감마 보정(Gamma Correction)이란? AI에서 거듭제곱으로 이미지의 밝기 단계를 조정하는 방법

TL;DR

감마 보정은 픽셀값에 거듭제곱 곡선을 적용해 어두운 부분과 밝은 부분의 간격을 다르게 조정하는 영상 처리입니다. 같은 값을 더하는 밝기 조절이나 누적분포로 밝기를 바꾸는 히스토그램 평활화와 구분합니다. 이 글의 지수 규칙에서는 감마가 1보다 작으면 중간 밝기가 올라가고 1보다 크면 내려갑니다. 입력 범위·자료형·색공간을 확인하고 화면 표시의 변화와 실제 AI 입력의 변화를 따로 검증합니다.

핵심 3줄 요약

• 핵심 1
  밝기마다 변하는 비율이 다릅니다. 정한 곡선으로 픽셀값을 바꾸며 주변 이웃의 평균이나 영상별 누적빈도는 쓰지 않습니다.
• 핵심 2
  감마의 방향은 식을 보고 읽습니다. 여기서는 입력값을 감마 지수로 거듭제곱합니다. 역수를 지수로 쓰는 도구와 숫자를 그대로 교환하지 않습니다.
• 핵심 3
  밝아진 화면이 인식 개선은 아닙니다. 잡음·색 변화·양자화 손실과 후속 OCR·검출 오류를 원본 기준으로 함께 비교합니다.

이 글에서 다룰 내용

감마 보정을 한 문장으로 정의하면 무엇인가요?

감마 보정은 정규화한 밝기값에 지수 함수를 적용해 입력 밝기와 출력 밝기의 관계를 비선형으로 바꾸는 점별 변환입니다.

영문명은 Gamma Correction이며 감마 변환 또는 거듭제곱 변환이라고도 부릅니다. 점별 변환은 각 위치의 원래 밝기로 새 값을 정합니다. 이웃의 값이나 물체 라벨을 모아서 결정하지 않습니다.

scikit-image 공식 API는 adjust_gamma(image, gamma=1, gain=1) 을 안내합니다. 감마는 곡선의 지수이고 gain은 결과에 곱하는 이득입니다. 영상 전처리에서는 밝기 곡선 조정으로 쓰지만 디스플레이의 색 부호화·복호화 맥락에서도 같은 용어가 등장하므로 처리 목적을 먼저 구분합니다.

한 줄 정리: 감마 보정은 위치를 옮기지 않고 밝기 대응을 바꾸는 처리입니다. 신경망 학습이나 조명을 물리적으로 다시 촬영하는 작업은 아닙니다.

쉬운 예시로 이해해 볼까요?

감자나라ai님이 어두운 상품 사진을 살펴본다고 가정해 보겠습니다. 설명을 위해 밝기 범위를 0부터 1로 맞추고 세 픽셀을 [0.04, 0.25, 0.81] 로 둡니다. 이득은 1로 고정합니다.

• 감마 0.5: 제곱근을 취하므로 [0.2, 0.5, 0.9] 가 됩니다. 세 값 모두 원래보다 밝아집니다.
• 감마 2: 제곱하므로 [0.0016, 0.0625, 0.6561] 이 됩니다. 세 값 모두 원래보다 어두워집니다.
• 감마 1: 이득이 1이면 입력값을 그대로 유지합니다. 감마가 양수일 때 0과 1도 각각 0과 1로 남습니다.

이 숫자는 Python·NumPy로 확인한 고정 배열의 설명용 산술입니다. OpenCV나 scikit-image로 실제 사진을 처리한 결과는 아닙니다. 같은 변환이라도 정수 영상으로 저장하면 반올림이나 잘림 때문에 이 실수값이 그대로 남지는 않습니다.

감마를 낮추면 어두운 부분의 작은 차이가 더 잘 보일 수 있지만 같은 구간의 센서 잡음도 함께 드러납니다. 원래 모두 0으로 기록된 영역에는 서로 구별할 밝기가 없으므로 곡선만 바꿔 숨은 글자나 무늬를 되살리지 못합니다.

쉬운 예시: 직선 눈금 대신 휘어진 눈금으로 밝기를 다시 읽는다고 생각하면 됩니다. 실제로 더 많은 빛을 받거나 새로운 화소 정보를 얻는 것은 아닙니다.

왜 AI에서 감마 보정이 중요한가요?

