퍼스널컬러의 색상과학 — Lab 색공간과 ΔE 색차란

"정확한 퍼스널컬러"는 결국 색을 재는 문제다

퍼스널컬러 진단을 둘러싼 많은 논쟁—왜 진단마다 결과가 다른지, 어떤 앱이 더 정확한지—은 사실 하나의 질문으로 좁혀집니다. 얼굴의 색을 얼마나 정확히 숫자로 잴 수 있는가. 감각이나 경험이 아니라 수치로 색을 다루는 학문을 색채과학이라고 부르고, 그 핵심 도구가 Lab 색공간과 ΔE(델타 이) 색차입니다. 이 두 개념을 이해하면 퍼스널컬러 진단의 정확도가 어디서 오는지, 왜 오는지가 명확해집니다.

RGB로는 부족한 이유

사진과 화면은 보통 RGB(빨강·초록·파랑) 값으로 색을 표현합니다. 문제는 RGB 숫자 차이가 사람 눈이 느끼는 색 차이와 비례하지 않는다는 점입니다. 예를 들어 RGB에서 똑같이 "10만큼" 떨어진 두 색이라도, 어떤 영역에서는 육안으로 거의 구별이 안 되고 다른 영역에서는 확연히 다르게 보입니다. 피부색처럼 미세한 톤 차이를 다뤄야 하는 퍼스널컬러 진단에서 RGB만으로 색을 비교하면, 컴퓨터가 "비슷하다"고 판단한 색이 실제로는 완전히 다른 계절로 갈릴 수 있습니다.

Lab 색공간 — 사람이 보는 대로 색을 배치하다

이 문제를 해결하기 위해 국제조명위원회(CIE)가 정의한 것이 Lab 색공간입니다. Lab은 색을 세 축으로 나눕니다.

• L*(명도): 검정(0)부터 흰색(100)까지의 밝기
• a*: 초록(-) ↔ 빨강(+)
• b*: 파랑(-) ↔ 노랑(+)

Lab의 핵심은 이 공간에서 같은 거리만큼 떨어진 두 색은 사람 눈에도 비슷한 정도로 다르게 보이도록 설계됐다는 점입니다. RGB처럼 기기의 표현 방식이 아니라, 사람의 지각을 기준으로 만든 좌표계이기 때문에 "이 색과 저 색이 얼마나 다른가"를 수치로 비교할 수 있는 기반이 됩니다. 퍼스널컬러의 3축—언더톤(COOL↔WARM), 명도(DEEP↔LIGHT), 선명도(MUTED↔BRIGHT)—도 결국 피부색을 Lab 공간 위에서 해석한 결과입니다.

ΔE 색차 — "얼마나 다른가"를 숫자로

Lab 공간에서 두 색 사이의 거리를 계산한 값이 ΔE(Delta E, 색차)입니다. ΔE가 클수록 두 색은 더 다르고, 작을수록 더 비슷합니다. 대략적인 감각으로는 이렇습니다.

• ΔE 0~1: 훈련되지 않은 눈으로는 거의 구별 불가
• ΔE 1~2: 훈련된 눈이 나란히 놓고 봐야 겨우 구별하는 수준
• ΔE 2~10: 눈으로 명확히 구별되는 색 차이
• ΔE 10 이상: 전혀 다른 색

초기 ΔE 계산식(CIE76)은 계산이 단순한 대신 특정 색 영역(특히 피부색이 속한 영역)에서 지각 오차가 컸습니다. 이후 CIE94, 그리고 현재 색채과학에서 표준으로 쓰이는 CIEDE2000이 등장하면서, 채도·명도에 따라 가중치를 조정해 사람의 실제 지각과 더 가깝게 색차를 계산할 수 있게 됐습니다. Δme는 색 보정과 정확도 검증 모두에 CIEDE2000 기반 ΔE를 사용합니다.

카메라는 왜 색을 왜곡하는가

여기서 한 가지 현실적인 문제가 남습니다. 스마트폰 카메라로 얼굴을 찍는다고 해서 그 사진이 곧바로 정확한 Lab 값을 담고 있는 건 아닙니다. 카메라는 화이트밸런스와 톤매핑을 자동으로 적용해 "보기 좋은" 사진을 만들도록 설계되어 있고, 조명의 색온도 역시 촬영 장면마다 다릅니다. 즉 같은 얼굴이라도 촬영 환경에 따라 완전히 다른 Lab 값으로 기록됩니다. 색상과학의 도구(Lab, ΔE)가 아무리 정밀해도, 애초에 왜곡된 색을 입력하면 결과도 왜곡됩니다.

