CN108810398B - 图像处理装置、图像处理方法以及记录介质 - Google Patents

图像处理装置、图像处理方法以及记录介质 Download PDF

Info

Publication number
CN108810398B
CN108810398B CN201810383322.7A CN201810383322A CN108810398B CN 108810398 B CN108810398 B CN 108810398B CN 201810383322 A CN201810383322 A CN 201810383322A CN 108810398 B CN108810398 B CN 108810398B
Authority
CN
China
Prior art keywords
image
images
story
unit
processing apparatus
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810383322.7A
Other languages
English (en)
Other versions
CN108810398A (zh
Inventor
小野泽将
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Casio Computer Co Ltd
Original Assignee
Casio Computer Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Casio Computer Co Ltd filed Critical Casio Computer Co Ltd
Publication of CN108810398A publication Critical patent/CN108810398A/zh
Application granted granted Critical
Publication of CN108810398B publication Critical patent/CN108810398B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Television Signal Processing For Recording (AREA)
  • Studio Devices (AREA)

Abstract

本发明涉及一种提供对用户而言趣味性高的汇集图像的图像处理装置、图像处理方法以及记录介质。摄像装置(1)具备图像获取部(52)、图像选择部(57)以及动态图像生成部(58)。图像获取部(52)获取分别包含基于图像的内容进行了分类的多个图像的多个图像组。图像选择部(57)基于对所述多个图像进行了评价的评价结果，分别从所述多个图像组选择图像。动态图像生成部(58)从选择的所述多个图像生成一个图像。

