컬러 밸런스

사진 및 이미지 처리에서 색 밸런스는 색의 강도(일반적으로 빨간색, 녹색, 파란색 원색)를 글로벌하게 조절하는 것이다. 이 조정의 중요한 목표는 특정 색상(특히 중립 색상)을 올바르게 렌더링하는 것이다. 따라서 일반적인 방법을 회색 균형, 중립 균형 또는 흰색 균형이라고 부르기도 한다. 색 밸런스는 이미지에서 색의 전반적인 혼합을 변화시키고 색 보정에 사용된다. 색 밸런스의 일반화된 버전은 중성미자 이외의 색을 수정하거나 효과를 위해 의도적으로 변경하는 데 사용된다.

필름 또는 전자 이미지 센서에 의해 획득된 이미지 데이터는 획득된 값에서 색상 재현이나 표시에 적합한 새로운 값으로 변환되어야 한다. 획득 및 디스플레이 프로세스의 여러 측면은 획득 센서가 사람의 눈에 있는 센서와 일치하지 않고, 표시 매체의 특성이 설명되어야 하며, 획득의 주변 시야 조건이 디스플레이 보기 조건과 다르다는 것을 포함하여 그러한 색상 보정을 필수적으로 만든다.

인기 있는 영상 편집 어플리케이션의 컬러 밸런스 연산은 보통 어떠한 컬러 감지나 재생 모델과 관계없이 적색, 녹색, 청색 채널 픽셀 값에서 직접 작동한다.^[1][2] 필름 사진에서 색 밸런스는 일반적으로 조명이나 카메라 렌즈 위에 색 보정 필터를 사용하여 이루어진다.^[3]

일반화 컬러 밸런스

중성미자를 유지하기 위한 조정을 화이트 밸런스(white balance)라고 부르기도 하는데, 컬러 밸런스(color balance)라는 문구는 추가로 디스플레이된 영상의 다른 색상이 원본 장면의 색상과 동일한 일반적인 외관을 갖도록 하는 조정을 가리킨다.^[4] 장면의 중성(회색, 중성, 흰색) 색상이 재생에서 중성적으로 나타나는 것이 특히 중요하다.^[5]

심리적 색 밸런스

인간은 다른 색깔보다 살빛과 더 비판적으로 연관되어 있다. 나무, 풀, 하늘 모두 걱정 없이 꺼질 수 있지만, 만약 인간의 살빛이 '꺼져' 있다면, 인간의 주체는 아프거나 죽은 것처럼 보일 수 있다. 이 중대한 색깔 균형 문제를 해결하기 위해 3색 경선 자체가 진정한 중립 색상으로 균형잡히지 않기 위해 짜여진 것이다. 이 색 1차적 불균형의 목적은 전체 밝기 범위를 통해 살빛을 보다 충실하게 재현하는 것이다.

광도 추정 및 적응

대부분의 디지털 카메라는 수동 조명 선택, 자동 화이트 밸런스 또는 사용자 정의 화이트 밸런스 중 하나를 사용하여 장면 조명의 유형에 따라 색상 보정을 선택할 수 있는 수단이 있다.^[6] 이러한 프로세스의 알고리즘은 일반화된 색채 적응을 수행한다.

색 밸런싱을 위한 많은 방법이 존재한다. 카메라에 버튼을 설정하는 것은 사용자가 프로세서에 장면 조명의 특성을 표시하는 방법이다. 일부 카메라의 다른 옵션은 카메라가 회색 카드나 다른 중립 색 물체를 가리킬 때 누를 수 있는 버튼이다. 이것은 주변 조명의 이미지를 캡처하여 디지털 카메라가 해당 조명에 대해 정확한 색 밸런스를 설정할 수 있게 한다.

