KR20210101713A

KR20210101713A - 카메라를 포함하는 전자 장치 및 그의 동작 방법

Info

Publication number: KR20210101713A
Application number: KR1020200015985A
Authority: KR
Inventors: 서동환; 황인성; 황지나; 신대규
Original assignee: 삼성전자주식회사
Priority date: 2020-02-10
Filing date: 2020-02-10
Publication date: 2021-08-19
Also published as: WO2021162353A1

Abstract

본 개시의 일 실시예에 따른 전자 장치는, 카메라, 메모리 및 상기 카메라 및 상기 메모리와 연결된 프로세서를 포함하며, 상기 메모리는 실행 시에, 상기 프로세서가, 상기 카메라로부터 획득한 영상의 불투명도 정보를 획득하고, 상기 영상의 깊이 정보를 획득하며, 상기 획득한 깊이 정보 및 상기 획득한 불투명도 정보를 기반으로 상기 영상의 관심 영역을 판단하며, 상기 영상에서 상기 관심 영역 외의 배경 영역에 제1 효과를 적용하도록 하는 하나 이상의 인스트럭션들(instructions)을 저장할 수 있다.

Description

카메라를 포함하는 전자 장치 및 그의 동작 방법{ELECTRONIC DEVICE COMPRISING A CAMERA AND METHOD OF OPERATION THEREOF}

본 문서에서 개시되는 다양한 실시 예들은, 카메라를 포함하는 전자 장치 및 그의 동작 방법과 관련된다.

보케(bokeh) 효과란 주된 피사체에 렌즈의 초점을 맞추고 있는 것을 전제로 주된 피사체 외의 영역에 대하여 렌즈의 초점을 의도적으로 맞지 않도록 흐리게 표현하는 영상 표현 방법이다.

종래 기술은 깊이(depth) 정보에 기초하여 영상 내의 영역에 대하여 보케 효과를 어떻게 적용할 것인지를 결정하였다. 깊이 정보란 3차원 컴퓨터 그래픽스에서 어떠한 영상에 대하여 관찰 시점(viewpoint)으로부터 영상에 포함된 물체 표면과의 거리와 관련된 정보를 나타내는 하나의 영상을 의미할 수 있다.

그러나 영상에 효과를 적용 시 깊이 정보만을 사용하면 촬영자가 영상의 촬영 시 의도한 주된 피사체를 판단하는 정확도가 떨어질 수 있다. 이에 따라 실질적으로 주된 피사체이나 배경으로 판단되어 주된 피사체에 보케 효과가 적용될 수 있다.

따라서 광학 렌즈와 유사하고 자연스러운 보케 효과를 영상에 적용하는 방법이 문제될 수 있다.

본 발명은, 영상에서 촬영자가 의도한 주된 피사체를 보다 높은 정확도로 판단하여 자연스러운 배경 흐림 효과를 영상에 적용하는 방법을 제공하는 장치 및 그 동작 방법에 관한 것이다.

본 개시의 일 실시예에 따른 카메라를 포함하는 전자 장치의 동작 방법은, 상기 카메라로부터 획득한 영상의 불투명도 정보를 획득하고, 상기 영상의 깊이 정보를 획득하며, 상기 획득한 깊이 정보 및 상기 획득한 불투명도 정보를 기반으로 상기 영상의 관심 영역을 판단하며, 상기 영상에서 상기 관심 영역 외의 배경 영역에 제1 효과를 적용하도록 할 수 있다.

본 문서에 개시되는 다양한 실시 예들에 따르면, 전자 장치는 영상에서 촬영자가 의도한 주된 피사체를 보다 높은 정확도로 판단하여 자연스러운 배경 흐림 효과를 영상에 적용할 수 있다.

본 문서에 개시되는 다양한 실시 예들에 따르면, 전자 장치는 영상에서 머리카락, 털 옷 등 세밀한 경계 영역을 보다 정교하게 분리하여 자연스러운 배경 흐림 효과를 영상에 적용할 수 있다.

본 문서에 개시되는 다양한 실시 예들에 따르면, 전자 장치는 단일 카메라로 촬영한 영상에서도 촬영자가 의도한 주된 피사체를 보다 높은 정확도로 판단하여 자연스러운 배경 흐림 효과를 영상에 적용할 수 있다.

이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1은 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 일 실시예에 따른 전자 장치의 구성을 나타낸 도면이다.
도 3은 일 실시예에 따른 전자 장치의 동작을 나타낸 순서도이다.
도 4는 일 실시예에 따른 전자 장치가 획득한 원본 영상 및 피사체 정보를 나타낸 도면이다.
도 5는 일 실시예에 따른 전자 장치가 불투명도 정보를 구하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 전자 장치가 영상에서 피사체와 배경을 분리한 결과를 나타낸 도면이다.
도 7은 일 실시예에 따른 전자 장치가 영상에서 피사체와 분리한 배경에 효과를 적용한 결과를 나타낸 도면이다.
도 8은 일 실시예에 따른 전자 장치가 획득한 도 4의 원본 영상에 대한 깊이 정보를 나타낸 도면이다.
도 9는 일 실시예에 따른 전자 장치가 도 4의 원본 영상에 대하여 효과를 적용하여 형성한 영상을 나타낸 도면이다.
도 10은 일 실시예에 따른 전자 장치의 동작을 설명하기 위한 도면이다.
도 11은 일 실시예에 따른 전자 장치가 형성한 영상을 나타낸 도면이다.
도 12는 일 실시예에 따른 전자 장치의 동작을 나타낸 순서도이다.
도 13은 일 실시예에 따른 전자 장치의 동작을 설명하기 위한 도면이다.
도 14은 일 실시예에 따른 전자 장치가 형성한 히스토그램을 나타낸 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.

이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.

이하, 도 1을 참고하여, 일 실시예에 따른 전자 장치의 구성에 대하여 설명한다.

도 1은 다양한 실시 예들에 따른 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블럭도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)는, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.

이하, 도 2를 참고하여, 일 실시예에 따른 전자 장치의 동작에 대하여 설명한다.

도 2는 일 실시예에 따른 전자 장치의 구성을 나타낸 도면(200)이다. 이하 설명하는 전자 장치의 구성들의 동작은 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))에 의해서 수행될 수 있다.

도 2를 참조하면, 일 실시예에 따른 전자 장치(101)는 영상 촬영 모듈(201), 깊이 정보 획득 모듈(202), 불투명도 획득 모듈(203), 피사체 분리 모듈(204), 대표 객체 판단 모듈(205), 관심 영역 판단 모듈(206), 깊이 정보 사용 판단 모듈(207), 관심 영역 및 배경 분리 모듈(208), 및 효과 적용 모듈(209)를 포함할 수 있다.