Description

图像处理装置、图像处理方法以及记录介质
本申请要求以2017年4月26日申请的日本国专利申请特愿2017-087638为基础的优先权，并将该基础申请的内容全部引入到本申请。
技术领域
本发明涉及图像处理装置、图像处理方法以及记录介质。
背景技术
在日本特开2016-066343号公报记载了从多个图像选择几个图像来生成拼贴图像、动态图像的技术。
在日本特开2016-066343号公报记载的技术中，通过从多个图像优先选择评价高的图像来生成拼贴图像、动态图像，从而能够生成汇集了用户评价高的图像的汇集图像。
然而，在上述专利文献1记载的技术中，存在如下课题，即，评价高的图像的构图类似，会成为单调的汇集图像。
发明内容
本发明是鉴于这样的问题而完成的，其目的在于，提供对用户而言趣味性高的汇集图像。
本发明的图像处理装置的特征在于，具备：
获取单元，获取分别包含基于图像的内容进行了分类的多个图像的多个图像组；
选择单元，基于对所述多个图像进行了评价的评价结果，分别从所述多个图像组选择图像；以及
生成单元，从所选择的所述多个图像生成一个图像。
本发明的图像处理方法，由图像处理装置执行，包括：
获取步骤，获取分别包含基于图像的内容进行了分类的多个图像的多个图像组；
选择步骤，基于对所述多个图像进行了评价的评价结果，分别从所述多个图像组选择图像；以及
生成步骤，从所选择的所述多个图像生成一个图像。
本发明的计算机可读的记录介质记录有程序，所述程序使计算机实现如下功能：
获取功能，获取分别包含基于图像的内容进行了分类的多个图像的多个图像组；
选择功能，基于对所述多个图像进行了评价的评价结果，分别从所述多个图像组选择图像；以及
生成功能，从所选择的所述多个图像生成一个图像。
附图说明
若结合以下的附图来考虑以下的详细的记述，则可对本申请得到更深的理解。
图1是示出本发明的一个实施方式涉及的摄像装置的硬件的结构的框图。
图2是示出按得分优化的具体例的示意图，图2A是示出各图像的单独再生时间以及图像得分的图，图2B是示出用于选择图像的图像得分的累计路径的图。
图3是示出图像的分类的类目的示意图。
图4是示出故事图(story map)的一个例子的示意图。
图5是示出按照故事图的图像选择的具体例的示意图，图5A是示出各图像的类目、单独再生时间以及图像得分的图，图5B是示出在类目间设定的奖励乘数的图，图5C是示出用于选择图像的图像得分的累计路径的图。
图6是示出图1的摄像装置的功能性结构中的、用于执行突出(highlight)动态图像生成处理的功能性结构的功能框图。
图7是示出生成的突出动态图像的一个例子的示意图。
图8是对具有图6的功能性结构的图1的摄像装置执行的突出动态图像生成处理的流程进行说明的流程图。
具体实施方式
以下，使用附图对本发明的实施方式进行说明。
图1是示出本发明的一个实施方式涉及的摄像装置1的硬件的结构的框图。
摄像装置1例如构成为数字照相机。
如图1所示，摄像装置1具备处理器11、ROM(Read Only Memory，只读存储器)12、RAM(Random Access Memory，随机存取存储器)13、总线14、输入输出接口15、摄像部16、传感器部17、输入部18、输出部19、存储部20、通信部21、以及驱动器22。
处理器11按照记录在ROM12的程序或者从存储部20载入到RAM13的程序执行各种处理。
在RAM13还适当地存储处理器11执行各种处理所需的数据等。
处理器11、ROM12以及RAM13经由总线14相互连接。此外，在该总线14还连接有输入输出接口15。在输入输出接口15连接有摄像部16、传感器部17、输入部18、输出部19、存储部20、通信部21以及驱动器22。
虽然未图示，但是摄像部16具备光学镜头部和图像传感器。
光学镜头部为了对被摄体进行拍摄而由对光进行聚光的透镜，例如，聚焦透镜、变焦透镜等构成。
聚焦透镜是使被摄体像成像在图像传感器的受光面的透镜。变焦透镜是使焦距在一定的范围自由地变化的透镜。
另外，在摄像部16根据需要设置有对焦点、曝光、白平衡等设定参数进行调整的外围电路。
图像传感器由光电变换元件、AFE(Analog Front End，模拟前端)等构成。
光电变换元件例如由CMOS(Complementary Metal Oxide Semiconductor，互补金属氧化物半导体)型的光电变换元件等构成。被摄体像从光学镜头部入射到光电变换元件。因此，光电变换元件对被摄体像进行光电变换(摄像)并将图像信号积累一定时间，将积累的图像信号作为模拟信号依次供给到AFE。
AFE对该模拟的图像信号进行A/D(Analog/Digital，模拟/数字)变换处理等各种信号处理。通过各种信号处理，生成数字信号，并作为摄像部16的输出信号进行输出。
以下，将这样的摄像部16的输出信号称为“摄像图像的数据”。摄像图像的数据适当地供给到处理器11、未图示的图像处理部等。
传感器部17由获取加速度、角速度的信息的加速度传感器、陀螺仪传感器这样的各种传感器构成。
在本实施方式中，在摄像部16中进行了拍摄的情况下，获取拍摄时的传感器信息，并与拍摄的图像建立对应而进行存储。
输入部18由各种按钮等构成，根据用户的指示操作而输入各种信息。
输出部19由显示器、扬声器等构成，输出图像、声音。
存储部20由硬盘或DRAM(Dynamic Random Access Memory，动态随机存取存储器)等构成，存储各种图像的数据。
通信部21对经由包含互联网在内的网络与其它装置(未图示)之间进行的通信进行控制。
在驱动器22中适当地安装包括磁盘、光盘、光磁盘、或半导体存储器等的可移动介质31。由驱动器22从可移动介质31读出的程序根据需要被安装到存储部20。此外，可移动介质31也能够与存储部20同样地对存储在存储部20的图像的数据等各种数据进行存储。
在像这样的构成的摄像装置1中，在要阅览存储的多个图像(在此，设为动态图像)的情况下，因为对全部进行阅览将需要庞大的时间，所以具有仅选择特征性的图像供用户阅览的功能。在本实施方式的摄像装置1中，通过对选择的图像进行结合，生成仅收集了特征性的场景的汇集图像(以下，也称为“突出动态图像”。)，供用户阅览。此时，在摄像装置1中，将存储的多个图像分类为多个类目，并使用设定了突出动态图像中的时间序列的类目的结构(以下，也称为“故事图”。)的数据来选择图像，生成突出动态图像。
[图像的组合的选择方法(按得分优化)的基本的流程]
在本实施方式中，在摄像装置1中，基于拍摄图像时的传感器信息(加速度信息、角速度信息)、图像分析结果(面部等特定的被摄体的有无等)、以及与使用状况相关的信息(再生次数、向SNS的上传信息等)这样的属性信息，计算成为突出动态图像的生成对象的候补的图像(以下，也称为“候补图像”。)的特征量。