카메라 데이터에서 주변 조명을 추정하여 이 정보를 사용하여 이미지 데이터를 변환하는 방법에 대한 많은 문헌이 있다. 다양한 알고리즘이 제안되었고, 이것들의 품질에 대해 논의되었다. 거기서 몇 가지 사례와 참고문헌의 검토는 독자를 다른 많은 것으로 이끌 것이다. 인공신경망이나^[7] 베이지안식 방법인 레티넥스가 대표적이다.^[8]

색채

이미지 밸런싱은 중성미자뿐만 아니라 다른 색상에도 영향을 미친다. 색 밸런스가 맞지 않는 이미지는 이미지의 모든 것이 한 가지 색으로 옮겨진 것처럼 보이기 때문에 컬러 캐스팅이 있다고 한다.^{[9][page needed]} 컬러 밸런싱은 이 컬러 캐스팅을 제거하는 측면에서 생각할 수 있다.

색 밸런스는 색 항상성과도 관련이 있다. 색 항상성을 얻기 위해 사용되는 알고리즘과 기술은 색 밸런싱에도 자주 사용된다. 색 항상성은 차례로 색채 적응과 관련이 있다. 개념적으로, 색 밸런싱은 두 단계로 구성된다. 첫째, 이미지가 캡처된 광원을 결정하는 것, 둘째, 이미지의 구성 요소(예: R, G, B)를 스케일링하거나 다른 방법으로 구성 요소를 변환하여 가시 광원에 적합하게 한다.

Viggiano는 카메라의 기본 RGB 색상 모델에서 화이트 밸런싱이 4000개가 넘는 가상의 카메라 민감도 세트에서 모니터 RGB보다 색 불변성(즉, 색의 왜곡성)을 덜 발생시키는 경향이 있다는 것을 발견했다.^[10] 이 차이는 일반적으로 카메라 RGB에 대해 2개 이상의 인자에 해당했다. 이는 나중에 모니터에서 편집하기보다는 이미지를 캡처할 때 바로 색 밸런스를 맞추는 것이 유리하다는 것을 의미한다. 나중에 컬러 밸런스를 맞춰야 하는 경우, 원시 이미지 데이터의 밸런싱은 모니터 RGB의 밸런싱보다 색상의 왜곡을 덜 발생시키는 경향이 있다.

색 밸런스 수학

색 밸런싱은 때때로 3x3 매트릭스를 사용하여 3-구성 요소 이미지(예: RGB)에서 수행된다. 디지털 카메라의 잘못된 화이트 밸런스 설정을 사용하거나 컬러 필터를 통해 이미지를 캡처한 경우 이러한 유형의 변환이 적합하다.

R, G 및 B 스케일링 모니터

원칙적으로 중립적인 것으로 여겨지는 물체가 그렇게 나타나도록 영상의 모든 상대적 빛을 스케일링하고 싶어한다. 예를 들어,${\displaystyle }R{\displaystyle }$ = ${\displaystyle 240}$ ${\displaystyle R=240}$을(를) 가진 표면이 흰색 물체로 믿어지고$$, 255가 흰색에 해당하는 카운트라면 모든 빨간색 값에 255/240을 곱할 수 있다. 녹색과 파란색에 대해 유사하게 하는 것은 적어도 이론상으로는 색 균형 잡힌 이미지로 나타날 것이다. 이러한 유형의 변환에서 3x3 행렬은 대각 행렬이다.

${\displaystyle \left[{\begin{array}{c}R\\G\\B\end{array}}\right]=\left[{\begin{array}{ccc}255/R'_{w}&0&0\\0&255/G'_{w}&0\\0&0&255/B'_{w}\end{array}}\right]\left[{\begin{array}{c}R'\\G'\\B'\end{array}}\right]}$

where ${\displaystyle R}$, ${\displaystyle G}$, and ${\displaystyle B}$ are the color balanced red, green, and blue components of a pixel in the image; ${\displaystyle R'}$, ${\displaystyle G'}$, and ${\displaystyle B'}$ are the red, green, and blue components of the image before color balancing, 그리고 $R{\displaystyle {}_{}^{}}$ ${\displaystyle w_{}^{}}$ ${\displaystyle {}_{}^{}}$ ${\$ G ${\displaystyle w_{}^{}}$ ${\displaystyle {}_{}^{}}$ ${\$ $그리고{\displaystyle {}_{}^{}}$ B w${\displaystyle {}_w^{}}${\$displaystyle B'_{w}$는 화소의 적색, 녹색, 청색 성분으로$$ 색 밸런싱 전 영상에서 흰색 표면으로 간주된다. 이는 적색·녹색·청색 채널의 단순한 스케일링이며, 포토샵과 KIMP의 컬러 밸런스 툴이 하얀 아이드로퍼 도구를 탑재한 이유다. sRGB가 가정하는 인광 세트에서 화이트 밸런싱을 수행하면 중립 표면을 완벽하게 중립으로 만들 수 있음에도 불구하고 색상에 큰 오류가 발생하는 경향이 있다는 것이 입증되었다.^[10]

