미지 획득: 카메라로 이미지나 동영상 프레임을 캡처하면서 프로세스가 시작됩니다. 이미지는 일반적으로 픽셀 행렬로 구성된 RGB 형식으로 저장됩니다.
• 색 공간 변환: RGB가 색상 감지에 항상 적합한 것은 아니므로 이미지를 HSV 색 공간으로 변환합니다. 이렇게 하면 색상과 밝기가 분리되어 다양한 조명 조건에서도 감지가 더욱 안정적으로 이루어집니다.
• 색상 임계값 설정: HSV 형식에서 대상 색상의 특정 범위를 정의합니다. 이 단계에서는 이진 마스크를 생성하며, 선택한 색상 범위에 속하는 픽셀은 흰색으로, 나머지 픽셀은 검은색으로 표시됩니다.
• 마스킹: 이진 마스크를 원본 이미지에 적용하여 감지된 색상을 분리하고 나머지는 필터링합니다. 이렇게 하면 원하는 색상과 일치하는 영역만 강조됩니다.

색상을 감지하고 분리한 후에는 객체 추적, 이미지 분할, 로보틱스·의료 영상·자율주행차와 같은 애플리케이션의 자동 의사 결정 등 다양한 컴퓨터 비전 작업에 활용할 수 있습니다.

컴퓨터 비전에서 색상 감지의 역할#

색상 감지의 작동 방식을 살펴보았으니, 이제 색상 감지가 컴퓨터 비전 애플리케이션을 어떻게 지원하는지 알아보겠습니다.

색상이 객체를 구분하는 주요 요소인 통제된 환경에서는 색상 감지가 컴퓨터 비전 모델을 대신하는 더 간단한 방법이 될 수 있습니다. 방대한 데이터셋으로 모델을 학습하는 대신, 색상 감지를 사용하면 대규모 레이블링이나 높은 연산 성능 없이 빠르고 효율적으로 해결할 수 있습니다.

예를 들어, 자동 사과 분류 시스템에서는 Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 사과의 익은 정도에 따라 분류하도록 학습할 수 있지만, 조명·질감·사과 종류의 차이에 대응하려면 레이블이 지정된 이미지 데이터셋이 필요합니다.

더 간단한 방법은 먼저 객체 감지로 사과를 감지한 다음 색상을 분석하여 익은 정도를 판단하는 것입니다. 이 방법은 모델을 학습하는 대신 사전 정의된 색상 임계값을 사용하므로 조명과 배경이 크게 바뀌지 않는 안정적인 조건에서 잘 작동합니다.

맞춤 학습된 모델은 더 복잡하고 변화가 많은 환경에 적합할 수 있지만, 색상 감지는 실시간 애플리케이션을 위한 빠르고 실용적이며 접근하기 쉬운 솔루션입니다. 또한 더 고급 솔루션으로 넘어가기 전에 이미지 처리와 컴퓨터 비전을 배우는 좋은 출발점이기도 합니다.

색상 감지의 실제 적용 사례#

색상 감지는 다양한 산업 분야에서 폭넓게 활용됩니다. 실제 적용 사례 몇 가지를 살펴보겠습니다.

직물 품질 평가를 위한 색상 감지#

색상 감지는 직물 및 섬유 생산에서 매우 중요합니다. 자동화된 품질 관리 및 결함 식별 시스템에 흔히 사용됩니다. 시간이 오래 걸리고 사람의 실수가 발생하기 쉬운 수동 검사와 달리, 자동화 시스템은 정확한 실시간 결함 감지를 제공합니다.

특히 직물 이미지를 분석하면 컴퓨터 비전 시스템이 염료의 고르지 않은 분포, 색 바램, 오염 등의 결함을 식별할 수 있습니다. 고급 색상 감지 기술은 여러 생산 배치의 색상 일관성을 측정하여 더욱 정밀한 품질 관리를 가능하게 합니다.

그림 5. 색상 감지는 다채로운 원단 제작에서 핵심 역할을 합니다.

농업에서의 색상 감지 활용#

앞서 언급했듯이 색상은 숙성도를 나타내는 핵심 지표이며, 색상 감지 기술을 농업에 활용하면 작물의 상태를 모니터링하고 수확을 개선할 수 있습니다.

색상 변화를 분석하면 농부는 식물의 상태를 평가하고, 질병을 감지하며, 작물의 수확 시기를 판단할 수 있습니다. 색상 센서와 컴퓨터 비전을 탑재한 첨단 로봇은 잘 익은 작물만 수확하도록 하여 이 과정을 자동화합니다. 이러한 시스템은 특히 노동력이 부족한 지역에서 효율성과 생산성을 높일 수 있습니다.

그림 6. 서로 다른 숙성 단계의 망고: (a) 썩은 망고, (b) 잘 익은 망고, (c) 덜 익은 망고.

핵심 요점#

색상 감지는 농업, 제조, 의료, 자동화 분야에서 활용되는 실용적인 컴퓨터 비전 기법입니다. 기계가 색을 인식하고 해석해 객체 추적, 품질 관리, 의사결정에 활용할 수 있도록 합니다.

첨단 AI 모델이 계속 발전하는 가운데, 색상 감지는 특히 통제된 환경에서 여전히 간단하고 효과적인 솔루션입니다. 기술이 발전함에 따라 색상 감지는 실제 애플리케이션을 개선하는 데 계속 핵심 역할을 할 가능성이 높습니다.

커뮤니티와 GitHub 저장소를 살펴보며 AI에 대해 더 자세히 알아보세요. 제조 분야의 AI와 의료 분야의 컴퓨터 비전의 혁신을 알아보고, 라이선스 옵션을 통해 비전 AI 활용을 시작하는 방법을 확인해 보세요.