일 실시예에 따르면, 영상 촬영 모듈(201)은 전자 장치(101)의 카메라 모듈(예: 도 1의 카메라 모듈(180))로부터 촬영된 영상을 수신할 수 있다. 일 실시예에 따라 상기 영상은 정지영상(예; 사진, 이미지 등), 및 동영상 중 적어도 하나를 포함할 수 있다.

일 실시예에 따르면, 깊이 정보 획득 모듈(202)은 영상 촬영 모듈(201)이 수신한 영상에 대하여 깊이 정보를 획득할 수 있다. 일 실시예에 따라 깊이 정보 획득 모듈(202)은 딥 러닝(deep learning), TOF(time of flight) 센서, 스테레오 카메라, 멀티 PD(photo diode)를 포함하는 이미지 센서, 구조형 광(structured light) 방식의 이미지 센서 등을 통하여 영상의 깊이 정보를 획득할 수 있다.

일 실시예에 따르면, 불투명도 획득 모듈(203)은 영상 촬영 모듈(201)이 수신한 영상에 대하여 불투명도(opacity) 정보를 획득할 수 있다. 일 실시예에 따라 불투명도 획득 모듈(203)은 딥 러닝(deep learning) 등을 통하여 영상의 불투명도 정보를 획득할 수 있다. 일 실시예에 따라 불투명도 값은 특정 범위(예: 0~255)에 해당하는 값일 수 있다. 일 실시예에 따라 불투명도 정보는 영상의 적어도 일부의 불투명도 값을 포함할 수 있다.

일 실시예에 따르면, 피사체 분리 모듈(204)은 불투명도 획득 모듈(203)이 획득한 불투명도 정보를 기반으로 영상 촬영 모듈(201)이 수신한 영상에서 피사체를 분리할 수 있다. 일 실시예에 따라 피사체 분리 모듈(204)은 영상에서 임계 값 이상의 불투명도 값을 갖는 영역을 피사체로 식별할 수 있다. 일 실시예에 따라 피사체 분리 모듈(204)는 식별된 피사체의 경계 영역에 대한 불투명도 정보를 기반으로 영상에서 피사체를 분리할 수 있다. 일 실시예에 따라 피사체를 분리한다는 것은 영상에서 피사체와 배경의 경계를 구분하는 것일 수 있다.

일 실시예에 따르면, 대표 객체 판단 모듈(205)은 깊이 정보 획득 모듈(202)이 획득한 깊이 정보를 기반으로, 피사체 분리 모듈(204)이 영상에서 분리한 적어도 하나의 피사체 중에서 대표 객체를 판단할 수 있다. 일 실시예에 따라 대표 객체 판단 모듈(205)은 피사체가 카메라와의 거리가 가까운 정도, 영상 내 피사체의 크기, 영상의 중심과의 거리가 가까운 정도 등의 기준으로 대표 객체를 판단할 수 있다. 일 실시예에 따라 대표 객체 판단 모듈(205)은 피사체가 카메라와의 거리가 가까운 피사체를 대표 객체로 판단할 수 있다. 일 실시예에 따라 대표 객체 판단 모듈(205)은 영상 내 피사체의 크기가 가장 큰 피사체를 대표 객체로 판단할 수 있다. 일 실시예에 따라 대표 객체 판단 모듈(205)는 영상의 중심에서 가장 거리가 가까운 피사체를 대표 객체로 판단할 수 있다. 일 실시예에 따라 대표 객체 판단 모듈(205)는 불투명도 획득 모듈(203)이 획득한 불투명도 정보를 더 고려하여 대표 객체를 판단할 수도 있다.

일 실시예에 따르면, 관심 영역 판단 모듈(206)은 대표 객체 판단 모듈(205)에 의해 결정된 대표 객체를 기준으로 관심 영역을 판단할 수 있다. 일 실시예에 따르면, 관심 영역 판단 모듈(206)은 대표 객체 판단 모듈(205)에 의해 결정된 대표 객체와 깊이 값의 차이가 특정 임계 값 이내 객체를 포함하는 영역을 관심 영역으로 판단할 수 있다.

일 실시예에 따르면, 깊이 정보 사용 판단 모듈(207)은 깊이 정보 획득 모듈(202)이 획득한 깊이 정보를 영상 내 대표 객체를 판단하기위해 사용할지 여부를 판단할 수 있다. 일 실시예에 따르면, 깊이 정보 사용 판단 모듈(207)은 영상 내 불투명도 정보가 양극화를 이루는 경우 깊이 정보 획득 모듈(202)이 획득한 깊이 정보를 영상 내 대표 객체를 판단하기위해 사용하지 않는 것으로 결정할 수 있다. 일 실시예에 따른 깊이 정보 사용 판단 모듈(207)의 동작은 이후 도 12 내지 도 14를 참고하여 설명한다.

일 실시예에 따르면, 관심 영역 및 배경 분리 모듈(208)은 관심 영역 판단 모듈(206)이 영상에서 판단한 관심 영역과 관심 영역 외의 영역인 배경으로 분리할 수 있다.

일 실시예에 따르면, 효과 적용 모듈(209)은 관심 영역 및 배경 분리 모듈(208)에 의해 분리된 배경 영역에 대한 깊이 정보를 기반으로 효과의 정도를 조절하여 영상에 적용할 수 있다. 일 실시예에 따라 상기 효과는 보케(bokeh)효과, 흐림 효과, 블러(blur) 효과 등일 수 있다. 일 실시예에 따라 상기 효과는 스핀(spin) 효과, 줌(zoom) 효과, 모션 블러(motion blur) 효과, 패스 블러(path blur) 효과, 틸트 쉬프트(tilt shift) 효과 중 적어도 하나의 효과를 더 포함할 수 있다. 일 실시예에 따라 스핀 효과는 특정 피사체(관심 영역)를 중심으로 동심원의 패턴이 보이는 보케 효과를 의미할 수 있다. 일 실시예에 따라 줌 효과는 특정 피사체(또는 관심 영역)를 중심으로 카메라가 줌 인 또는 줌 아웃 동작을 수행하면서 영상을 촬영한 경우에 촬영된 영상에 나타나는 사진 효과를 의미할 수 있다. 일 실시예에 따라 모션 블러 효과는 촬영 시점에 특정 피사체에 움직임이 있을 때 움직임 방향에 따라 블러를 적용하는 효과를 의미할 수 있다. 일 실시예에 따르면, 효과 적용 모듈(209)은 관심 영역 및 배경 분리 모듈(208)에 의해 분리된 배경 영역에 대한 깊이 정보를 기반으로 깊이 값이 커질수록 흐림의 강도가 커지도록 조절하여 영상의 배경 영역에 적용할 수 있다. 즉, 전자 장치는 영상에서 분리된 배경 영역 중에서도 카메라를 기준으로 거리가 멀어질수록 더 높은 강도의 흐림 효과를 적용할 수 있다.