인식 전 밝기 조정의 기준선을 만듭니다

문서 글자나 상품 무늬가 어둡게 찍혔을 때 무처리 입력과 비교할 단순한 전처리 후보입니다. OpenCV의 밝기·대비 안내는 일정값을 더하는 방식과 감마 곡선을 비교합니다. 처리 방식이 간단해도 실제 인식에 유리한지는 같은 사진과 정답으로 확인합니다.

모델 입력과 표시 화면을 따로 점검합니다

뷰어가 화면만 밝게 보여 주는 경우와 저장 배열을 바꾸어 모델에 넣는 경우는 다릅니다. 화면 조절 뒤에도 AI가 원본 배열을 받았다면 모델 입력은 달라지지 않습니다. 처리 전후 배열과 저장 파일을 함께 확인하면 보기 좋은 미리보기를 인식 성능 개선으로 잘못 보고하는 일을 줄입니다.

핵심 인사이트: 감마를 바꾸었다는 설정 기록보다 어느 배열이 모델에 들어갔는지가 중요합니다. 학습 자료와 운영 입력의 변환 규칙도 함께 맞춥니다.

감마 보정은 어떤 순서로 작동하나요?

1. 입력 범위와 처리 대상을 확인합니다

회색조 밝기를 다룰지 색상 성분을 다룰지 정하고 자료형의 범위를 적습니다. 8비트 부호 없는 정수라면 0부터 255가 기준입니다. 사진 안의 최솟값·최댓값과 자료형의 범위는 다릅니다. 매 사진의 최댓값으로 나누는 처리를 감마 보정의 필수 단계로 추가하지 않습니다.

2. 정한 지수로 밝기 곡선을 계산합니다

이 글은 y = gain * x**gamma 규칙을 씁니다. x가 0부터 1이고 gain이 1인 경우 양수 감마는 그 범위 안에서 값을 바꿉니다. 8비트 설명식은 y = 255 * gain * (I / 255)**gamma 입니다. OpenCV의 감마 보정 절도 입력값을 255로 나눈 거듭제곱 식을 사용합니다.

3. 직접 계산하거나 변환표를 조회합니다

같은 입력값에는 같은 출력값이 대응합니다. 8비트 입력은 가능한 밝기 256개를 미리 계산한 조회표인 LUT로 처리할 수 있습니다. 감마와 이득을 고정한 조회표는 사진의 밝기 빈도와 무관합니다. 이웃과 평균내는 필터처럼 주변 창의 크기를 고르는 단계도 없습니다.

4. 출력 자료형과 저장 결과를 확인합니다

scikit-image 0.26.0 공식 구현의 uint8 경로는 표를 계산하고 반올림한 뒤 상한을 255로 제한합니다. 다른 자료형 경로는 계산 후 원래 자료형으로 변환합니다. 모든 경로가 같은 반올림·포화 규칙을 쓴다고 가정하지 않고 작은 입력으로 결과를 확인합니다.

실전 팁: 원본을 덮어쓰지 말고 원본·입력 범위·감마·이득·출력 자료형을 함께 남기세요. 같은 설정으로 재현할 기준이 됩니다.

주요 설정과 결과는 어떻게 읽나요?

감마와 이득을 구분합니다

확인한 API의 기본 감마와 이득은 모두 1입니다. 감마 1에서도 이득을 바꾸면 출력은 달라집니다. API가 음이 아닌 감마를 받더라도 실전의 단조 밝기 곡선 비교에는 양수 값을 명시하는 편이 분명합니다. 감마 0은 거듭제곱의 경계 사례이므로 무처리 설정으로 쓰지 않습니다.

실수 변환이 밝기 정규화까지 뜻하지는 않습니다

scikit-image 자료형 안내에 따르면 astype(float) 는 정수의 숫자를 그대로 실수로 옮깁니다. 0부터 255의 배열이 자동으로 0부터 1이 되지 않습니다. 정수 영상을 관례 범위로 바꾸는 img_as_float 와 구분하며 이미 실수인 입력의 범위는 이 함수도 자동으로 다시 맞추지 않습니다.

adjust_gamma에는 영상별 최솟값·최댓값을 다시 맞추는 옵션이 없습니다. 비uint8 경로는 음수 입력을 거부합니다. 평균을 뺀 표준화 텐서나 음수 기울기 지도에 그대로 적용하는 안내로 확대하지 않습니다. 이득을 크게 둘 때도 모든 자료형이 같은 방식으로 범위를 잘라 준다고 기대하지 않습니다.