然后，基于计算出的特征量，设定作为图像的价值的得分(以下，适当地称为“图像得分”。)。另外，图像得分可以基于人的主观而对应于用于特征量计算的项目来唯一地设定，也可以将主观的评价结果作为示教数据并基于机械学习对各个特征量的项目进行加权，并根据加权综合地进行设定。
此外，在摄像装置1中，将突出动态图像的最大再生时间作为上限，在单独再生时间的合计(合计再生时间)收敛于最大再生时间内的图像的组合中，按照图像的摄像顺序搜索成为对各图像的图像得分进行了累计的得分(以下，称为“累计得分”。)为最大的组合的路径。在此，在本实施方式中，将在动态图像的最大再生时间的限制下选择累计得分最大的路径称为“按得分优化”。
图2是示出按得分优化的具体例的示意图，图2A是示出各图像(Image)的单独再生时间(时间)以及图像得分(得分)的图，图2B是示出用于选择图像的图像得分的累计路径的图。在本例子中，突出动态图像的最大再生时间设定为6秒。
另外，在图2B中，作为从起始节点起的路径，将从单独再生时间的组合、图像得分等观点考虑不是合适的路径的路径示为“淘汰路线”，将能够设定的路径示为“母路线”，将累计得分最高的路径示为最佳路线。
具体地，在本实施方式中，在单独再生时间和拍摄顺序的图像的矩阵设定按拍摄顺序组合了图像的路径。选择各路径的组合中的、对处于路径的图像的图像得分进行了累计的累计得分最大的路径的组合，作为构成突出动态图像的图像组。
所谓“按拍摄顺序组合了图像的路径”，在本实施方式中，是指通过按照图像的拍摄顺序从最初的图像起朝向最后的图像依次进行路径搜索而计算的路径。
在图2B的例子中，按拍摄顺序将图像A至图像E作为构成突出图像的帧图像的候补的图像。
在图像A至图像E中，设定有基于图像的特征量而计算出的图像得分，成为图像A[得分：8]、图像B[得分：5]、图像C[得分：7]、图像D[得分：6]、图像E[得分：7]。此外，设定有图像的单独再生时间，设定图像A[时间：2秒]、图像B[时间：3秒]、图像C[时间：2秒]、图像D[时间：3秒]、图像E[时间：2秒]。另外，单独再生时间也可以构成为与图像得分等对应地进行设定。具体地，例如可以构成为，图像得分高的图像将单独再生时间设定得长，图像得分低的图像将单独再生时间设定得短。
在像这样设定了图像得分和单独再生时间的图像组中，如图2B所示，在纵轴为图像的拍摄顺序且横轴为动态图像的再生时间的矩阵中，设定按拍摄顺序组合了图像的路径，使得收敛于设定的动态图像的最大再生时间内。
在设定的路径中，计算构成路径的全部的图像的累计得分，选择最大的累计得分的路径的组合。
在本例子中，各路径中的累计得分为[22]的路径成为累计得分最大的路径。该路径将图像A作为起始节点并包含图像C和图像E的组合。即，图像A→图像C→图像E的路径成为最佳路线。
另外，虽然在本例子中，进行了仅考虑了累计得分的按得分优化，但是也可以构成为，进行考虑了使合计再生时间变长的按得分优化。
在该情况下，选择合计再生时间成为最大的6秒且累计得分也为[21]这样比较高的将图像A作为起始节点的图像D和图像E的组合的路径。
然后，在摄像装置1中，能够以选择的路径中的再生顺序生成包含对各图像的单独再生时间进行了合计的合计再生时间的突出动态图像。
[按照故事图的选择方法(故事适配)]
在进行了上述那样的按得分优化的情况下，因为特征量与图像得分相关联，所以在选择的组合中有时会包含类似的图像。此外，从突出动态图像的作品性的观点出发，仅列举作为图像的价值(图像得分)高的图像(特征性的图像)未必是合适的。例如，有时更优选通过插入处处演绎新鲜感那样的图像(具有添加趣味性的意义的图像)，从而设为主次分明的动态图像。
因此，在本方法中，准备突出动态图像中的时间序列的类目的排列(故事图)，并参照该故事图，从分类为类目的多个图像之中选择适合(适配)于故事图的时间轴上的位置以及类目的图像并进行合成。由此，能够用故事图生成按照想要的故事结构的动态图像。
在利用本方法进行图像选择的情况下，首先，各图像被分类为类目。
图3是示出表示图像的分类的类目的示意图。
如图3所示，各图像能够根据其图像内容或者在拍摄时获取的参数(包含各种传感器的信息)等分类为多个类目。
例如，多个人物决定姿势而拍摄的图像能够作为成为对突出动态图像进行编辑时的中心的关注度高的类目的图像(以下，称为“主图像”。)。作为主图像，能够选择集合人物而拍摄的图像、拍摄了人物的笑脸的图像。此外，以下的图像在对突出动态图像进行编辑时能够作为按照主图像的类目的图像(以下，称为“子图像”。)，该图像不包含主图像的要素，且与主图像相比关注度不高，但是，是拍摄者有意地拍摄的图像。作为子图像，例如，能够选择拍摄了比主图像少的数量的人物的图像、以特有的构图进行拍摄的图像(脚下的图像等)。此外，拍摄了时间上的或空间上的指标的图像能够作为表示拍摄图像组中的时间上的或空间上的流程的类目的图像(以下，称为“关键图像”。)。作为关键图像，例如，能够选择拍摄了路标、钟表等成为场所、时刻的记号的那样的被摄体的图像。进而，拍摄了通常的风景的图像能够作为表现现场的身临其境感的类目的图像(以下，称为“吸引力图像(sizzleimage)”。)。作为吸引力图像，例如，能够选择拍摄了人物的步行场景、步行路面的图像。
另外，类目的种类以及数量能够根据突出动态图像的生成目的等而适当地设定，能够设为上述的4种以外。
在此，在将各图像分类为多个类目的情况下，能够使用利用了DNN(Deep NeuralNetwork，深度神经网络)的深度学习。在该情况下，将由用户预先分类为各类目的图像作为示教数据，使用该示教数据使类目的分类器进行学习。然后，通过向经过了学习的分类器输入未分类的图像(例如，将像素数据、传感器信息作为要素进行输入)，从而能够将各图像分类为任一类目。
另外，除了通过深度学习将各图像分类为类目以外，还能够通过用户的判断对各图像设定类目，或者对各图像的图像内容或在拍摄时获取的参数进行条件判断而自动地设定类目。在自动地对图像设定类目的情况下，还能够使用SVM(Support Vector Machine，支持向量机)、BoF(Bag-of-Feature，特征袋)等机械学习、Bayes等概率模型。在该情况下，从各图像向特征量进行变换。例如，能够基于人、面部的数量、彩色直方图或者构图等进行从图像内容向特征量的变换。另一方面，能够使用FFT(Fast Fourier Transform，快速傅里叶变换)分析结果、自相关量等进行从传感器信息向特征量的变换。