이하, 도 3을 참고하여, 일 실시예에 따른 전자 장치의 동작에 대하여 설명한다.

도 3은 일 실시예에 따른 전자 장치의 동작을 나타낸 순서도(300)이다. 이하 설명하는 전자 장치의 동작은 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))에 의해서 수행될 수 있다.

도 3을 참조하면, 동작 301에서, 일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))는 카메라 모듈(예: 도 1의 카메라 모듈(180))로부터 촬영된 영상을 획득할 수 있다. 일 실시예에 따라 상기 영상은 정지영상(예; 사진, 이미지 등), 및 동영상 중 적어도 하나를 포함할 수 있다.

동작 302에서, 전자 장치는 획득한 영상에 대하여 깊이 정보를 획득할 수 있다. 일 실시예에 따라 전자 장치는 딥 러닝(deep learning), TOF(time of flight) 센서, 스테레오 카메라, 멀티 PD(photo diode)를 포함하는 이미지 센서, 구조형 광(structured light) 방식의 이미지 센서 등을 통하여 영상의 깊이 정보를 획득할 수 있다.

동작 303에서, 전자 장치는 영상으로부터 피사체 정보를 획득할 수 있다. 이하 도 4를 참조하여 일 실시예에 따른 피사체 정보에 대하여 설명한다. 도 4는 일 실시예에 따른 전자 장치가 획득한 원본 영상(410) 및 피사체 정보(420)를 나타낸 도면이다.

도 4를 참조하면, 일 실시예에 따른 전자 장치는 원본 영상(410) 내에 포함된 피사체의 영역에 대한 정보(예: 픽셀 위치)와 영상에서 해당 영역의 RGB 정보를 기반으로 학습을 통해 피사체 정보(420)을 획득할 수 있다. 일 실시예에 따른 피사체 정보(420)는 영상 내에 포함된 피사체의 영역, 및 피사체의 타입 중 적어도 하나에 대한 정보를 포함할 수 있다. 예를 들어, 피사체가 사람인 경우, 영상 내 얼굴, 몸 등의 영역에 대한 위치 정보와 그 곳에 위치한 색상, 밝기 정보 등을 학습하여 해당 피사체가 사람임을 추론을 통하여 획득할 수 있다. 일 실시예에 따라 전자 장치는 원본 영상(410) 및 피사체 정보 영상(예: 피사체의 특징을 포함하는 마스크 맵 영상)을 사용하여 학습할 수 있으며, 추론으로 원본 영상(410)에 대한 피사체 정보(420)를 획득할 수 있다. 도 4에서는 피사체가 사람인 것으로 도시하였으나, 실시예에 따라 피사체는 사람, 동물, 식물 등 다양할 수 있다.

다시 도 3을 참조하면, 동작 304에서 전자 장치는 획득한 영상에 대하여 불투명도(opacity) 정보를 획득할 수 있다. 일 실시예에 따라 불투명도 정보는 원본 영상을 특정 범위(예: 0~255)에 해당하는 값으로 표현한 알파 맵(alpha map)에 해당할 수 있다. 일 실시예에 따라 불투명도 정보를 나타내는 값의 범위는 실시예에 따라 상이할 수 있다. 일 실시예에 따라 불투명도 값의 범위가 0~255인 경우 값이 클수록 해당 값을 가진 픽셀이 전경 영역에서 뚜렷하게 나타날 수 있다. 예를 들어, 어떠한 영상에서 전경의 한 픽셀은 255 값의 불투명도를 갖고, 배경의 한 픽셀은 0 값의 불투명도를 가질 수 있다. 일 실시예에 따라 전자 장치는 딥 러닝(deep learning) 등을 통하여 영상의 불투명도 정보를 획득할 수 있다.

이하 도 5를 참조하여 일 실시예에 따른 전자 장치가 불투명도 정보를 획득하는 방법에 대하여 설명한다. 도 5는 일 실시예에 따른 전자 장치가 불투명도 정보를 구하는 방법을 설명하기 위한 도면(500)이다.

도 5를 참조하면, 전자 장치는 획득한 피사체 정보에서 피사체(501)의 경계 영역(502)을 획득할 수 있다. 전자 장치는 피사체(501)의 경계 영역(502)에 대한 불투명도 값들을 획득할 수 있다. 일 실시예에 따라 전자 장치는 딥 러닝(deep learning)을 통하여 경계 영역(502)에 대한 불투명도 정보를 획득할 수 있다. 일 실시예에 따라 전자 장치는 원본 영상을 특정 범위(예: 0~255)에 해당하는 값으로 표현한 불투명도 정보(예: 알파 맵(alpha map))을 획득할 수 있다. 일 실시예에 따라 불투명도 정보를 나타내는 값의 범위는 실시예에 따라 상이할 수 있다. 일 실시예에 따라 전자 장치는 원본 영상 및 불투명도 정보에 대한 영상(예: 경계 영역의 특징을 포함하는 영상)을 사용하여 학습할 수 있으며, 추론으로 원본 영상에 대한 불투명도 정보(예: 알파 맵(alpha map))을 획득할 수 있다. 일 실시예에 따라 불투명도 값은 특정 범위(예: 0~255)에 해당하는 값일 수 있으며, 0 또는 1의 값으로 표현되는 이진 정보보다 정교하게 피사체(501)의 경계 영역(502)을 표현할 수 있다.

다시 도 3을 참조하면, 동작 305에서 전자 장치는 획득한 불투명도 정보에 기반하여 영상에서 피사체를 배경과 분리할 수 있다. 일 실시예에 따르면, 전자 장치는 획득한 불투명도 정보를 기반으로 영상에서 피사체와 배경을 분리할 수 있다. 일 실시예에 따라 피사체를 분리한다는 것은 영상에서 피사체와 배경의 경계를 구분하는 것일 수 있다.

이하 도 6 및 도 7을 참조하여 일 실시예에 따른 전자 장치가 영상에서 피사체와 배경을 분리하는 방법에 대하여 설명한다. 도 6은 일 실시예에 따른 전자 장치가 영상에서 피사체와 배경을 분리한 결과를 나타낸 도면(610, 620)이다. 도 7은 일 실시예에 따른 전자 장치가 영상에서 피사체와 분리한 배경에 효과를 적용한 결과를 나타낸 도면(710, 720)이다.