같은 숫자보다 지수의 위치를 비교합니다

어떤 코드가 x**(1/gamma) 처럼 역수를 지수로 쓴다면 여기서 설명한 밝아지는 방향과 반대입니다. 도구 이름이나 슬라이더 숫자만 비교하지 말고 실제 식과 고정 입력의 출력을 대조합니다. scikit-image 공식 비교 예제의 감마 2 결과도 이 글의 지수 규칙에 따라 어두워집니다.

감마 보정과 헷갈리는 용어는 무엇이 다른가요?

히스토그램 평활화·밝기 더하기와의 차이

히스토그램 평활화는 해당 영상의 누적 밝기 분포로 대응을 정합니다. 감마 보정은 지수와 이득을 고정하면 같은 입력값에 같은 결과를 주며 사진에 어떤 밝기가 많이 있는지 세지 않습니다. 한쪽의 누적분포 변환표와 다른 쪽의 거듭제곱 조회표를 같은 알고리즘으로 보지 않습니다.

일정한 밝기 더하기는 모든 픽셀에 같은 값을 더합니다. 반면 감마 곡선의 변화량은 원래 밝기에 따라 다릅니다. gain이 1이고 양수 감마·정상 입력 범위를 지킨 식은 양 끝값을 유지하지만 정수 반올림, 추가 이득과 앞 단계에서 생긴 밝기 잘림까지 없애 주지는 않습니다.

평활 필터·sRGB 변환과의 차이

가우시안 필터는 주변 위치의 값을 가중평균합니다. 감마 보정은 현재 픽셀값의 곡선을 바꾸므로 이웃 평균에 의한 잡음 제거와 다릅니다. 같은 어두운 영역에서 무늬와 잡음을 함께 키울 수 있습니다.

W3C의 sRGB 변환 규칙은 어두운 구간의 선형식과 다른 구간의 거듭제곱식을 나누어 사용합니다. 단순히 감마 2.2 한 번을 적용하는 처리와 정확히 같지 않습니다. 보기 위한 밝기 조정, 선형광 계산을 위한 색 변환, 모니터 보정은 같은 목적의 절차로 묶지 않습니다.

비교 정리: 감마 보정은 밝기 곡선, 히스토그램 평활화는 누적분포, 평활 필터는 이웃 평균입니다. 신경망 정규화의 감마 가중치나 RBF 커널의 gamma도 이 글의 밝기 지수와는 다른 개념입니다.

실전에서는 어디에 쓰이나요?

어두운 문서·상품 사진의 전처리를 비교합니다

원본과 밝기 곡선을 바꾼 사본을 같은 OCR·특징 추출·검출 과정에 넣어 비교할 수 있습니다. 어두운 글자뿐 아니라 밝은 배경과 반사 영역도 함께 봅니다. 글자의 가는 획이 읽히는지, 얼룩이 글자로 잘못 잡히는지 나누어 기록합니다. 이는 활용 제안이며 이 글에서 실제 인식 향상을 측정한 결과는 아닙니다.

영상의 표시·분포 점검에 씁니다

처리 전후 영상과 히스토그램을 함께 보면 밝기 이동을 이해하기 쉽습니다. 공식 비교 예제도 원본·감마·로그 변환을 각각 이미지와 분포로 보여 줍니다. 표시 도구가 화면 범위를 매번 자동 조정하면 배열 차이가 가려질 수 있으므로 비교 화면의 눈금도 고정합니다.

감마 보정을 적용할 때 어떤 순서로 확인하나요?

1. 목적과 입력 규칙을 고정합니다

사람이 볼 미리보기인지 AI에 넣을 사본인지 먼저 정합니다. 원본·잘라낸 범위·색공간·채널 순서·입력 자료형을 기록합니다. 비교 실험에서는 이득을 1로 고정한 뒤 감마만 바꾸어 감마에 따른 차이를 확인합니다.

2. 작은 배열과 실패 사례를 시험합니다

0, 중간값, 최댓값이 있는 배열에서 밝아지는 방향과 끝값을 확인합니다. 상수 영상, 검은 영역, 이미 밝게 잘린 영역도 시험합니다. 저장 후 다시 읽어 자료형과 범위가 유지되는지 확인하고 변환 전후 색상과 잡음을 확대해 봅니다. 작은 산술 검사는 전체 사진 인식 검증을 대신하지 않습니다.