然后，对于将这样的类目按时间序列配置的故事图，基于拍摄图像组中的各图像的类目、图像得分以及拍摄顺序(时间序列上的位置)，进行针对故事图的适配。
图4是示出故事图的一个例子的示意图。
如图4所示，在故事图中，整体的再生时间被确定，构成为按时间序列排列了类目的数据。
在本实施方式中，在故事图排列的类目按每个类目预先设定了图像的再生时间。
然后，如后所述，关于在故事图排列的各类目，选择拍摄图像组中的各图像中的、适合(适配)于故事图的时间轴上的位置以及类目的图像。此时，在选择的图像的单独再生时间比在类目设定的再生时间长的情况下，图像的单独再生时间被剪辑(在此，删除超过的量)为与故事图的类目对应的再生时间。
图5是示出按照故事图的图像选择的具体例的示意图，图5A是示出各图像的类目(类目)、单独再生时间(时间)以及图像得分(得分)的图，图5B是示出在类目间设定的奖励乘数的图，图5C是示出用于选择图像的图像得分的累计路径的图。另外，在图5所示的例子中，为了使说明简单，示出了作为各图像的类目而设定了α、β、γ这3种的情况。此外，所谓奖励乘数，是指根据在故事图排列的类目与选择的图像的类目的关系而与图像得分相乘的用于得分的修正的参数。
图5C所示的图像选择方法成为如下的图像选择方法，即，如上所述，相对于图2所示的按得分优化的流程，更容易选择适合(适配)于故事图的时间轴上的位置以及类目的图像，并且施加了将图像的单独再生时间剪辑(在此，删除超过的量)为与故事图的类目对应的再生时间的修正。
即，在图5C所示的图像选择方法中，在故事图中，在时间序列上的关注的位置和在该位置能够选择的拍摄图像组中的各图像中类目一致的情况下，通过乘以奖励乘数，从而图像得分提高。由此，能够选择的图像中的、与在故事图排列的类目一致的图像容易被选择。此外，在选择的图像的单独再生时间比在故事图排列的类目的切换时间长的情况下，通过对单独再生时间进行剪辑而收敛于在类目设定的时间，从而能够设为按照在故事图设定的类目的时间序列的图像的结构。
例如，在图5C中，图像B的类目为β，设定在故事图中的0～1秒的时间段的类目为β。因此，在故事图中的0～1秒的时间段选择了图像B的情况下，对图像B的得分[5]乘以奖励乘数2，得分被修正为[10]。其结果是，与故事图中的0～1秒的时间段中的图像A(类目为α)的得分[8]相比，修正后的图像B的得分[10]更高，作为故事图中的0～1秒的时间段的图像，选择图像B。
此外，选择的图像B的单独再生时间为5秒，另一方面，故事图中的0～1秒的时间段的类目设定了2秒的再生时间，因此图像B的单独再生时间被剪辑为2秒。
此外，在图5C中，图像C的类目为γ，设定在故事图中的2～3秒的时间段的类目为α。因此，在故事图中的2～3秒的时间段选择了图像C的情况下，对图像C的得分[7]乘以奖励乘数1/2，得分被修正为[3.5]。另一方面，图像D的类目为α，设定在故事图中的2～3秒的时间段的类目为α。因此，在故事图中的2～3秒的时间段选择了图像D的情况下，对图像D的得分[6]乘以奖励乘数2，得分被修正为[12]。其结果是，与故事图中的2～3秒的时间段中的修正后的图像C的得分[3.5]相比，修正后的图像D的得分[12]更高，作为继图像B之后的2～3秒的时间段的图像，选择图像D。
然后，在故事图中的3秒以后的时间段选择的图像同样地基于乘以奖励乘数后的得分进行选择，并且根据需要，对单独再生时间进行剪辑。
其结果是，在本例子中，各路径中的、累计得分为[25.5]的路径成为累计得分最大的路径。该路径将图像B(修正后的得分为[10])作为起始节点，并包含图像D(修正后的得分为[12])和图像E(修正后的得分为[3.5])的组合。即，图像B→图像D→图像E的路径成为最佳路线。
因此，通过使用本方法，能够参照故事图，从分类为类目的多个图像之中选择适合(适配)于故事图的时间轴上的位置以及类目的图像，使得例如在时间、张数等的限制内累计得分尽可能大。因此，能够用故事图生成按照想要的故事结构的合适的动态图像。
图6是示出图1的摄像装置1的功能性结构中的、用于执行突出动态图像生成处理的功能性结构的功能框图。
所谓突出动态图像生成处理，是指从多个候补图像之中生成包含如下的候补图像的突出动态图像的一系列的处理，该候补图像是适合(适配)于故事图的时间轴上的位置以及类目的图像，且成为图像得分高的组合。
在执行突出动态图像生成处理的情况下，如图6所示，在处理器11中，故事图获取部51、图像获取部52、特征量计算部53、得分计算部54、类目分类部55、路径设定部56、图像选择部57、动态图像生成部58发挥功能。
此外，在存储部20的一个区域设定图像存储部71。
在图像存储部71存储与在拍摄时获取的传感器信息建立对应的图像的数据。
故事图获取部51获取在突出动态图像生成处理中参照的故事图的数据。关于故事图的数据，能够获取用户生成的故事图的数据，或者能够获取由设计师设计的预制的故事图的数据。
图像获取部52从图像存储部71获取成为突出动态图像的对象的多个候补图像。在本实施方式中，候补图像的数据与在拍摄时获取的传感器信息建立了对应，图像获取部52在获取候补图像的数据时一并获取传感器信息的数据。
特征量计算部53按获取的每个候补图像计算特征量。在本实施方式中，特征量计算部53基于对候补图像进行了图像分析的结果以及与候补图像建立对应的传感器信息来计算各候补图像的特征量。
得分计算部54基于特征量计算部53计算出的特征量设定作为图像的价值的图像得分。另外，关于图像得分，可以基于人的主观而对应于用于特征量计算的项目来唯一地设定，也可以将主观的评价结果作为示教数据并基于机械学习对各个特征量的项目进行加权，从而根据加权综合地进行设定。
类目分类部55使用利用了DNN的深度学习将候补图像分类为多个类目。在本实施方式中，类目分类部55将由用户预先分类为各类目的图像作为示教数据，并使用该示教数据使类目的分类器进行学习。然后，类目分类部55通过向经过了学习的分类器输入未分类的图像(例如，将像素数据、传感器信息作为要素进行输入)，从而将各图像分类为任一类目。
路径设定部56基于图像的拍摄顺序和设定的候补图像的单独再生时间，在由突出动态图像的单独再生时间和候补图像构成的矩阵设定可能的路径的组合(排列)。在本实施方式中，路径设定部56基于图像的类目和在故事图设定的类目对候补图像的得分进行修正，同时设定路径的组合(排列)。
