사진이 번호가 매겨진 캔버스가 되기까지: 알고리즘의 안쪽

사진을 올리면 몇 초 만에 숫자 색칠이 됩니다. 화가가 다시 그리는 것도 아니고, 2026년이라 그럴 것 같지만 AI 이미지 모델이 끼어들지도 않습니다. 일부러 정해 둔, 되풀이 가능한 이미지 처리 단계들이 이어질 뿐입니다. 색을 읽고, 정해진 팔레트로 줄이고, 구역을 찾고, 잡티를 정리하고, 윤곽선과 번호를 그립니다. 각 단계가 실제로 무엇을 하는지 쉬운 말로 적습니다.

1단계: 사진의 색을 읽습니다

사진 한 장에는 서로 다른 색이 수만 가지 들어 있을 수 있습니다. 하늘의 은근한 번짐 하나가 거의 똑같은 파랑 수십 개입니다. 그걸 칠할 수도 없고, 칠하고 싶지도 않을 겁니다. 그래서 첫 일은 이미지에 정말로 들어 있는 색을 파악하는 것입니다. 어떤 색조가 나타나는지, 얼마나 자주 나타나는지, 어떻게 뭉쳐 있는지. 여기서 지어내는 건 없습니다. 팔레트는 온전히 내 화소에서 나옵니다.

2단계: 정해진 팔레트로 줄입니다(색 줄이기)

다음은 색 줄이기입니다. 전체에서 가장 중심이 되는 단계입니다. 이미지의 방대한 색 무리가 작고 정해진 팔레트로 줄어듭니다. 스케치는 16색, 초정밀은 128색까지입니다. 알고리즘이 사진을 가장 잘 대신할 팔레트를 고른 다음, 모든 화소를 가장 가까운 팔레트 색에 이어 줍니다. 노을 사진이 따뜻한 주황을, 눈 사진이 차가운 회색을 받는 이유입니다. 팔레트는 통에서 고르는 게 아니라 그림에 맞춰집니다.

오래전부터 잘 알려진 방식입니다. 한때 사진을 256색 GIF로 밀어 넣던 알고리즘과 같은 갈래입니다. 결과가 일정합니다. 같은 사진을 같은 설정으로 넣으면 늘 같은 팔레트가 나옵니다. 무작위도 없고, 그림이 ‘어때야 하는지’ 짐작하는 일도 없습니다.

3단계: 구역을 찾습니다

모든 화소가 몇 안 되는 색 가운데 하나를 입고 나면, 같은 색인 이웃 화소들이 이어진 모양을 이룹니다. 그 모양, 그러니까 한 색으로 이어진 덩어리를 찾아내면 평평한 색 지도가 구역이 됩니다. 실제로 칠하게 될 번호 조각입니다. 단순한 사진은 몇백 개가 되고, 촘촘한 사진은 몇천 개가 됩니다.

4단계: 잡티를 정리합니다

실제 사진에는 결이 있어서, 아무 손질 없이 지나가면 칠할 수 없는 한 화소짜리 점들이 색종이 조각처럼 남습니다. 그래서 파이프라인이 정리를 합니다. 아주 작은 구역은 가장 닮은 큰 이웃에 흡수되고, 경계는 뭉개지지 않고 또렷하게 남으며, 테두리를 따라 난 점들은 다듬어 없앱니다. 목표는 모든 구역이 눈에 보이고 채울 만큼 크면서도, 그림을 알아보게 해 주는 디테일은 잃지 않은 캔버스입니다. 눈동자의 가는 빛, 턱선, 지평선 같은 것들.

5단계: 윤곽선과 번호를 그립니다

마지막으로 구역 사이의 경계가 눈에 보이는 윤곽선이 되고, 구역마다 팔레트 번호가 붙고, 팔레트 자체가 색상 키가 됩니다. 결과는 구역 지도와 팔레트와 미리보기로 간결하게 저장됩니다. 그림을 그려 내고 칠하는 데 필요한 전부이고, 손으로 칠하고 싶을 때 쓸 인쇄용 빈 도안을 만드는 데 필요한 전부이기도 합니다.

이것이 뜻하는 것

생성 모델이 아니라 결과가 일정한 이미지 처리이기 때문에 세 가지가 따라 나옵니다. 빠릅니다. 몇 분이 아니라 몇 초입니다. 충실합니다. 결과가 기계의 재해석이 아니라 내 실제 색과 모양에서 만들어집니다. 그리고 사적입니다. 사진은 장면을 만드는 데만 쓰이고 7일 안에 서버에서 삭제되며, 어떤 AI 모델의 학습에도 쓰이지 않습니다. 자세한 내용은 개인정보처리방침에 있습니다.

시작하는 사진이 그토록 중요한 이유도 여기서 설명됩니다. 알고리즘은 이미지에 실제로 있는 색과 디테일로만 일할 수 있습니다. 그 이야기를 다룬 글이 사진 고르는 법입니다. 정밀도를 고르는 일이 사실은 구역과 색을 몇 개로 할지의 문제인 이유는 색 수가 난이도를 어떻게 바꾸는가에 있습니다. 그렇게 만들어진 팔레트가 손에 들어온 뒤 무슨 일을 하는지, 왜 색조보다 명암이 더 중요한지, 색상 키의 어떤 색은 왜 따로 보면 이상해 보이는지는 숫자 색칠을 위한 색 이야기에 있습니다.