ISP의 AWB(자동 화이트밸런스) 알고리즘 종류별 동작 방식 비교
스마트폰 카메라가 다양한 환경에서도 자연스러운 색감을 유지하는 핵심 요소가 바로 AWB(자동 화이트밸런스)이다.
AWB는 조명 색온도에 따라 실제 색과 다르게 보이는 현상을 보정해, 눈으로 보는 것과 유사한 색을 재현하는 알고리즘이다.
본 글에서는 ISP가 사용하는 대표적인 AWB 알고리즘의 종류와 각 방식의 동작 원리를 기술적으로 정리한다.
1. AWB의 기본 개념과 필요성
AWB는 이미지의 평균 색을 분석해 조명 환경을 추정하고, 이를 기준으로 색보정을 수행하는 기능이다.
사람의 눈은 자동으로 색을 보정하지만 카메라 센서는 조명 색에 그대로 영향을 받기 때문에, 알고리즘 기반 보정이 필수적이다.
AWB가 필요한 이유는 다음과 같다.
- 조명에 따라 색온도(CT)가 달라짐
- 실내/실외/형광등/백열등 등 환경 차이
- 센서 자체의 색 반응 한계
- 정확한 스킨톤·피사체 색 재현 필요
ISP는 RAW 데이터를 기반으로 조명 추정 → 게인 보정 과정을 거쳐 최종 색을 수정한다.
2. 그레이 월드(Gray World) 알고리즘
가장 기본적인 AWB 방식이다.
이미지 전체의 평균 색이 ‘중립 회색’이라고 가정하고, 이를 기준으로 색을 보정한다.
동작 방식
- 이미지 전체의 R/G/B 평균 값 계산
- G 성분을 기준으로 R, B 게인을 조절
- 평균이 회색으로 보이도록 보정
장점
- 구현이 쉽고 빠름
- 균일한 조명이 있는 환경에서는 효과적
단점
- 특정 색이 많이 포함된 장면(녹지, 바다 등)에서는 정확도 떨어짐
- 색 분포가 편향될수록 오차 발생
3. 화이트 패치(White Patch) 알고리즘
장면에서 가장 밝은 픽셀이 흰색이라고 가정하는 방식이다.
동작 방식
- 가장 높은 밝기의 픽셀 탐색
- 이를 기준점(White Patch)으로 잡음
- 해당 픽셀이 흰색이 되도록 모든 색 채널 게인 조정
장점
- 강한 조명을 받는 물체가 많은 환경에서 유리
- 빠른 연산 속도
단점
- 밝은 색 물체가 항상 ‘백색’은 아님
- 하이라이트가 많은 장면에서 오류 발생
4. 퍼펙트 화이트(PCA 기반) 방식
이미지 내 가능한 “백색 후보”를 통계적으로 추출해 조명을 추정하는 방식이다.
동작 방식
- 컬러 공간에서 백색에 가깝게 분포하는 픽셀 후보를 추출
- PCA(주성분 분석)로 분포 중심을 찾음
- 해당 픽셀을 조명 기준으로 삼아 게인 보정
장점
- 그레이 월드보다 정확하고 안정적
- 다양한 조명 환경에 대응 가능
단점
- 계산량이 증가
- 특정 장면에서는 백색 후보가 부족할 수 있음
5. Gamut Mapping 기반 알고리즘
실제 세계의 물체가 가질 수 있는 색 공간(가뭇, Gamut)을 활용하는 AWB이다.
동작 방식
- 실제 물체 색 공간의 Gamut(사전 정의된 범위) 활용
- 이미지의 색 분포를 Gamut과 비교
- 조명에 의해 ‘비틀린’ 방향을 역으로 추정
- 원래 색 공간에 맞도록 보정
장점
- 고급 AWB 알고리즘으로 정확도가 매우 높음
- 장면 왜곡 없이 안정적인 결과
단점
- 사전 정의된 Gamut 품질에 따라 성능 영향을 받음
- 계산량이 상당히 높음
6. Bayesian 기반 AWB(통계·확률 모델)
조명 조건을 확률적으로 추정하는 머신러닝 기반 방식이다.
동작 방식
- 다양한 조명 아래에서 수집한 데이터 집합 활용
- 어떤 조명이 가장 그럴듯한지 확률적으로 계산
- 조명 후보 중 Posterior Probability가 가장 높은 색온도 선택
장점
- 실제 조명·환경 데이터 기반의 높은 정확도
- 복잡한 상황에서도 조명 추정이 안정적
단점
- 학습 데이터 품질 의존
- 연산 복잡도 증가
7. 딥러닝 기반(Deep AWB) 알고리즘
최신 스마트폰에서 가장 많이 사용하는 방식으로, 딥러닝이 장면의 의미론적 정보를 활용해 조명을 추정한다.
동작 방식
- CNN, Transformer 같은 신경망이 장면 전체를 분석
- 스킨톤, 하늘, 음식 등 의미 단위 단서 활용
- 장면별 최적 색온도 학습
- ISP에서 실시간 보정값으로 사용
장점
- 스킨톤 재현률이 비약적으로 향상
- 다양한 조명·장면에서도 강한 안정성
- 멀티프레임 또는 RAW 분석 기반으로 고정확도
단점
- 높은 연산 비용
- 모델 경량화 필요
- 기기별 ISP에 따라 품질 차이 발생
8. 알고리즘 간 비교 요약
아래 특성 비교로 AWB 방식의 차이를 한눈에 볼 수 있다.
| 알고리즘 | 정확도 | 처리 속도 | 장점 | 단점 |
|---|---|---|---|---|
| 그레이 월드 | 낮음 | 매우 빠름 | 단순, 가볍다 | 특정 장면에서 실패 많음 |
| 화이트 패치 | 중간 | 빠름 | 밝은 픽셀 환경에 유리 | 밝은 색이 흰색이 아닐 수 있음 |
| 퍼펙트 화이트 | 중간~높음 | 중간 | 안정적이고 정확 | 후보 픽셀 부족 시 오류 |
| Gamut Mapping | 높음 | 느림 | 색공간 기반 고정확도 | 계산량 많음 |
| Bayesian | 높음 | 중간 | 통계 기반 안정성 | 데이터 의존 |
| 딥러닝 AWB | 매우 높음 | 중간~높음 | 스킨톤·장면별 최적 | 연산 비용 큼 |
9. 정리 및 결론
AWB는 스마트폰 이미지의 색 정확도를 결정하는 핵심 요소이며, 조명 환경을 정확히 추정하는 것이 가장 중요한 과제다.
그레이 월드나 화이트 패치처럼 단순한 방법부터, Gamut Mapping, Bayesian, 딥러닝 기반 알고리즘까지 다양한 방식이 존재하며, 최신 고급 스마트폰은 대부분 딥러닝 기반 AWB + 통계 기반 알고리즘을 결합해 사용자의 눈에 자연스러운 색 재현을 구현한다.