图像选择部57选择累计得分最高的路径，并选择构成路径的候补图像。在本实施方式中，图像选择部57通过如下的图像选择方法来选择候补图像，该图像选择方法相对于图2所示的按得分优化的流程更容易选择适合(适配)于故事图的时间轴上的位置以及类目的图像，并且施加了将图像的单独再生时间剪辑(在此，删除超过的量)为与故事图的类目对应的再生时间的修正。例如，在故事图中，在时间序列上的关注的位置和在该位置能够选择的拍摄图像组中的各候补图像中类目一致的情况下，图像选择部57通过乘以奖励乘数而使候补图像的得分提高。由此，能够选择的候补图像中的、与在故事图排列的类目一致的候补图像容易被选择。此外，在选择的候补图像的单独再生时间比在故事图排列的类目的切换时间长的情况下，图像选择部57通过对单独再生时间进行剪辑而收敛于在类目设定的时间，从而设为按照在故事图设定的类目的时间序列的图像的结构。动态图像生成部58生成如下的突出动态图像，该突出动态图像构成为，使由图像选择部57选择的路径的候补图像收敛于设定的最大再生时间。
图7是示出生成的突出动态图像的一个例子的示意图。
如图7所示，通过利用上述的方法从候补图像选择图像，从而生成由按照在故事图设定的类目的时间序列的特征性的图像构成的突出动态图像。
[动作]
接着，对摄像装置1的动作进行说明。
图8是对具有图6的功能性结构的图1的摄像装置1执行的突出动态图像生成处理的流程进行说明的流程图。
突出动态图像生成处理通过用户对输入部18进行的突出动态图像生成处理开始的操作而开始。
在步骤S1中，故事图获取部51获取在突出动态图像生成处理中参照的故事图的数据。
在步骤S2中，图像获取部52从图像存储部71获取成为突出动态图像的对象的多个候补图像。另外，候补图像的数据与在拍摄时获取的传感器信息建立了对应，图像获取部52在获取候补图像的数据时一并获取传感器信息的数据。
在步骤S3中，特征量计算部53按获取的每个候补图像计算特征量。此时，特征量计算部53基于对候补图像进行了图像分析的结果以及与候补图像建立对应的传感器信息，计算各候补图像的特征量。
在步骤S4中，得分计算部54基于特征量计算部53计算出的特征量来设定作为图像的价值的图像得分。
在步骤S5中，类目分类部55使用利用了DNN的深度学习将候补图像分类为多个类目。此时，类目分类部55将由用户预先分类为各类目的图像作为示教数据，并使用该示教数据使类目的分类器进行学习。然后，类目分类部55通过向经过了学习的分类器输入未分类的图像(例如，将像素数据、传感器信息作为要素进行输入)，从而将各图像分类为任一类目。
在步骤S6中，路径设定部56基于图像的拍摄顺序和设定的候补图像的单独再生时间，在由突出动态图像的单独再生时间和候补图像构成的矩阵设定可能的路径的组合(排列)。此时，路径设定部56基于图像的类目和在故事图设定的类目，对候补图像的得分进行修正，同时设定路径的组合(排列)。
在步骤S7中，图像选择部57选择累计得分最高的路径，并选择构成路径的候补图像。此时，图像选择部57通过如下的图像选择方法来选择候补图像，该图像选择方法相对于图2所示的按得分优化的流程更容易选择适合(适配)于故事图的时间轴上的位置以及类目的图像，并且施加了将图像的单独再生时间剪辑(在此，删除超过的量)为与故事图的类目对应的再生时间的修正。例如，在故事图中，在时间序列上的关注的位置和在该位置能够选择的拍摄图像组中的各候补图像中类目一致的情况下，图像选择部57通过乘以奖励乘数而使候补图像得分提高。此外，在选择的候补图像的单独再生时间比在故事图排列的类目的切换时间长的情况下，图像选择部57通过对单独再生时间进行剪辑而收敛于在类目设定的时间，从而设为按照在故事图设定的类目的时间序列的图像的结构。
在步骤S8中，动态图像生成部58生成构成为由图像选择部57选择的路径的候补图像收敛于设定的最大再生时间的突出动态图像。
在步骤S8之后，突出动态图像生成处理结束。
通过这样的处理，对于在故事图排列的各类目，选择拍摄图像组中的各候补图像中的、适合(适配)于故事图的时间轴上的位置以及类目的候补图像。此时，在选择的候补图像的单独再生时间比在类目设定的再生时间长的情况下，候补图像的单独再生时间被剪辑为与故事图的类目对应的再生时间。
由此，能够参照故事图，从分类为类目的多个图像之中选择适合(适配)于故事图的时间轴上的位置以及类目的图像，例如使得在时间、张数等的限制内累计得分尽可能变得最大。因此，能够用故事图生成按照想要的故事结构的合适的动态图像。
因此，根据摄像装置1，能够提供对用户而言趣味性高的汇集图像。
[变形例1]
在上述的实施方式中，在选择适合(适配)于故事图的时间轴上的位置以及类目的候补图像的情况下，也可以通过进行基于使用了DTW(Dynamic Time Warping，动态时间规整)的动态计划法的路径设定，从而选择最佳的图像。
即，候补图像组和故事图能够理解为时间的长度以及样本的数量不同的两个函数。
然后，通过DTW计算候补图像组以及故事图的各样本(候补图像组的各候补图像和在故事图排列的各类目)间的全部距离，并在表示这些距离的矩阵中确定候补图像组与故事图的距离最短的路线。此时，候补图像组以及故事图的各样本间的距离能够定义为类目间距离。关于类目间距离，例如，在图5A所示的类目α、β、γ中，在同一类目间能够将距离设为零，在类目α和β间能够将距离设为“5”，在类目α和γ间能够将距离设为“10”，在类目β和γ间能够将距离设为“10”。
构成像这样确定的路线的候补图像的组合成为也适合(适配)于故事图的候补图像，通过将这些候补图像按时间序列进行排列，从而能够生成对在故事图排列的各类目设定了具体的候补图像的突出动态图像。
[变形例2]
虽然在上述的实施方式中，以生成对包含作为动态图像的候补图像的候补图像组进行了概括的突出动态图像的情况为例进行了说明，但是不限于此。
例如，在从包含作为静止图像的候补图像的候补图像组生成收集了特征性的图像的汇集图像(拼贴图像、幻灯或突出动态图像等)的情况下，也能够应用本发明。
作为一个例子，在从多个静止图像生成突出动态图像的情况下，将包含静止图像的候补图像组分类为类目，并准备突出动态图像中的时间序列的类目的排列(故事图)。然后，参照该故事图，从分类为类目的多个图像之中选择适合(适配)于故事图的时间轴上的位置以及类目的图像并进行合成。此时，作为静止图像的候补图像的单独再生时间设为在故事图中按各类目的每个图像设定的再生时间。另外，在图像的选择中，还能够使用图5所示的选择方法、变形例1所示的选择方法中的任一者。
由此，能够从包含作为静止图像的候补图像的候补图像组生成收集了特征性的图像的汇集图像。
因此，能够提供对用户而言趣味性高的汇集图像。
[变形例3]
在上述的实施方式中，在从候补图像组选择适合(适配)于故事图的时间轴上的位置以及类目的图像的情况下，也可以将故事图延长为候补图像组的长度，在被延长的故事图排列的各类目的时间段中，通过选择同一类目的候补图像，从而生成汇集图像。此时，在被延长的故事图排列的各类目的时间段中，能够选择多个同一类目的候补图像的情况下，能够选择图像得分更高的候补图像。