Δme의 접근 — 물리 컬러칩으로 왜곡을 역산한다

Δme는 이 문제를 컬러 캘리브레이션으로 풉니다. 진단 시 얼굴과 함께 단면 13패치와 듀얼 ArUco 마커가 인쇄된 물리 컬러칩 카드를 촬영합니다. 13개 패치는 정확한 정답 Lab 값이 미리 알려져 있으므로, 촬영된 사진에서 이 패치들이 정답 대비 얼마나 벗어났는지를 측정하면 그 장면의 조명·카메라 왜곡을 역산할 수 있습니다. 이 보정(IRLS 기반 최적화 + 아웃라이어 제거)을 얼굴 색에도 동일하게 적용해, 촬영 환경에 흔들리지 않는 피부색 Lab 값을 복원합니다.

이렇게 보정한 결과를 정답 색과 CIEDE2000 ΔE로 비교했을 때, Δme의 내부 검증 평균 오차는 ΔE 1.21입니다. 앞서 본 기준으로 보면 훈련된 눈으로도 나란히 놓고서야 겨우 구별하는 수준의 정밀도입니다. 여기에 더해 얼굴 이미지는 AI 비전 모델(Gemini)로도 함께 해석되어, 색측정 기반 결과와 서로 교차검증됩니다. 이 3축 측정값은 옥탄트(2³=8분할)로 계산되고, 옥탄트는 다시 12시즌으로 매핑됩니다.

색상과학이 답하지 못하는 것

Lab과 ΔE는 "색이 얼마나 다른가"를 정밀하게 계산하는 도구이지, "이 색이 당신에게 어울리는가"까지 답해주지는 않습니다. 후자는 색채과학 위에 미학·스타일링 지식이 더해져야 하는 영역입니다. Δme가 강조하는 것은 정확도를 과장하지 않으면서, 최소한 "색을 재는 단계"만큼은 재현 가능한 수치로 검증한다는 점입니다. ΔE 1.21이라는 숫자 자체가 "100% 정확"을 뜻하지는 않지만, 그 오차가 어느 정도인지 투명하게 공개하고 반복 측정으로 재현성을 확인할 수 있다는 것이 색상과학적 접근의 핵심 가치입니다.

자주 묻는 질문 (FAQ)

Lab 색공간이 RGB보다 나은 이유는 무엇인가요?

RGB는 기기가 색을 표현하는 방식이라 숫자 차이가 사람이 느끼는 색 차이와 비례하지 않습니다. Lab은 사람의 지각을 기준으로 설계돼, 공간상 거리(ΔE)가 실제 눈에 보이는 색 차이와 더 가깝게 대응합니다.

ΔE 1.21은 어느 정도의 정확도인가요?

색채과학에서 ΔE 1~2는 훈련된 눈이 나란히 놓고 비교해야 겨우 구별하는 수준으로 봅니다. ΔE 1.21은 Δme의 보정 후 내부 검증 평균 오차이며, "완벽한 무오차"가 아니라 투명하게 공개된 오차 수준으로 이해하는 것이 정확합니다.

CIEDE2000은 왜 쓰나요?

초기 색차식(CIE76)은 피부색이 속한 영역에서 사람이 느끼는 차이와 계산값의 오차가 컸습니다. CIEDE2000은 채도·명도에 따라 가중치를 조정해 실제 지각과 더 가까운 색차를 계산하도록 개선된 표준 방식입니다.

왜 카메라 사진만으로는 색을 정확히 잴 수 없나요?

스마트폰 카메라는 화이트밸런스·톤매핑을 자동 적용해 사진을 재가공하고, 조명의 색온도도 장면마다 다릅니다. 정답을 아는 기준색(물리 컬러칩)을 함께 촬영해 왜곡을 역산하지 않으면, 사진에 기록된 색을 그대로 신뢰하기 어렵습니다.

물리 컬러칩은 왜 13패치인가요?

색공간 전체에 걸쳐 다양한 색상·명도·채도를 대표하는 패치를 배치해야 카메라·조명 왜곡을 넓은 범위에서 역산할 수 있습니다. 여기에 듀얼 ArUco 마커로 카드의 위치와 기울기를 인식해 패치 색을 정확히 추출합니다.

더 알아보기

• 퍼스널컬러의 기본 개념과 3축·12시즌 체계는 퍼스널컬러란? 종류와 원리 완벽 가이드에서 확인하세요.
• 12시즌 각 세부 타입의 특징은 12시즌 퍼스널컬러 완벽 정리에서 다룹니다.
• 진단 결과가 매번 흔들리는 이유와 재현성 문제는 왜 진단받을 때마다 퍼스널컬러 결과가 다를까에서 자세히 다룹니다.

물리 컬러칩 기반 색상과학으로 내 피부색을 직접 측정해보고 싶다면, Δme로 정확히 측정해보기에서 시작하세요.