X, Y, Z 스케일링

영상이 CIE XYZ 트리시물러스 값으로 변환될 수 있는 경우, 거기서 색상 밸런싱을 수행할 수 있다. 이것은 "잘못된 폰 크라이스" 변형이라고 불렸다.^[11][12] 비록 그것이 모니터 RGB에서의 균형보다 보통 더 낮은 결과를 제공하는 것으로 증명되었지만, 그것은 여기서 다른 것들과 연결고리로 언급된다. 수학적으로 계산한다.

$왼쪽[{\begin{array}{c}X\\Y\\\Z\end{array}\오른쪽]=\왼쪽[{\begin{array}{ccc}X_{w}/X'_{w}&0\\0&#0&#0&#0&#&#&#&#•\{cccccc}X}Y_{w}/Y'_{w}\{w}\0&0&Z_{w}/Z'_{w}\end{array}\오른쪽]\왼쪽[{\begin{c}X'\\\\\\Y'\\Z'\end{array}\오른쪽]}$

where ${\displaystyle X}$, ${\displaystyle Y}$, and ${\displaystyle Z}$ are the color-balanced tristimulus values; ${\displaystyle X_{w}}$, ${\displaystyle Y_{w}}$, and ${\displaystyle Z_{w}}$ are the tristimulus values of the viewing illuminant (the white point to which the image is being transformed to conform to); ${\displaystyle X'_{w}}$, ${\displaystyle Y'_{w}}$, and ${\displaystyle Z'_{w}}$ are the tristimulus values of an object believed to be white in the un-color-balanced image, and ${\displaystyle X'}$, ${\displaystyle Y'}$, and ${\dis$$Playstyle Z'}$은(는) 색 균형이 맞지 않는 영상에서 픽셀의 삼분율 값이다$$. 모니터 기본 설정의 트리시뮬러스 값이 $행렬{\displaystyle \mathbf{}}$ P$${\$displaystyle \mathbf {P}$에 있으면 다음과 같이$$ 하십시오.

$왼쪽[{\begin{array}{c}X\\Y\\\Z\end{array}}\오른쪽]=\mathbf {P}\left[{\begin{array}{c_{R}\\L_{G}\L_{B}\end{array}\rig}\오른쪽]}}}$

여기서 L ${\displaystyle R_{}}$ ${\$ ${\displaystyle L_{}}$ G ${\$및 $L{\displaystyle {}_{}}$ ${\displaystyle B_{}}$ ${\$는 감마 교정되지 않은 모니터 RGB이며, 다음 중 하나를 사용할 수 있다.

${\displaystyle \left[{\begin{array}\\{C_{R}\\\L_{B}\end{array}\right]=\mathbf{P^{{P^{1}{pcccgin}X_{w}&0&0\\\\\\\\\\\\\\\\\\\\\\\\\\\}Y_{w}/Y'_{w}&#0\\0&Z_{w}/Z'_{w}\end{array}\right]\mathbf {P} \left[{\begin}{c}L_{R'}\\\\\L_{G'}\\L_{B'}\end{array}\오른쪽]}$

폰 크라이스의 방법

100년 넘게 색감각의 지배적 설명으로 망막의 로드 이론과 세 가지 색감 민감 원뿔형이 살아남은 요하네스 폰 크라이스는 광고로 모델링된 장파장 원뿔형, 중파장, 단파장 원뿔형의 효과적인 자극을 나타내는 LMS 색 공간으로 색감을 변환하는 방법에 동기를 부여했다.독립적으로 3x3 매트릭스는 RGB 또는 XYZ를 LMS로 변환한 다음 3개의 LMS 1차 값을 중립의 균형을 맞추기 위해 스케일링한다. 그리고 나서 색상은 원하는 최종 색상 공간으로 다시 변환될 수 있다.^[13]