通过这样的方法，能够通过简单的处理从候补图像组生成收集了特征性的图像的汇集图像。
[变形例4]
在上述的实施方式中，在从候补图像组选择适合(适配)于故事图的时间轴上的位置以及类目的图像的情况下，也可以构成为，不预先计算单独的图像得分，从按照故事图应选择的类目的图像中根据奖励乘数和时间轴上的位置来选择候补图像。
通过这样的方法，能够通过简单的处理从候补图像组生成收集了特征性的图像的汇集图像。
[变形例5]
虽然在上述的实施方式中，构成为从候补图像组按照故事图的时间序列计算考虑了奖励乘数的图像得分，但是也可以构成为，在将候补图像组分类为各类目之后，在各类目中按照图像得分从高到低的顺序选择故事图所需的数量的图像而生成汇集图像。
此外，也可以构成为，在从通过上述的方法选择的候补图像生成汇集图像时，读出各图像的拍摄定时的信息，以收敛于故事图的那样的排列生成汇集图像。
通过这样的方法，能够通过简单的处理从候补图像组生成收集了特征性的图像的汇集图像。
[变形例6]
虽然在上述的实施方式中，构成为从候补图像组按照故事图的时间序列计算考虑了奖励乘数的图像得分，但是，也可以构成为，在将候补图像组分类为各类目之后，从各类目随机地选择故事图所需的数量的图像而生成汇集图像。
通过这样的方法，能够简化图像的选择处理，且能够从候补图像组生成收集了特征性的图像的汇集图像。
像以上那样构成的摄像装置1具备图像获取部52、图像选择部57、以及动态图像生成部58。
图像获取部52获取多个图像。
图像选择部57在多个图像中，从与基于所述图像的内容的分类相应的多个图像组，基于对所述多个图像进行了评价的评价结果来选择图像。
动态图像生成部58将选择的图像合成为一个图像。
由此，能够在考虑多个图像中的图像的分类的同时，基于图像的评价结果来选择图像并合成为一个图像。
因此，能够提供对用户而言趣味性高的汇集图像。
另外，在生成一个汇集图像的情况下，可以根据生成汇集图像的同一选择基准来生成，或者，也可以根据生成汇集图像的多个选择基准来生成。
在选择故事图中的关注的位置的图像时，在该位置的分类与图像的分类一致的情况下，图像选择部57进行提高该图像的评价的修正。
由此，能够容易地选择与故事图中的关注的位置的分类一致的图像。
在多个图像中包含动态图像。
故事图表示图像的分类的时间上的位置以及长度的排列。
在选择故事图中的关注的位置的图像时，在图像的再生时间比该位置的时间上的长度长的情况下，图像选择部57对该图像的再生时间进行剪辑。
由此，能够使选择的图像的再生时间收敛于在故事图设定的再生时间，能够设为按照在故事图设定的分类的时间序列的图像的结构。
摄像装置1具备类目分类部55。
类目分类部55将由图像获取部52获取的多个图像基于图像的内容分类为多个图像组。
由此，能够将多个图像进行分类，能够考虑图像的分类而选择图像。
摄像装置1具备得分计算部54。
得分计算部54对由图像获取部52获取的多个图像进行评价。
由此，能够反映图像的评价而选择图像。
另外，本发明并不限定于上述的实施方式，在能够达成本发明的目的的范围内的变形、改良等包含于本发明。
例如，在上述的实施方式中，关于故事图，作为定义了突出动态图像(汇集图像)中的时间序列的类目的排列的故事图而进行了说明。即，说明为，在故事图中定义了选择的候补图像的时间轴上的位置以及类目。
相对于此，在故事图中，也可以定义选择的候补图像的空间上的位置以及类目。在该情况下，故事图成为定义了平面上的图像(静止图像)中的候补图像的配置位置和配置在各位置的候补图像的类目的故事图。
虽然在上述的实施方式中，构成为从作为动态图像或静止图像的候补图像选择图像来生成突出动态图像(汇集图像)，但是，例如也可以将在一个或多个动态图像中构成动态图像的帧图像作为候补图像。
此外，也可以将静止图像、动态图像或帧图像中的多个种类作为候补图像，并从这些种类不同的候补图像选择图像来生成汇集图像。
此外，虽然在上述的实施方式中，关于应用本发明的摄像装置1，以数字照相机为例进行了说明，但是并不特别限定于此。
例如，本发明能够一般地应用于具有突出动态图像生成处理功能的电子设备。具体地，例如，本发明能够应用于笔记本型的个人计算机、打印机、电视影像接收机、摄影机、便携型导航装置、便携式电话机、智能电话、手持式游戏机等。
上述的一系列的处理既可以通过硬件来执行，也可以通过软件来执行。
换言之，图6的功能性结构只不过是例示，并没有特别限定。即，只要摄像装置1具备能够作为整体来执行上述的一系列的处理的功能即可，至于为了实现该功能而使用怎样的功能模块，并不特别限定于图6的例子。
此外，一个功能模块既可以由硬件单体构成，也可以由软件单体构成，还可以由它们的组合构成。
本实施方式中的功能性结构通过执行运算处理的处理器来实现，能够用于本实施方式的处理器除了包括由单处理器、多处理器以及多核处理器等各种处理装置单体构成的处理器以外，还包括组合了这些各种处理装置与ASIC(Application Specific IntegratedCircuit，特定用途集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)等处理电路的处理器。
在通过软件来执行一系列的处理的情况下，构成该软件的程序从网络、记录介质安装到计算机等。
计算机可以是嵌入到专用的硬件的计算机。此外，计算机也可以是通过安装各种程序而能够执行各种功能的计算机，例如，可以是通用的个人计算机。
这样的包含程序的记录介质不仅由为了向用户提供程序而与装置主体独立地发布的图1的可移动介质31构成，而且由以预先嵌入到装置主体的状态提供给用户的记录介质等构成。可移动介质31例如由磁盘(包含软片)、光盘、或光磁盘等构成。光盘例如由CD-ROM(Compact Disk-Read Only Memory，光盘只读存储器)、DVD(Digital Versatile Disk，数字通用磁盘)、Blu-ray(注册商标)Disc(蓝光盘)等构成。光磁盘由MD(Mini-Disk)等构成。此外，以预先嵌入到装置主体的状态提供给用户的记录介质例如由记录有程序的图1的ROM12、包含于图1的存储部20的硬盘等构成。
另外，在本说明书中，对记录在记录介质的程序进行记述的步骤不仅包含按照该顺序按时间序列进行的处理，还包含未必按时间序列进行处理而并列地或者独立地执行的处理。
以上，对本发明的几个实施方式进行了说明，但是这些实施方式只不过是例示，并不限定本发明的技术范围。本发明能够采用其它各种各样的实施方式，进而，能够在不脱离本发明的要旨的范围进行省略、置换等各种变更。这些实施方式及其变形包含于本说明书等记载的发明的范围、要旨，并且包含于权利要求书记载的发明及其等同的范围。

