인간 지각 기반 색공간에서의 최적 k‑means 색량화 비교 연구

초록

본 논문은 RGB, CIE‑XYZ, CIE‑LUV/HCL 세 가지 색공간에서 k‑means 색량화를 수행하고, 148장의 다양한 이미지에 대해 4가지 색상 수(k) 수준에서 Visual Information Fidelity(VIF) 지표로 품질을 평가한다. 결과는 전체의 절반 정도는 RGB가 최우수이며, 높은 k값에서는 XYZ가, 낮은 k값에서는 LUV가 우수한 경우가 있음을 보여준다. 또한 이미지의 색조·채도·휘도 분포에 따라 어느 색공간이 유리한지를 정량적으로 분석한다.

상세 분석

이 연구는 색량화라는 이미지 압축·표현 문제를 색공간 선택이라는 새로운 차원에서 재조명한다. 기존 대부분의 k‑means 기반 색량화 연구가 기계 중심의 RGB 공간에 국한된 반면, 저자는 인간 시각 특성을 반영한 CIE‑XYZ와 CIE‑LUV/HCL을 도입해 비교 실험을 설계하였다. 148장의 이미지 풀셋은 풍경, 인물, 실내·실외 등 다양한 조명 조건과 색분포를 포괄하도록 선정되었으며, 각 이미지에 대해 k=2,4,8,16(또는 논문에 명시된 네 수준)의 색상 수를 적용하였다. 색공간 변환 단계에서는 sRGB → 선형 RGB → XYZ → LUV → HCL 순으로 진행되며, D65 백점과 2° 시야각을 기준으로 표준 변환 행렬을 사용하였다.

k‑means 클러스터링은 Hartigan‑Wong 기반의 Optimal Transfer Quick Transfer(OTQT) 알고리즘과 k‑means++ 초기화를 결합해 실행되었으며, 이는 반복 횟수와 수렴 속도에서 기존 구현보다 효율적이다. 중요한 점은 HCL의 색상(H) 값이 각도형 데이터이므로 직접 Euclidean 거리 계산이 불가능하다는 점이다. 저자는 HCL을 LUV로 역변환( U=C·cos H, V=C·sin H )한 뒤 k‑means를 적용함으로써 변환 전후의 확률밀도 함수가 Jacobian C에 의해 스케일링될 뿐 평균 추정값은 변하지 않음(EM‑GMM 관점)을 수학적으로 증명하였다.

품질 평가는 PSNR이 k‑means 최적화 목표와 직접 연관돼 편향될 수 있음을 인식하고, 인간 시각 모델에 기반한 VIF를 채택했다. VIF는 자연 장면 통계와 인간 시각 시스템의 신호‑대‑잡음 비율을 고려해 원본과 양자화 이미지 간 정보를 정량화한다. 실험 결과, 전체 이미지의 약 52%에서 RGB가 최고 VIF 점수를 기록했으며, 나머지에서는 XYZ가 우세했다. 특히 k가 8 이상일 때 XYZ의 우세가 두드러졌고, k가 2~4인 저색상 수 상황에서는 LUV가 일부 이미지에서 RGB를 앞섰다.

저자는 추가적으로 이미지별 색조·채도·휘도 분포를 통계적으로 분석해, 예를 들어 색조가 넓게 퍼진 풍경 사진은 XYZ에서 높은 VIF를 보였고, 색조가 제한적이고 채도가 높은 인물 사진은 LUV에서 이점이 있었다는 패턴을 도출했다. 이러한 분석은 색공간 선택이 단순히 평균적인 성능이 아니라 이미지 내용에 따라 최적화될 수 있음을 시사한다.

결론적으로, k‑means 색량화에서 색공간 선택은 ‘한 가지가 모두에게 최선’이 아니라, 목표 색상 수와 이미지의 색분포 특성에 따라 동적으로 결정되어야 함을 입증한다. 이는 향후 자동 색공간 선택 알고리즘이나 색량화 파이프라인 설계에 실용적인 가이드라인을 제공한다.