${\displaystyle \left[{\begin{array}{c}L\\M\\S\end{array}}\right]=\left[{\begin{array}{ccc}1/L'_{w}&0&0\\0&1/M'_{w}&0\\0&0&1/S'_{w}\end{array}}\right]\left[{\begin{array}{c}L'\\M'\\S'\end{array}}\right]}$

where ${\displaystyle L}$, ${\displaystyle M}$, and ${\displaystyle S}$ are the color-balanced LMS cone tristimulus values; ${\displaystyle L'_{w}}$, ${\displaystyle M'_{w}}$, and ${\displaystyle S'_{w}}$ are the tristimulus values of an object believed to be white in the un-coL${\displaystyle {}^{}}$balanced {\$displaystyle L'},$$M{\displaystyle {}^{}}$ ${\displaystyle {\prime }^{}}$ ${\$및 $S{\displaystyle {}^{}}$ ${\displaystyle {\prime }^{}}$ ${\$은(는) 색상 균형이 맞지 않는 영상에서 픽셀의 삼분율 값이다$$.

LMS 공간으로 변환하는 행렬은 폰 크리에스에 의해 지정되지 않았지만, 후자를 지정했을 때 CIE 컬러 매칭 기능과 LMS 컬러 매칭 기능에서 파생될 수 있으며, 참조 도서에서도 매트릭스를 찾을 수 있다.^[13]

카메라 RGB 스케일링

Viggiano의 측정으로, 그리고 가우스 카메라 스펙트럼 감도 모델을 사용하여, 대부분의 카메라 RGB 공간은 모니터 RGB나 XYZ보다 더 나은 성능을 보였다.^[10] 카메라의 RGB 원시 값이 알려진 경우, 3x3 대각 행렬을 사용할 수 있다.

${\displaystyle \left[{\begin{array}{c}R\\G\\B\end{array}}\right]=\left[{\begin{array}{ccc}255/R'_{w}&0&0\\0&255/G'_{w}&0\\0&0&255/B'_{w}\end{array}}\right]\left[{\begin{array}{c}R'\\G'\\B'\end{array}}\right]}$

밸런싱 후 sRGB 또는 Adobe RGB와 같은 작업 RGB 공간으로 변환하십시오.

선호하는 색채 적응 공간

여러 개의 다른 RGB 공간에서 대각선 변환에 의해 균형을 이룬 영상의 비교는 색채 적응을 위해 다른 공간보다 더 잘 작동하고 카메라나 모니터 공간보다 더 잘 작동하는 여러 공간을 식별했다. 이는 여러 색채 모양 모델에 의해 측정된 바와 같이, 통계적으로 수행된 시스템뿐만 아니라 대다수의 RGB 공간에서도 최고였다.사용된 이미지 테스트 세트는 "Sharp", "Bradford", "CMCCAT" 및 "ROMM" 공간이었다.^[14]

일반 광원 적응

조명의 변화에 적응하기 위한 최선의 색 매트릭스는 반드시 고정된 색 공간의 대각 행렬은 아니다. 광원 공간을 N 기준 항을 가진 선형 모델로 설명할 수 있다면 적절한 색상 변환은 N 고정 선형 변환의 가중 합이 될 것이며, 반드시 일관되게 대각선으로 사용할 수 있는 것은 아니다.^[15]

예

참고 항목

• 컬러 캐스트
• 색온도
• 감마 보정
• 화이트 포인트

참조

외부 링크

• White Balance - 소개 nikondigital.org
• photoskop: 대화형 사진 학습 - 대화형 화이트 밸런스
• 화이트 밸런스 이해 - 자습서
• 코드 및 온라인 데모를 통한 포화 상태에서의 색상 균형 조정
• 중립 색상에 적합한 화이트 밸런스 얻기 - 사진 튜토리얼