도 6을 참조하면, 전자 장치는 획득한 불투명도 정보를 기반으로 영상에서 피사체와 배경을 분리할 수 있다. 제1 맵(610)은 이진 정보를 기반으로 피사체(611)와 배경(612)을 분리한 맵(map)일 수 있다. 이진 정보는 피사체(611)와 배경(612)의 경계를 0 또는 1의 값으로 표현한 정보일 수 있다. 따라서 이진 정보에 기반한 분리는 피사체(611)의 머리카락 부분(613)과 같은 미세한 경계 부분을 정교하게 분리하기 어려울 수 있다.

제2 맵(620)은 불투명도를 기반으로 피사체(621)와 배경(622)을 분리한 맵일 수 있다. 불투명도 정보는 피사체(621)와 배경(622)의 경계를 특정 범위(예: 0~255)의 값으로 표현한 정보일 수 있다. 따라서 불투명도에 기반한 분리는 피사체(621)의 머리카락 부분(623)과 같은 미세한 경계 부분을 이진 정보를 사용하는 경우보다 정교하고 자연스럽게 분리할 수 있다.

도 7을 참조하면, 전자 장치는 후술할 동작 309 단계에서 영상에서 피사체와 분리한 배경 영역에 효과(예: 보케 효과)를 적용할 수 있다. 이때, 이진 정보를 기반으로 피사체와 배경을 분리한 영상(710)의 머리카락 부분(711)과 불투명도 정보를 기반으로 피사체와 배경을 분리한 영상(720)의 머리카락 부분(721)을 비교하여 보면, 불투명도 정보를 이용한 경우에 미세한 머리카락의 경계가 보다 정교하게 분리되어 효과가 적용된 것을 확인할 수 있다.

다시 도 3을 참조하면, 동작 306에서, 전자 장치는 획득한 깊이 정보 및 획득한 불투명도 정보를 기반으로 영상의 대표 객체를 판단할 수 있다. 일 실시예에 따라 전자 장치는 피사체가 카메라와의 거리가 가까운 정도, 영상 내 피사체의 크기 등의 기준으로 대표 객체를 판단할 수 있다. 일 실시예에 따라 전자 장치는 피사체가 카메라와의 거리가 가장 가까운 피사체(깊이 값이 가장 작은 피사체)를 대표 객체로 판단할 수 있다. 일 실시예에 따라 전자 장치는 영상 내 피사체의 크기가 가장 큰 피사체를 대표 객체로 판단할 수 있다. 일 실시예에 따라, 전자 장치는 획득한 깊이 정보뿐만 아니라 획득한 불투명도 정보도 고려하여 영상의 대표 객체를 판단하므로 대표 객체 영역의 경계를 보다 명확하게 판단할 수 있다. 일 실시예에 따라, 전자 장치는 딥 러닝을 사용하여 획득한 불투명도 정보를 고려하여 피사체를 식별하므로 배경, 부 피사체, 주 피사체를 높은 정확도로 식별할 수 있으며, 이를 기반으로 영상의 대표 객체를 판단하므로 영상 촬영자가 의도한 대표 객체를 보다 높은 정확도로 식별할 수 있다.

동작 307에서 전자 장치는 영상의 관심 영역을 판단할 수 있다. 일 실시예에 따르면, 전자 장치는 획득한 깊이 정보 및 획득한 불투명도 정보를 기반으로 영상의 관심 영역을 판단할 수 있다. 일 실시예에 따르면, 전자 장치는 결정된 대표 객체를 기준으로 관심 영역을 판단할 수 있다. 일 실시예에 따르면, 전자 장치는 결정된 대표 객체와 깊이 값의 차이가 특정 임계 값 이내 객체를 포함하는 영역을 관심 영역으로 판단할 수 있다. 이하 도 8을 참조하여, 전자 장치가 영상의 관심 영역을 판단하는 방법을 설명한다. 도 8은 도 4의 원본 영상(410)에 대한 깊이 정보(800)를 나타낸 도면이다.

도 8을 참조하면, 깊이 정보(800)는 원본 영상의 다섯 명의 사람들 중 깊이 값이 가장 작은 객체(801)를 가장 선명하게 표현하고 그 외의 객체들(802)은 깊이 값에 따라 점차 흐려지도록 표현한 것을 확인할 수 있다. 따라서 깊이 정보(800)만 사용하여 관심 영역을 판단하는 경우, 깊이 값이 가장 작은 객체(810)가 관심 영역으로 판단되고 그 외의 객체들(802)은 모두 관심 영역에서 제외될 수 있다. 이 경우 실질적으로 촬영자의 의도는 다섯 명의 사람이 모두 관심 영역 임에도 깊이 값이 가장 작은 객체(801)외에는 모두 배경 영역으로 취급되어 효과(예: 보케 효과)가 적용될 수 있다. 따라서 촬영자의 의도와는 다르게 관심 객체(다섯 명의 사람들) 중 적어도 일부가 흐림 처리된 사진이 형성될 수 있다. 또는 깊이 정보(800)만 사용하여 관심 영역을 판단하는 경우, 객체들 간의 경계가 모호하여 하나의 객체에서 일부분이 관심 영역에서 제외될 수도 있다. 이 경우 촬영자의 의도와는 다르게 한 명의 사람에서 손 부분 등 일부가 배경 영역으로 취급되어 효과(예: 보케 효과)가 적용될 수도 있다. 즉, 전자 장치가 관심 영역을 판단할 때 깊이 정보만을 사용하는 것은 촬영자가 의도한 실질적인 관심 영역을 판단하기에 부족할 수 있다.

다시 도 3을 참조하면, 일 실시예에 따른 전자 장치는 동작 307에서 획득한 깊이 정보 및 획득한 불투명도 정보를 모두 고려하여 영상의 관심 영역을 판단할 수 있다.

동작 308에서 전자 장치는 식별한 관심 영역과 관심 영역 외의 영역인 배경 영역을 분리할 수 있다. 일 실시예에 따라 관심 영역과 배경 영역을 분리한다는 것은 영상에서 관심 영역과 배경 영역의 경계를 구분하는 것일 수 있다.