3. 인식 오류와 배포 입력을 대조합니다

같은 정답 자료에서 무처리·감마 후보의 문자 오류나 검출 누락을 비교합니다. 설정을 고른 검증 사진과 최종 평가 사진을 나누고 어두운 장면뿐 아니라 정상 조명도 포함합니다. 선택한 변환이 학습·추론 경로에서 중복 실행되거나 운영 입력에만 새로 끼어들지 않는지 점검합니다.

사용할 때 무엇을 주의해야 하나요?

첫째, 잡음과 신호를 함께 살핍니다. 어두운 부분을 밝히면 센서 잡음과 압축 흔적도 눈에 띕니다. 감마 보정은 그 둘을 구분해 복원하는 모델이 아닙니다. 알아보기 좋아진 화면만 보고 전처리를 채택하지 않습니다.

둘째, 색상과 투명도 채널을 따로 봅니다. RGB 성분별 비선형 변환은 색의 관계를 바꿀 수 있습니다. 투명도까지 밝기로 취급하면 합성 결과가 달라집니다. API에 채널 축이나 알파 보존 옵션이 있다고 가정하지 말고 처리할 성분을 명시합니다.

셋째, 반복 적용과 정수 손실을 경계합니다. 이득 1의 이상적인 실수 거듭제곱에서는 두 지수의 효과가 곱해집니다. 감마 0.5를 두 번 적용하면 지수는 0.25입니다. 중간 정수 저장·잘림이 있다면 이 단순 관계나 역변환으로 원본이 정확히 복구된다는 보장은 사라집니다.

넷째, 측정값을 보정 영상으로 바꾸지 않습니다. 감마 처리한 숫자는 원래의 광량이나 센서 측정값과 같은 척도가 아닙니다. 정량 분석이 필요하면 원본과 변환 이력을 남기고 목적에 맞는 색·광학 보정 절차를 별도로 확인합니다.

주의: 사라진 밝기 차이를 곡선으로 되살릴 수는 없습니다. 밝기 지수의 선택은 조명 복구·잡음 제거·색 정확성·AI 성능을 한꺼번에 보장하지 않습니다.

자주 묻는 질문

Q1. 감마 보정은 딥러닝 모델인가요?

이 글의 방법은 정한 지수로 밝기값을 바꾸는 고전 영상 처리입니다. 정답 라벨로 신경망을 학습하지 않아도 계산합니다. AI 모델의 입력 전처리에 사용할 수 있지만 그 자체가 인식 모델은 아닙니다.

Q2. 감마를 높이면 사진이 밝아지나요?

이 글의 입력값을 감마 지수로 올리는 규칙에서는 감마가 1보다 크면 중간 밝기가 내려갑니다. 역수를 지수로 쓰는 코드에서는 방향이 달라지므로 함수의 식부터 확인합니다. 감마와 이득도 함께 구분합니다.

Q3. 감마 1이면 언제나 원본과 같나요?

이득이 1이고 다른 변환이 없는 조건에서 밝기 대응은 그대로입니다. 이득을 바꾸거나 앞뒤에서 자료형 변환·색공간 처리·잘림이 일어났다면 감마 1만으로 전체 과정이 무처리라고 결론 내리지 않습니다.

Q4. 사진마다 가장 밝은 값을 1로 맞추나요?

고정된 입력 척도의 감마 변환과 영상별 대비 스트레칭은 다릅니다. uint8의 255 기준과 사진에서 관측한 최댓값은 같지 않을 수 있습니다. 이미 실수인 입력은 자동으로 관례 범위에 맞춰질 것이라 가정하지 않습니다.

Q5. 감마를 되돌리면 원본이 완전히 복구되나요?

양수 지수의 이상적인 실수 변환은 역지수로 되돌릴 수 있지만 정수 저장에서 합쳐진 밝기, 잘린 값과 압축 손실은 복구를 보장하지 못합니다. 원본을 따로 남기고 처리한 사본만 사용합니다.

출처

마무리

감마 보정은 거듭제곱 곡선으로 픽셀의 밝기 단계를 다시 대응시키는 방법입니다. 영상의 누적분포나 이웃 평균을 계산하지 않으며 감마 지수·이득·입력 척도와 자료형이 출력의 의미를 결정합니다.

처음 적용한다면 작은 배열에서 방향과 끝값부터 확인해 보세요. 원본과 사본을 나누고 색 변화·잡음·저장 손실을 점검합니다. 미리보기의 밝기와 모델 입력 배열을 구분한 뒤 실제 인식 오류가 줄었는지를 기준으로 전처리를 선택합니다.