Claims (14)

1.一种图像处理装置，其特征在于，具备：
获取单元，获取分别包含基于图像的内容进行了分类的多个图像的多个图像组；
选择单元，基于对所述多个图像进行了评价的评价结果，分别从所述多个图像组选择图像；以及
生成单元，从所选择的所述多个图像生成一个图像，
所述选择单元基于表示所述图像的分类的时间上的或空间上的位置的排列的故事图，从所述多个图像组中的至少任一个选择图像，在选择所述故事图中的关注的位置的图像时，在该位置的分类与所述图像的分类一致的情况下，进行提高该图像的评价的修正。
2.根据权利要求1所述的图像处理装置，其特征在于，
在所述多个图像中包含动态图像，
所述故事图表示所述图像的分类的时间上的位置以及长度的排列，
在选择所述故事图中的关注的位置的图像时，在所述图像的再生时间比该位置的时间上的长度长的情况下，所述生成单元对该图像的再生时间进行剪辑。
3.根据权利要求1或2所述的图像处理装置，其特征在于，
所述获取单元获取多个图像，
所述图像处理装置具备：分类单元，将由所述获取单元获取的所述多个图像基于所述图像的内容分类为所述多个图像组，
所述获取单元获取分别包含由所述分类单元进行了分类的多个图像的多个图像组。
4.根据权利要求1所述的图像处理装置，其特征在于，
所述图像处理装置具备：评价单元，对由所述获取单元获取的所述多个图像进行评价，
所述选择单元基于所述评价单元的评价结果分别从所述多个图像组选择图像。
5.根据权利要求4所述的图像处理装置，其特征在于，
所述评价单元计算所述多个图像组的各候补图像与在所述故事图排列的所述图像的分类间的距离，
所述选择单元根据所述评价单元的计算结果从所述多个图像组选择图像。
6.根据权利要求1所述的图像处理装置，其特征在于，
在所述故事图中，整体的再生时间被确定，并按时间序列排列了图像的分类。
7.根据权利要求1所述的图像处理装置，其特征在于，
所述选择单元变更所述故事图的时间上的长度，使得所述故事图成为所述图像组的时间上的长度，并基于在该变更后的所述故事图排列的所述多个图像组的时间上的排列，从所述多个图像组选择图像。
8.根据权利要求1所述的图像处理装置，其特征在于，
所述选择单元基于所述故事图从所述多个图像组中的至少任一个选择图像，而不预先计算单独的图像得分。
9.根据权利要求1所述的图像处理装置，其特征在于，
所述选择单元从所述多个图像组中的至少任一个按图像得分从高到低的顺序选择所述故事图所需的数量的图像。
10.根据权利要求1所述的图像处理装置，其特征在于，
所述选择单元从所述多个图像组中的至少任一个随机地选择所述故事图所需的数量的图像。
11.根据权利要求1所述的图像处理装置，其特征在于，
所述选择单元根据同一选择基准从所述多个图像组中的至少任一个选择图像。
12.根据权利要求1所述的图像处理装置，其特征在于，
所述选择单元根据至少有一个是不同的选择基准从所述多个图像组中的至少任一个选择图像。
13.一种图像处理方法，由图像处理装置执行，包括：
获取步骤，获取分别包含基于图像的内容进行了分类的多个图像的多个图像组；
选择步骤，基于对所述多个图像进行了评价的评价结果，分别从所述多个图像组选择图像；以及
生成步骤，从所选择的所述多个图像生成一个图像，
在所述选择步骤中，基于表示所述图像的分类的时间上的或空间上的位置的排列的故事图，从所述多个图像组中的至少任一个选择图像，在选择所述故事图中的关注的位置的图像时，在该位置的分类与所述图像的分类一致的情况下，进行提高该图像的评价的修正。
14.一种计算机可读的记录介质，记录有程序，所述程序使计算机实现如下功能：
获取功能，获取分别包含基于图像的内容进行了分类的多个图像的多个图像组；
选择功能，基于对所述多个图像进行了评价的评价结果，分别从所述多个图像组选择图像；以及
生成功能，从所选择的所述多个图像生成一个图像，
所述选择功能基于表示所述图像的分类的时间上的或空间上的位置的排列的故事图，从所述多个图像组中的至少任一个选择图像，在选择所述故事图中的关注的位置的图像时，在该位置的分类与所述图像的分类一致的情况下，进行提高该图像的评价的修正。
CN201810383322.7A 2017-04-26 2018-04-25 图像处理装置、图像处理方法以及记录介质 Active CN108810398B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-087638 2017-04-26
JP2017087638A JP6614198B2 (ja) 2017-04-26 2017-04-26 画像処理装置、画像処理方法及びプログラム