동작 309에서, 전자 장치는 분리된 배경 영역에 대하여 효과를 적용할 수 있다. 일 실시예에 따라 상기 효과는 보케(bokeh)효과, 흐림 효과, 블러(blur) 효과, 모자이크 효과 중 적어도 하나일 수 있다. 일 실시예에 따라 상기 효과는 스핀(spin) 효과, 줌(zoom) 효과, 모션 블러(motion blur) 효과, 패스 블러(path blur) 효과, 틸트 쉬프트(tilt shift) 효과 중 적어도 하나의 효과를 더 포함할 수 있다. 일 실시예에 따라 전자 장치는 분리된 배경 영역에 대한 깊이 정보를 기반으로 효과의 정도를 조절하여 배경 영역에 효과를 적용할 수 있다. 일 실시예에 따르면, 전자 장치는 분리된 배경 영역에 대한 깊이 정보를 기반으로 깊이 값이 커질수록 흐림의 강도가 커지도록 조절하여 배경 영역에 보케 효과를 적용할 수 있다. 일 실시예에 따르면, 전자 장치는 분리된 배경 영역에 대한 깊이 정보를 기반으로, 배경 영역의 깊이 값이 관심 영역의 깊이 값과 차이가 커질수록 흐림의 강도가 커지도록 조절하여 배경 영역에 보케 효과를 적용할 수 있다.

이하 도 9를 참조하여, 전자 장치가 배경 영역에 효과를 적용하여 형성한 영상에 대하여 설명한다. 도 9는 도 4의 원본 영상(410)에 대하여 전자 장치가 효과를 적용하여 형성한 영상(910, 920)을 나타낸 도면이다.

도 9를 참조하면, 제1 영상(910)은 상술한 도 3의 동작에 따라 전자 장치가 형성한 영상일 수 있다. 전자 장치는 도 4의 원본 영상(410)에서 불투명도 정보 및 깊이 정보를 기반으로 대표 객체(911)를 판단하고, 대표 객체(911)를 기준으로 객체 2(912), 객체 3(913), 객체 4(914) 및 객체 5(915)를 포함하는 관심 영역을 판단하여, 관심 영역을 제외한 배경 영역에 보케 효과를 적용한 제1 영상(910)을 형성할 수 있다. 전자 장치는 깊이 정보뿐만 아니라 불투명도 정보를 고려하여 영상에 흐림 효과를 적용함으로서, 촬영자가 실질적으로 의도한 주 피사체인 대표 객체(911), 객체 2(912), 객체 3(913), 객체 4(914) 및 객체 5(915)를 모두 선명한 화질로 유지하고 그 외 영역만 흐림 처리한 영상을 형성할 수 있다.

이때, 일 실시예에 따라 전자 장치가 관심 영역에 포함된 객체 2(912), 객체 3(913), 객체 4(914) 및 객체 5(915)의 깊이 값을 대표 객체(911)의 평균 깊이 값으로 치환 또는 대표 객체(911)의 평균 깊이 값의 일정 범위 이내의 값으로 치환할 수 있다. 이 경우 제1 영상(910)의 대표 객체(911), 객체 2(912), 객체 3(913), 객체 4(914) 및 객체 5(915)에 적용되는 효과의 강도는 모두 동일할 수 있다. 예를 들어 이 경우 제1 영상(910)의 대표 객체(911), 객체 2(912), 객체 3(913), 객체 4(914) 및 객체 5(915)에는 모두 강도 0의 효과가 적용될 수 있다.

제2 영상(920)은 종래의 전자 장치가 형성한 영상일 수 있다. 전자 장치는 도 4의 원본 영상(410)에서 깊이 정보만을 기반으로 대표 객체(911)를 판단함으로써, 실질적인 주 피사체인 객체 2(912), 객체 3(913), 객체 4(914) 및 객체 5(915) 중 적어도 일부 마저 보케 효과를 적용한 제2 영상(920)을 형성할 수 있다. 즉 전자 장치는 촬영자가 실질적으로 의도한 주 피사체에 대한 인식에 실패하여 주 피사체인 대표 객체(911), 객체 2(912), 객체 3(913), 객체 4(914) 및 객체 5(915) 중 적어도 일부까지 배경 영역과 함께 흐림 처리한 영상을 형성할 수 있다.

도 3의 순서도는 일 예시에 해당하며 실시예에 따라 일부 순서가 생략되거나, 변경되거나, 병합될 수도 있다.

또한, 일 실시예에 따라 상술한 도 3의 실시예에서 전자 장치가 단일 카메라로 영상을 촬영할 수 있다. 이는 전자 장치가 TOF센서나 복수의 카메라를 포함하지 않는 경우일 수도 있고, 전자 장치가 복수의 카메라를 포함하나 단순히 단일 카메라로 영상을 촬영한 경우일 수도 있다. 이 경우 단일 카메라로 얻은 깊이 정보만으로는 촬영한 영상 내의 객체들을 객체 별로 구분하는 정확도가 낮아 보정이 필요할 수 있다. 따라서 전자 장치는 영상의 불투명도 정보를 더 획득하여 보다 촬영자의 의도와 부합하는 관심 영역을 판단하는데 사용할 수 있다. 즉, 상술한 실시예의 경우 깊이 정보와 불투명도 정보를 모두 사용함으로써, 단일 카메라만으로 영상을 촬영한 경우에도 높은 정확도로 촬영자가 의도한 주된 피사체를 판단할 수 있다.

이하, 도 10 내지 도 11을 참고하여, 일 실시예에 따른 전자 장치의 동작에 대하여 설명한다. 앞서 설명한 실시예와 동일한 구성 및 동작에 대한 설명은 생략될 수 있다.

도 10은 일 실시예에 따른 전자 장치의 동작을 설명하기 위한 도면(1000, 1010, 1020)이다. 도 11은 일 실시예에 따른 전자 장치가 형성한 영상(1100)을 나타낸 도면이다. 이하 설명하는 전자 장치의 동작은 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))에 의해서 수행될 수 있다.

도 10을 참고하면, 일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))는 전자 장치의 카메라 모듈(예: 도 1의 카메라 모듈(180))로부터 촬영된 원본 영상(1000)을 획득할 수 있다. 일 실시예에 따라 상기 영상은 정지 영상(예; 사진, 이미지 등), 및 동영상 중 적어도 하나를 포함할 수 있다. 일 실시예에 따라 원본 영상(1000)은 객체 1(1001), 객체 2(1002) 및 배경(도로, 나무 등)을 포함할 수 있다.

일 실시예에 따라 전자 장치는 원본 영상(1000)으로부터 불투명도 정보(1010)를 획득할 수 있다. 일 실시예에 따라 전자 장치는 딥 러닝(deep learning) 등을 통하여 영상의 불투명도 정보(1010)를 획득할 수 있다. 일 실시예에 따라 불투명도 정보(1010)는 원본 영상(1000)을 특정 범위(예: 0~255)에 해당하는 값으로 표현한 맵(map)에 해당할 수 있다. 전자 장치는 불투명도 정보(1010)에서 임계 값 이상의 불투명도 값을 갖는 영역인 객체 1(1011) 및 객체 2(1012)를 피사체로 식별할 수 있다. 예를 들어 객체 1(1011) 및 객체 2(1012)는 255의 불투명도 값을 갖고, 그 외 영역은 0의 불투명도 값을 가질 수 있다. 일 실시예에 따라 전자 장치는 255의 불투명도 값을 갖는 객체 1(1011) 및 객체 2(1012)를 피사체로 인식할 수 있다.

일 실시예에 따라 전자 장치는 획득한 불투명도 정보(1010)에 기반하여 영상에서 피사체(1011 및 1012)를 배경과 분리할 수 있다. 일 실시예에 따르면, 전자 장치는 획득한 불투명도 정보를 기반으로 영상에서 피사체(1011 및 1012)와 배경을 분리할 수 있다. 일 실시예에 따라 피사체를 분리한다는 것은 영상에서 피사체와 배경의 경계를 구분하는 것일 수 있다.

일 실시예에 따라 전자 장치는 원본 영상(1000)로부터 깊이 정보(1020)을 획득할 수 있다. 일 실시예에 따라 깊이 정보(1020)는 원본 영상(1000)을 깊이 값으로 표현한 맵에 해당할 수 있다. 일 실시예에 따라 전자 장치는 깊이 값이 가장 작은 객체 1(1021)를 가장 선명하게 표현하고 객체 1(1021)보다 카메라를 기준으로 멀리 위치한 객체 2(1022)를 객체 1(1021) 보다 흐려지도록 표현할 수 있다.

일 실시예에 따라 전자 장치는 획득한 깊이 정보(1020) 및 획득한 불투명도 정보(1010)를 기반으로 영상의 대표 객체를 판단할 수 있다. 일 실시예에 따라 전자 장치는 피사체가 카메라와의 거리가 가까운 정도, 영상 내 피사체의 크기 등의 기준으로 대표 객체를 판단할 수 있다. 일 실시예에 따라 전자 장치는 카메라와의 거리가 가장 가까운 피사체인 객체 1(1001)을 대표 객체로 판단할 수 있다. 일 실시예에 따라 전자 장치는 영상 내 크기가 가장 큰 피사체인 객체 1(1001)를 대표 객체로 판단할 수 있다.

일 실시예에 따라 전자 장치는 원본 영상(1000)의 관심 영역을 판단할 수 있다. 일 실시예에 따르면, 전자 장치는 획득한 깊이 정보(1020) 및 획득한 불투명도 정보(1010)를 기반으로 원본 영상(1000)의 관심 영역을 판단할 수 있다. 일 실시예에 따르면, 전자 장치는 결정된 대표 객체인 객체 1(1001)를 기준으로 관심 영역을 판단할 수 있다. 일 실시예에 따르면, 전자 장치는 결정된 대표 객체인 객체 1(1001)과 깊이 값의 차이가 특정 임계 값 이내 객체를 포함하는 영역을 관심 영역으로 판단할 수 있다. 일 실시예에 따라 전자 장치는 객체 1(1001)과 객체 2(1002)의 깊이 값의 차이가 특정 임계 값 이상이므로 객체 2(1002)는 관심 영역에 해당하지 않는 것으로 판단할 수 있다. 일 실시예에 따라 전자 장치는 식별한 관심 영역인 객체 1(1001)과 그 외의 영역인 배경 영역을 분리할 수 있다.

일 실시예에 따라 전자 장치는 분리된 배경 영역에 대하여 효과를 적용할 수 있다. 일 실시예에 따라 상기 효과는 보케(bokeh)효과, 흐림 효과, 블러(blur) 효과, 모자이크 효과 중 적어도 하나일 수 있다. 일 실시예에 따라 상기 효과는 스핀(spin) 효과, 줌(zoom) 효과, 모션 블러(motion blur) 효과, 패스 블러(path blur) 효과, 틸트 쉬프트(tilt shift) 효과 중 적어도 하나의 효과를 더 포함할 수 있다. 일 실시예에 따라 전자 장치는 분리된 배경 영역에 대한 깊이 정보를 기반으로 효과의 정도를 조절하여 배경 영역에 효과를 적용할 수 있다. 일 실시예에 따르면, 전자 장치는 분리된 배경 영역에 대한 깊이 정보를 기반으로 깊이 값이 커질수록 흐림의 강도가 커지도록 조절하여 배경 영역에 보케 효과를 적용할 수 있다.

도 11을 참조하면, 전자 장치는 관심 영역으로 판단된 객체 1(1101)을 제외한 영역에 보케 효과를 적용한 영상(1100)을 형성할 수 있다. 이때, 객체 2(1102)는 객체 1(1101)과의 거리가 임계 값 이상이라고 판단되어 배경 영역과 함께 흐림 처리될 수 있다. 따라서 보다 높은 정확도로 촬영자가 실질적으로 의도한 주 피사체를 식별하고 주 피사체를 제외한 영역을 흐림 처리한 영상을 형성할 수 있다.

이하, 도 12 내지 도 14를 참고하여, 일 실시예에 따른 전자 장치의 동작에 대하여 설명한다. 앞서 설명한 실시예와 동일한 구성 및 동작에 대한 설명은 생략될 수 있다.

도 12는 일 실시예에 따른 전자 장치의 동작을 나타낸 순서도(1200)이다. 도 13은 일 실시예에 따른 전자 장치의 동작을 설명하기 위한 도면(1310, 1320)이다. 도 14은 일 실시예에 따른 전자 장치가 형성한 히스토그램(1400)을 나타낸 도면이다. 이하 설명하는 전자 장치의 동작은 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))에 의해서 수행될 수 있다.

도 12 및 도 13를 참조하면, 동작 1201에서, 일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))는 카메라 모듈(예: 도 1의 카메라 모듈(180))로부터 촬영된 원본 영상(1310)을 획득할 수 있다.

동작 1202에서, 전자 장치는 획득한 원본 영상(1310)에 대하여 깊이 정보(1320)을 획득할 수 있다. 일 실시예에 따른 전자 장치가 깊이 정보를 획득하는 방법은 상술한 실시예에서 설명한 방법과 동일할 수 있다.

동작 1203에서, 전자 장치는 영상으로부터 피사체 정보를 획득할 수 있다. 일 실시예에 따른 전자 장치가 피사체 정보를 획득하는 방법은 상술한 실시예에서 설명한 방법과 동일할 수 있다.

동작 1204에서 전자 장치는 획득한 영상에 대하여 불투명도(opacity) 정보를 획득할 수 있다. 일 실시예에 따라 전자 장치는 딥 러닝(deep learning) 등을 통하여 영상의 불투명도 정보를 획득할 수 있다. 일 실시예에 따라 불투명도 정보는 원본 영상(1310)을 특정 범위(예: 0~255)에 해당하는 값으로 나타낸 맵에 해당할 수 있다.

동작 1205에서 전자 장치는 획득한 불투명도 정보에 기반하여 원본 영상(1310)에서 피사체인 객체 1(1311)를 배경 영역(1312)과 분리할 수 있다. 일 실시예에 따라 피사체를 분리한다는 것은 영상에서 피사체와 배경의 경계를 구분하는 것일 수 있다.

동작 1206에서, 전자 장치는 획득한 깊이 정보(1320)를 원본 영상(1310) 내 대표 객체를 판단하기위해 사용할지 여부를 판단할 수 있다. 일 실시예에 따르면, 전자 장치는 도 14와 같은 히스토그램(1400)을 형성하고, 깊이 정보(1320)를 원본 영상(1310) 내 대표 객체를 판단하기위해 사용할지 여부를 형성한 히스토그램(1400)을 기반으로 판단할 수 있다.

도 14를 참조하면, 전자 장치는 획득한 깊이 정보를 기반으로 히스토그램(1400)을 형성할 수 있다. 히스토그램(1400)의 x축은 깊이 값(예: 0~255)를 나타내며 y축은 해당 깊이 값을 갖는 픽셀 수를 나타낼 수 있다. 원본 영상(1310)에서 객체 1(1311)가 차지하는 비율이 크며 배경 영역(1310)의 깊이 값이 서로 크게 차이가 나지 않으므로 히스토그램(1400)은 영상 내 깊이 값이 양극화를 이루는 것으로 나타낼 수 있다. 히스토그램(1400)을 두 개의 축(1401, 1402)을 기점으로 (1) 관심 영역, (2) 중간 영역, (3) 배경 영역의 세 영역으로 나눌 수 있다. 전자 장치는 히스토그램(1400)의 (2) 중간 영역이 거의 존재하지 않고 전/후경만이 존재하기 때문에 깊이 정보의 사용이 무의미 하다고 판단할 수 있다. 따라서 전자 장치는 깊이 정보(1320)를 영상 내 대표 객체를 판단하기위해 사용 하지 않는 것으로 결정할 수 있다. 이를 통하여 전자 장치는 불필요한 깊이 정보의 사용으로 인하여 부작용(side effect)를 얻는 결과를 방지할 수 있다.

다시 도 12 및 도 13을 참고하면, 동작 1207에서 전자 장치는 획득한 불투명도 정보를 기반으로 영상의 대표 객체를 판단하고, 대표 객체를 기준으로 관심 영역을 판단할 수 있으며, 식별한 관심 영역과 관심 영역 외의 영역인 배경 영역을 분리할 수 있다. 대표 객체의 판단 방법, 관심 영역 판단 방법 및 관심 영역과 배경 영역의 분리 방법은 상술한 실시예의 설명과 동일할 수 있다. 다만, 이때 전자 장치는 깊이 정보는 제외하고 불투명도 정보를 사용할 수 있다.

동작 1208에서, 전자 장치는 분리된 배경 영역(1312)에 대하여 효과를 적용할 수 있다. 일 실시예에 따라 상기 효과는 보케(bokeh)효과, 흐림 효과, 블러(blur) 효과, 모자이크 효과 중 적어도 하나일 수 있다.

본 개시의 일 실시예에 따르면, 전자 장치는 촬영자가 의도한 주 피사체를 보다 높은 정확도로 식별하여 주 피사체에 대해 광학 효과를 적용할 수 있다. 또한, 전자 장치는 영상의 구성을 분석하여 깊이 정보의 사용이 불필요하다고 판단되는 경우 깊이 정보의 사용을 배제하여 불필요한 깊이 정보의 사용으로 인하여 부작용(side effect)를 얻는 결과를 방지할 수 있다. 또한 전자 장치는 불투명도 정보를 획득하여 피사체의 경계 영역을 분리하므로 실제 광학 효과와 같이 머리카락 및 털옷 등의 미세한 경계 영역을 정교하게 분리하여 효과를 적용할 수 있다.

본 개시의 일 실시예에 따르면 상기 획득한 불투명도 정보를 기반으로 상기 영상에서 임계 값 이상의 불투명도 값을 갖는 영역을 피사체로 식별하도록할 수 있다.

본 개시의 일 실시예에 따르면, 상기 식별된 피사체의 경계 영역에 대한 불투명도 정보를 기반으로 상기 영상에서 상기 식별된 피사체를 분리하도록 할 수 있다.

본 개시의 일 실시예에 따르면, 딥 러닝(deep learning)을 사용하여 상기 불투명도 정보를 획득하도록 할 수 있다.

본 개시의 일 실시예에 따르면, 상기 획득한 깊이 정보 및 상기 획득한 불투명도 정보를 기반으로 상기 영상의 대표 객체를 결정하도록 할 수 있다.

본 개시의 일 실시예에 따르면, 깊이 값 또는 크기를 고려하여 상기 대표 객체를 결정하도록 할 수 있다.

본 개시의 일 실시예에 따르면, 상기 결정된 대표 객체를 기준으로, 깊이 값, 객체의 타입 또는 크기 중 적어도 하나를 고려하여 상기 영상의 상기 관심 영역을 판단하도록 할 수 있다.

본 개시의 일 실시예에 따르면, 상기 관심 영역에 포함되는 픽셀들의 깊이 값들을 각각 상기 결정된 대표 객체의 평균 깊이 값으로 치환하도록 할 수 있다.

본 개시의 일 실시예에 따르면, 상기 영상에서 상기 관심 영역과 상기 배경 영역을 분리하고, 상기 배경 영역의 깊이 정보를 기반으로 상기 제1 효과의 강도를 조정하여 상기 제1 효과를 상기 배경 영역에 적용하도록 할 수 있다.

본 개시의 일 실시예에 따르면, 상기 제1 효과는 보케(bokeh)효과, 흐림 효과, 블러(blur) 효과, 또는 모자이크 효과 중 적어도 하나일 수 있다.

본 개시의 일 실시예에 따르면, 상기 획득한 불투명도 정보를 기반으로 상기 영상에서 임계 값 이상의 불투명도 값을 갖는 영역을 피사체로 식별할 수 있다.

본 개시의 일 실시예에 따르면, 상기 식별된 피사체의 경계 영역에 대한 불투명도 정보를 기반으로 상기 영사에서 상기 식별된 피사체를 분리할 수 있다.

본 개시의 일 실시예에 따르면, 딥 러닝(deep learning)을 사용하여 상기 불투명도 정보를 획득할 수 있다.

본 개시의 일 실시예에 따르면, 상기 획득한 깊이 정보 및 상기 획득한 불투명도 정보를 기반으로 상기 영상의 대표 객체를 결정할 수 있다.

본 개시의 일 실시예에 따르면, 깊이 값 또는 크기를 고려하여 상기 대표 객체를 결정할 수 있다.

본 개시의 일 실시예에 따르면, 상기 결정된 대표 객체를 기준으로, 깊이 값, 객체의 타입 또는 크기를 고려하여 상기 영상의 상기 관심 영역을 판단할 수 있다.

본 개시의 일 실시예에 따르면, 상기 관심 영역의 평균 깊이 값을 상기 결정된 대표 객체의 평균 깊이 값으로 치환할 수 있다.

본 개시의 일 실시예에 따르면, 상기 영상에서 상기 관심 영역과 상기 배경 영역을 분리하고, 상기 배경 영역의 깊이 정보를 기반으로 상기 제1 효과의 강도를 조정하여 상기 제1 효과를 상기 배경 영역에 적용할 수 있다.

본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.

본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나",“A 또는 B 중 적어도 하나”, "A, B 또는 C", "A, B 및 C 중 적어도 하나” 및 “A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, “기능적으로” 또는 “통신적으로”라는 용어와 함께 또는 이런 용어 없이, “커플드” 또는 “커넥티드”라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.

본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체’는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, ‘비일시적 저장매체’는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.

일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어™)를 통해 또는 두 개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims

전자 장치에 있어서,
카메라;
메모리; 및
상기 카메라 및 상기 메모리와 연결된 프로세서; 를 포함하며,
상기 메모리는 실행 시에, 상기 프로세서가:
상기 카메라로부터 획득한 영상의 불투명도 정보를 획득하고,
상기 영상의 깊이 정보를 획득하며,
상기 획득한 깊이 정보 및 상기 획득한 불투명도 정보를 기반으로 상기 영상의 관심 영역을 판단하며,
상기 영상에서 상기 관심 영역 외의 배경 영역에 제1 효과를 적용하도록 하는 하나 이상의 인스트럭션들(instructions)을 저장하는, 전자 장치.
청구항 1에 있어서, 상기 인스트럭션들은 상기 프로세서가,
상기 획득한 불투명도 정보를 기반으로 상기 영상에서 임계 값 이상의 불투명도 값을 갖는 영역을 피사체로 식별하도록 하는, 전자 장치.
청구항 2에 있어서, 상기 인스트럭션들은 상기 프로세서가,
상기 식별된 피사체의 경계 영역에 대한 불투명도 정보를 기반으로 상기 영상에서 상기 식별된 피사체를 분리하도록 하는, 전자 장치.
청구항 1에 있어서, 상기 인스트럭션들은 상기 프로세서가,
딥 러닝(deep learning)을 사용하여 상기 불투명도 정보를 획득하도록 하는, 전자 장치.
청구항 1에 있어서, 상기 인스트럭션들은 상기 프로세서가,
상기 획득한 깊이 정보 및 상기 획득한 불투명도 정보를 기반으로 상기 영상의 대표 객체를 결정하도록 하는, 전자 장치.
청구항 5에 있어서, 상기 인스트럭션들은 상기 프로세서가,
깊이 값 또는 크기를 고려하여 상기 대표 객체를 결정하도록 하는, 전자 장치.
청구항 5에 있어서, 상기 인스트럭션들은 상기 프로세서가,
상기 결정된 대표 객체를 기준으로, 깊이 값, 객체의 타입 또는 크기 중 적어도 하나를 고려하여 상기 영상의 상기 관심 영역을 판단하도록 하는, 전자 장치.
청구항 7에 있어서, 상기 인스트럭션들은 상기 프로세서가,
상기 관심 영역에 포함되는 픽셀들의 깊이 값들을 각각 상기 결정된 대표 객체의 평균 깊이 값으로 치환하도록 하는, 전자 장치.
청구항 1에 있어서, 상기 인스트럭션들은 상기 프로세서가,
상기 영상에서 상기 관심 영역과 상기 배경 영역을 분리하고,
상기 배경 영역의 깊이 정보를 기반으로 상기 제1 효과의 강도를 조정하여 상기 제1 효과를 상기 배경 영역에 적용하도록 하는, 전자 장치.
청구항 1에 있어서,
상기 제1 효과는 보케(bokeh)효과, 흐림 효과, 블러(blur) 효과, 또는 모자이크 효과 중 적어도 하나인, 전자 장치.
카메라를 포함하는 전자 장치의 동작 방법에 있어서,
상기 카메라로부터 획득한 영상의 불투명도 정보를 획득하고,
상기 영상의 깊이 정보를 획득하며,
상기 획득한 깊이 정보 및 상기 획득한 불투명도 정보를 기반으로 상기 영상의 관심 영역을 판단하며,
상기 영상에서 상기 관심 영역 외의 배경 영역에 제1 효과를 적용하도록 하는, 전자 장치의 동작 방법.
청구항 11에 있어서,
상기 획득한 불투명도 정보를 기반으로 상기 영상에서 임계 값 이상의 불투명도 값을 갖는 영역을 피사체로 식별하는, 전자 장치의 동작 방법.
청구항 12에 있어서,
상기 식별된 피사체의 경계 영역에 대한 불투명도 정보를 기반으로 상기 영사에서 상기 식별된 피사체를 분리하는, 전자 장치의 동작 방법.
청구항 11에 있어서,
딥 러닝(deep learning)을 사용하여 상기 불투명도 정보를 획득하는, 전자 장치의 동작 방법.
청구항 11에 있어서,
상기 획득한 깊이 정보 및 상기 획득한 불투명도 정보를 기반으로 상기 영상의 대표 객체를 결정하는, 전자 장치의 동작 방법.
청구항 15에 있어서,
깊이 값 또는 크기를 고려하여 상기 대표 객체를 결정하는, 전자 장치의 동작 방법.
청구항 15에 있어서,
상기 결정된 대표 객체를 기준으로, 깊이 값, 객체의 타입 또는 크기를 고려하여 상기 영상의 상기 관심 영역을 판단하는, 전자 장치의 동작 방법.
청구항 17에 있어서,
상기 관심 영역의 평균 깊이 값을 상기 결정된 대표 객체의 평균 깊이 값으로 치환하는, 전자 장치의 동작 방법.
청구항 11에 있어서,
상기 영상에서 상기 관심 영역과 상기 배경 영역을 분리하고,
상기 배경 영역의 깊이 정보를 기반으로 상기 제1 효과의 강도를 조정하여 상기 제1 효과를 상기 배경 영역에 적용하는, 전자 장치의 동작 방법.
청구항 11에 있어서,
상기 제1 효과는 보케(bokeh)효과, 흐림 효과, 블러(blur) 효과, 또는 모자이크 효과 중 적어도 하나인, 전자 장치의 동작 방법.