Publications (2)

Publication Number Publication Date
CN108810398A CN108810398A (zh) 2018-11-13
CN108810398B true CN108810398B (zh) 2021-01-26

Family

ID=63916752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810383322.7A Active CN108810398B (zh) 2017-04-26 2018-04-25 图像处理装置、图像处理方法以及记录介质

Country Status (3)

Country Link
US (1) US10762395B2 (zh)
JP (1) JP6614198B2 (zh)
CN (1) CN108810398B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108924626B (zh) * 2018-08-17 2021-02-23 腾讯科技（深圳）有限公司 图片生成方法、装置、设备及存储介质
JP7308775B2 (ja) * 2020-02-12 2023-07-14 株式会社日立ハイテク 機械学習方法および機械学習用情報処理装置
JP2022103693A (ja) * 2020-12-28 2022-07-08 京セラドキュメントソリューションズ株式会社 画像認識方法、画像認識装置、および画像認識プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1573795A (zh) * 2003-05-26 2005-02-02 诺日士钢机株式会社 区域检测方法及其装置
EP1770638A2 (en) * 2005-09-30 2007-04-04 FUJIFILM Corporation Displaying images according to an image evaluation value
CN101331522A (zh) * 2005-10-18 2008-12-24 富士胶片株式会社 图册创建设备、图册创建方法和图册创建程序
CN103544198A (zh) * 2012-07-11 2014-01-29 索尼公司 编辑设备、编辑方法、程序以及存储介质
CN105827964A (zh) * 2016-03-24 2016-08-03 维沃移动通信有限公司 一种图像处理方法及移动终端

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000125253A (ja) 1998-10-15 2000-04-28 Toshiba Corp 動画編集装置および記録媒体
JP4189811B2 (ja) 2003-09-30 2008-12-03 日本電気株式会社 画像検出装置、画像検出方法及び画像検出用プログラム
JP5664120B2 (ja) 2010-10-25 2015-02-04 ソニー株式会社 編集装置、編集方法、プログラム、および記録媒体
JP2012114559A (ja) * 2010-11-22 2012-06-14 Jvc Kenwood Corp 映像処理装置、映像処理方法及び映像処理プログラム
CN105246406A (zh) * 2013-05-31 2016-01-13 柯尼卡美能达株式会社 图像处理装置以及程序
JP2016066343A (ja) 2014-06-30 2016-04-28 カシオ計算機株式会社 画像生成装置、画像生成方法及びプログラム
US10658006B2 (en) * 2015-11-18 2020-05-19 Casio Computer Co., Ltd. Image processing apparatus that selects images according to total playback time of image data, image selection method, and computer-readable medium

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1573795A (zh) * 2003-05-26 2005-02-02 诺日士钢机株式会社 区域检测方法及其装置
EP1770638A2 (en) * 2005-09-30 2007-04-04 FUJIFILM Corporation Displaying images according to an image evaluation value
CN101331522A (zh) * 2005-10-18 2008-12-24 富士胶片株式会社 图册创建设备、图册创建方法和图册创建程序
CN103544198A (zh) * 2012-07-11 2014-01-29 索尼公司 编辑设备、编辑方法、程序以及存储介质
CN105827964A (zh) * 2016-03-24 2016-08-03 维沃移动通信有限公司 一种图像处理方法及移动终端

Also Published As

Publication number Publication date
CN108810398A (zh) 2018-11-13
JP2018186418A (ja) 2018-11-22
JP6614198B2 (ja) 2019-12-04
US20180314919A1 (en) 2018-11-01
US10762395B2 (en) 2020-09-01

Similar Documents

Publication Publication Date Title
KR101434564B1 (ko) 촬영 정보 자동 추출 시스템 및 방법
CN102047652B (zh) 摄像装置、集成电路及摄像方法
CN108810398B (zh) 图像处理装置、图像处理方法以及记录介质
CN101262561B (zh) 成像设备及其控制方法
JP2011109428A (ja) 情報処理装置、情報処理方法、およびプログラム
US20100266160A1 (en) Image Sensing Apparatus And Data Structure Of Image File
JP2009141516A (ja) 画像表示装置，カメラ，画像表示方法，プログラム，画像表示システム
JP2010034685A (ja) デジタルカメラ
JP6341184B2 (ja) 画像処理装置、画像処理方法及びプログラム
JP2008035125A (ja) 撮像装置、画像処理方法およびプログラム
US11627245B2 (en) Focus adjustment device and focus adjustment method
JP2013165413A (ja) 画像表示装置
JP6087719B2 (ja) 画像処理装置及び画像処理方法
JP2019071047A (ja) ビデオシーケンスのフレームを選択する方法、システム、及び、装置
JP2019191933A (ja) 学習装置、撮像装置、画像処理装置、および学習方法
EP3171365A1 (en) Image processing apparatus that selects images according to total playback time of image data, image selection method, and program
JP2017098637A (ja) 画像特定装置、画像特定方法及びプログラム
JP2010050705A (ja) カメラ
JP6720509B2 (ja) 画像評価装置、画像評価方法及びプログラム
US11523047B2 (en) Imaging device, imaging method, and program
WO2023188652A1 (ja) 記録方法、記録装置、及びプログラム
US20180288328A1 (en) Image processing apparatus, image processing method, and storage medium
WO2022014143A1 (ja) 撮像システム
JP6418136B2 (ja) 画像処理装置、画像選択方法及びプログラム
JP6555978B2 (ja) 画像処理装置、その制御方法およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant