KR20210101999A - 화질 조정을 지원하는 전자 장치 및 그 방법 - Google Patents

화질 조정을 지원하는 전자 장치 및 그 방법 Download PDF

Info

Publication number
KR20210101999A
KR20210101999A KR1020200016685A KR20200016685A KR20210101999A KR 20210101999 A KR20210101999 A KR 20210101999A KR 1020200016685 A KR1020200016685 A KR 1020200016685A KR 20200016685 A KR20200016685 A KR 20200016685A KR 20210101999 A KR20210101999 A KR 20210101999A
Authority
KR
South Korea
Prior art keywords
image
value
correction value
image quality
electronic device
Prior art date
Application number
KR1020200016685A
Other languages
English (en)
Inventor
한창수
김영조
박현희
이아랑
임성준
전형주
최종범
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200016685A priority Critical patent/KR20210101999A/ko
Priority to PCT/KR2021/000918 priority patent/WO2021162274A1/ko
Publication of KR20210101999A publication Critical patent/KR20210101999A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

본 개시의 다양한 실시 예들은 딥-러닝 기술을 기반으로 입력 이미지의 부분 영역의 화질을 조정하는 전자 장치 및 그 제어 방법에 관한 것이다.
이를 위해, 전자 장치는 선호 화질을 지시하는 인덱스 값에 의해 지정된 제1 보정 값을 사용하여 카메라로부터 제공된 이미지(bayer image)의 전체 영역에 대한 화질을 조정하고, 딥-러닝을 기반으로 지정된 제2 보정 값을 사용하여 상기 전체 영역에 대한 화질이 조정된 이미지의 부분 영역에 대한 화질을 조정할 수 있다. 이외에 다양한 실시 예들이 가능할 수 있다.

Description

화질 조정을 지원하는 전자 장치 및 그 방법{AN ELECTRONIC DEVICE FOR SUPPORTING IMAGE QUALITY ADJUSTMENT AND A METHOD THEREOF}
본 개시의 다양한 실시 예들은 이미지에 대한 영역 별 화질 조정을 지원하는 전자 장치 및 그 제어 방법에 관한 것이다.
통신 기술은 시간적 또는 공간적인 제약없이 원하는 정보와 데이터를 얻을 수 있도록, 빠르게 발전하고 있다. 하나의 예로, 최근 상용화가 이루어진 새로운 무선(new radio, NR) 통신 시스템(예: 5th-generation 통신 시스템 또는 pre-5G 통신 시스템)이 있다. NR 통신 시스템은 그 이전 통신 시스템(예: 4G(4th-generation) 통신 시스템)에서 증가 추세에 있는 무선 트래픽 수요를 충족시키기 위하여 개발 및 상용화되었다. 이러한 이유로, NR 통신 시스템은 4G 네트워크 이후(beyond 4G network) 통신 시스템 또는 LTE 시스템 이후(post LTE)의 시스템이라 불리기도 한다.
통신 기술의 발전은 디지털 경제의 확산으로 수치, 문자, 영상과 같은 다양한 형태의 데이터를 포괄적으로 수집하여 '빅데이터(big data)' 환경을 기반을 만들 수 있게 되었다. 또한, 빅데이터 환경은 정보 또는 데이터의 가공 및 활용을 통한 인공 지능(artificial intelligence, AI) 또는 딥-러닝(deep-learning)이 가능할 수 있도록 하였다.
카메라 기능을 구비한 전자 장치는 이미지 전체 영역을 분석한 결과를 이용하여, 처리할 대상 이미지에 필요한 정보(노출(exposure) 정도, 화이트 밸런스(white balance) 값, 잡음 레벨(noise level) 등)를 획득하였다. 상기 전자 장치는 획득한 정보를 기반으로 최적의 결과물을 출력하기 위한 이미지 처리를 수행하기도 한다. 상기 전자 장치는 이미지 처리 시, 이미지 전체 영역의 밝기가 균일하거나 크게 차이가 없는 경우에는 별다른 문제가 없을 수 있다. 하지만 하나의 이미지 내에서 다양한 밝기 또는 객체(object)가 섞여 있는 경우, 전자 장치는 이미지 처리를 위한 최적의 정보를 추출하기가 어려울 수 있다. 뿐만 아니라, 전자 장치는 하나의 기준에 맞추어 이미지를 처리할 경우에 상대적으로 손해볼 수 있는 방향의 화질 처리 방법을 선택할 수 박에 없는 상황이 발생할 수 있다.
본 개시의 다양한 실시 예에 따르면, 딥-러닝 기술을 기반으로 입력 이미지의 부분 영역의 화질을 조정하는 전자 장치 및 그 제어 방법을 제공할 수 있다.
본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 아래 기재에서 제안될 다양한 실시 예들이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 명확하게 이해될 수 있을 범위에서 다른 기술적 과제들이 예측될 수도 있을 것이다.
본 개시의 다양한 실시 예에 따른 전자 장치는, 메모리와, 카메라 및 상기 메모리 또는 상기 카메라와 전기적으로 결합하여 상기 카메라로부터 제공된 이미지(bayer image)에 대한 이미지 처리 동작을 수행하는 적어도 하나의 프로세서를 포함하며, 여기서, 상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가, 선호 화질을 지시하는 인덱스 값에 의해 지정된 제1 보정 값을 사용하여 상기 이미지의 전체 영역에 대한 화질을 조정하도록 하고, 딥-러닝을 기반으로 지정된 제2 보정 값을 사용하여 상기 전체 영역에 대한 화질이 조정된 이미지의 부분 영역에 대한 화질을 조정하도록 하는 인스트럭션들을 저장할 수 있다.
본 개시의 다양한 실시 예에 따른, 전자 장치에서 이미지 처리를 수행하는 방법은, 선호 화질을 지시하는 인덱스 값에 의해 지정된 제1 보정 값을 사용하여 카메라로부터 제공된 이미지(bayer image)의 전체 영역에 대한 화질을 조정하는 동작 및 딥-러닝을 기반으로 지정된 제2 보정 값을 사용하여 상기 전체 영역에 대한 화질이 조정된 이미지의 부분 영역에 대한 화질을 조정하는 동작을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 전자 장치에서 입력 이미지의 부분 영역에 대한 정보를 기반으로 향상된 성능의 화질의 이미지를 제공할 수 있을 뿐만 아니라, 사용자와의 상호 작용을 통하여 사용자가 선호하는 화질의 이미지를 제공할 수 있도록 하였다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 아래 기재에서 제안될 다양한 실시 예들이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 명확하게 이해될 수 있을 범위에서 다른 효과들이 예측될 수도 있을 것이다.
도 1은, 본 개시의 다양한 실시 예에 따른, 전자 장치(101)의 블록 구성을 도시한 도면;
도 2는, 다양한 실시예들에 따른, 카메라 모듈(180)을 예시하는 블럭도(200);
도 3은 본 개시에서 제안된 다양한 실시 예들에 따라, 이미지의 화질을 조정하는 전자 장치(101)의 일 예를 도시한 도면;
도 4는 본 개시에서 제안된 다양한 실시 예들에 따라, 이미지의 화질을 조정하는 전자 장치(101)의 다른 예를 도시한 도면;
도 5는 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 이미지의 화질을 조정하기 위해 수행하는 제어 흐름의 일 예를 도시한 도면;
도 6은 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 이미지의 화질을 조정하기 위해 수행하는 제어 흐름의 다른 예를 도시한 도면;
도 7은 본 개시에서 제안된 다양한 실시 예들에 따라, 전자 장치(101)에서 화면(700)에 복수의 기본 화질들에 대한 이미지들(710, 720, 730, 740)이 표시된 예를 도시한 도면;
도 8과 도 9는 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 부분적인 화질 조정을 적용할 이미지 영역의 예들(800, 900)을 도시한 도면;
도 10은 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 부분 영역에 대한 화질 보정을 수행하는 후 처리 동작의 예를 도시한 도면;
도 11은 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 피부 톤에 상응한 HSV 값을 획득하는 일 예를 도시한 도면; 및
도 12는 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 피부 톤 변경에 관한 실제 구현 예를 도시한 도면이다.
이하, 첨부 도면을 참조하여, 본 개시에서 제안될 다양한 실시 예에 대해 상세히 설명하면 다음과 같다. 다만, 설명의 편의를 위하여 도면에서는 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 개시에서 제안될 다양한 실시 예가 반드시 도시된 바에 한정되지 않음을 유념하여야 할 것이다.
도 1은, 본 개시의 다양한 실시 예에 따른, 전자 장치(101)의 블록 구성을 도시한 도면이다.
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. 일 실시 예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시 예에 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 실시 예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시 예에서는, 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)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 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. 일 실시 예에 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)은 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. 일 실시 예에 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 센서 모듈(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), 미들웨어(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)은, 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. 일 실시 예에 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)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 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. 일 실시 예에 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. 일 실시 예에 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. 일 실시 예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD 카드 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. 일 실시 예에 따르면, 연결 단자(178)은, 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. 일 실시 예에 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. 일 실시 예에 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. 일 실시 예에 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 구성 요소에 전력을 공급할 수 있다. 일 실시 예에 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. 일 실시 예에 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) 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 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(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. 일 실시 예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일 실시 예에 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 안테나들 중에서 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 실시 예에 따르면, 방사체 이외에 다른 부품(예: radio frequency integrated circuit(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))를 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시 예에 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. 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, or 108) 중 하나 이상의 외부 장치에서 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 장치에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치는 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.
도 2는, 다양한 실시예들에 따른, 카메라 모듈(180)을 예시하는 블럭도(200)이다.
도 2를 참조하면, 카메라 모듈(180)은 렌즈 어셈블리(210), 플래쉬(220), 이미지 센서(230), 이미지 스태빌라이저(240), 메모리(250)(예: 버퍼 메모리), 또는 이미지 시그널 프로세서(260)를 포함할 수 있다. 렌즈 어셈블리(210)는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다. 렌즈 어셈블리(210)는 하나 또는 그 이상의 렌즈들을 포함할 수 있다. 일 실시 예에 따르면, 카메라 모듈(180)은 복수의 렌즈 어셈블리(210)들을 포함할 수 있다. 이런 경우, 카메라 모듈(180)은, 예를 들면, 듀얼 카메라, 360도 카메라, 또는 구형 카메라(spherical camera)를 형성할 수 있다. 복수의 렌즈 어셈블리(210)들 중 일부는 동일한 렌즈 속성(예: 화각, 초점 거리, 자동 초점, f 넘버(f number), 또는 광학 줌)을 갖거나, 또는 적어도 하나의 렌즈 어셈블리는 다른 렌즈 어셈블리의 렌즈 속성들과 다른 하나 이상의 렌즈 속성들을 가질 수 있다. 렌즈 어셈블리(210)는, 예를 들면, 광각 렌즈 또는 망원 렌즈를 포함할 수 있다.
플래쉬(220)는 피사체로부터 방출 또는 반사되는 빛을 강화하기 위하여 사용되는 빛을 방출할 수 있다. 일 실시 예에 따르면, 플래쉬(220)는 하나 이상의 발광 다이오드들(예: RGB(red-green-blue) LED, white LED, infrared LED, 또는 ultraviolet LED), 또는 xenon lamp를 포함할 수 있다.
이미지 센서(230)는 피사체로부터 방출 또는 반사되어 렌즈 어셈블리(210)를 통해 전달된 빛을 전기적인 신호로 변환함으로써, 상기 피사체에 대응하는 이미지를 획득할 수 있다. 일 실시 예에 따르면, 이미지 센서(230)는, 예를 들면, RGB 센서, BW(black and white) 센서, IR 센서, 또는 UV 센서와 같이 속성이 다른 이미지 센서들 중 선택된 하나의 이미지 센서, 동일한 속성을 갖는 복수의 이미지 센서들, 또는 다른 속성을 갖는 복수의 이미지 센서들을 포함할 수 있다. 이미지 센서(230)에 포함된 각각의 이미지 센서는, 예를 들면, CCD(charged coupled device) 센서 또는 CMOS(complementary metal oxide semiconductor) 센서를 이용하여 구현될 수 있다.
이미지 스태빌라이저(240)는 카메라 모듈(180) 또는 이를 포함하는 전자 장치(101)의 움직임에 반응하여, 렌즈 어셈블리(210)에 포함된 적어도 하나의 렌즈 또는 이미지 센서(230)를 특정한 방향으로 움직이거나 이미지 센서(230)의 동작 특성을 제어(예: 리드 아웃(read-out) 타이밍을 조정 등)할 수 있다. 이는 촬영되는 이미지에 대한 상기 움직임에 의한 부정적인 영향의 적어도 일부를 보상하게 해 준다. 일 실시 예에 따르면, 이미지 스태빌라이저(240)은 카메라 모듈(180)의 내부 또는 외부에 배치된 자이로 센서(미도시) 또는 가속도 센서(미도시)를 이용하여 카메라 모듈(180) 또는 전자 장치(101)의 그런 움직임을 감지할 수 있다. 일 실시 예에 따르면, 이미지 스태빌라이저(240)는, 예를 들면, 광학식 이미지 스태빌라이저로 구현될 수 있다.
메모리(250)는 이미지 센서(230)을 통하여 획득된 이미지의 적어도 일부를 다음 이미지 처리 작업을 위하여 적어도 일시 저장할 수 있다. 예를 들어, 셔터에 따른 이미지 획득이 지연되거나, 또는 복수의 이미지들이 고속으로 획득되는 경우, 획득된 원본 이미지(예: Bayer-patterned 이미지 또는 높은 해상도의 이미지)는 메모리(250)에 저장이 되고, 그에 대응하는 사본 이미지(예: 낮은 해상도의 이미지)는 표시 장치(160)을 통하여 프리뷰될 수 있다. 이후, 지정된 조건이 만족되면(예: 사용자 입력 또는 시스템 명령) 메모리(250)에 저장되었던 원본 이미지의 적어도 일부가, 예를 들면, 이미지 시그널 프로세서(260)에 의해 획득되어 처리될 수 있다. 일 실시 예에 따르면, 메모리(250)는 메모리(130)의 적어도 일부로, 또는 이와는 독립적으로 운영되는 별도의 메모리로 구성될 수 있다.
이미지 시그널 프로세서(260)는 이미지 센서(230)을 통하여 획득된 이미지 또는 메모리(250)에 저장된 이미지에 대하여 하나 이상의 이미지 처리들을 수행할 수 있다. 상기 하나 이상의 이미지 처리들은, 예를 들면, 깊이 지도(depth map) 생성, 3차원 모델링, 파노라마 생성, 특징점 추출, 이미지 합성, 또는 이미지 보상(예: 노이즈 감소, 해상도 조정, 밝기 조정, 블러링(blurring), 샤프닝(sharpening), 또는 소프트닝(softening)을 포함할 수 있다. 추가적으로 또는 대체적으로, 이미지 시그널 프로세서(260)는 카메라 모듈(180)에 포함된 구성 요소들 중 적어도 하나(예: 이미지 센서(230))에 대한 제어(예: 노출 시간 제어, 또는 리드 아웃 타이밍 제어 등)를 수행할 수 있다.
일 실시 예에 따르면, 이미지 시그널 프로세서(260)에 의해 처리된 이미지는 추가 처리를 위하여 메모리(250)에 다시 저장되거나 카메라 모듈(180)의 외부 구성 요소(예: 메모리(130), 표시 장치(160), 전자 장치(102), 전자 장치(104), 또는 서버(108))로 제공될 수 있다.
일 실시 예에 따르면, 이미지 시그널 프로세서(260)는 프로세서(120)의 적어도 일부로 구성되거나, 프로세서(120)와 독립적으로 운영되는 별도의 프로세서로 구성될 수 있다. 이미지 시그널 프로세서(260)가 프로세서(120)와 별도의 프로세서로 구성된 경우, 이미지 시그널 프로세서(260)에 의해 처리된 적어도 하나의 이미지는 프로세서(120)에 의하여 그대로 또는 추가의 이미지 처리를 거친 후 표시 장치(160)를 통해 표시될 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 각각 다른 속성 또는 기능을 가진 복수의 카메라 모듈(180)들을 포함할 수 있다. 이런 경우, 예를 들면, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 광각 카메라이고, 적어도 다른 하나는 망원 카메라일 수 있다. 유사하게, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 전면 카메라이고, 적어도 다른 하나는 후면 카메라일 수 있다.
도 3은 본 개시에서 제안된 다양한 실시 예들에 따라, 이미지의 화질을 조정하는 전자 장치(101)의 일 예를 도시한 도면이다.
도 3을 참조하면, 일 실시 예에 따른 전자 장치(101)(예: 도 1에서의 전자 장치(101))는 입력 이미지(351)(예: 베이어 이미지(bayer image))에 대하여 전체 화질(whole image quality)을 적용하고, 상기 입력 이미지(351)의 부분 영역(예: 피부 영역)에 포함된 이미지에 대하여 부분 화질(partial image quality)을 적용하는 이미지 처리를 수행할 수 있다. 상기 화질은 사람의 시각으로 구분될 수 있는 적어도 하나의 이미지 특성에 의해 결정될 수 있다. 상기 이미지 특성은 색의 3대 속성(예: HSV(hue saturation value))인 색상(hue, 색의 특질), 채도(saturation, 색의 순수한 정도), 명도(value, 색의 밝은 정도), 중 적어도 하나가 될 수 있다. 카메라의 경우, 이미지 특성은 화이트 밸런스 및/또는 노출 정도에 의해 변화될 수 있다.
일 실시 예에 따르면, 입력 이미지(351)는 미리 보기 경로(preview path)를 통해 현상된 이미지(예: 프리뷰 이미지(preview image) 또는 썸네일 이미지(thumbnail image)) 또는 캡쳐 경로(capture path)를 통해 현상된 이미지일 수 있다.
일 실시 예에 따른 전체 화질은 사용자가 선호하는 화질을 고려하여 선택될 수 있다. 상기 전체 화질은 딥-러닝 기술을 사용하여 이미지 편집 시 사용자의 선호도에 대한 학습을 통해 획득한 하나 또는 복수의 선호 화질들 중 하나일 수 있다. 상기 전체 화질은, 예를 들어, 학습 또는 설정을 통해 지정된 복수의 선호 화질들을 갖는 예제 이미지들을 화면에 표시하고, 상기 화면에 표시된 예제 이미지들 중에서 사용자에 의해 선택된 하나의 예제 이미지에 적용된 화질로 결정될 수 있다.
일 실시 예에 따른 부분 화질은 부분 영역에 대한 분석 결과를 고려하여 결정될 수 다. 상기 부분 화질은 지정 영역(예: 촬영 초점 위치의 픽셀을 중심으로 소정 면적을 갖는 영역) 또는 지정 객체(object)(예: 사람, 자동차 또는 나무 등) 또는 지정 색감(예: 피부 톤 등)과 같은 엘리먼트를 세밀하게 표현할 수 있는 화질이 될 수 있다. 상기 부분 화질은, 예를 들어, 딥-러닝 기술을 사용하여 전체 화질이 적용된 이미지를 대상으로 하는 학습을 통하여 설정될 수 있다.일 실시 예에 따르면, 전자 장치(300)는 지시 인덱스(preset index)(353)에 의해 얻을 수 있는 전체 화질을 입력 이미지(351)에 적용하기 위한 1차 이미지 처리를 수행하고, 상기 1차 이미지 처리된 이미지의 부분 영역에 대하여 학습을 통해 얻은 부분 화질을 적용하기 위한 2차 이미지 처리를 수행할 수 있다.
일 실시 예에 따른 전자 장치(300)는, 예를 들어, 이미지 처리 프로세서(310)(예: 도 1에서의 프로세서(120) 또는 상기 프로세서(120)에 포함된 프로세서 중 하나 또는 도 2에서의 이미지 시그널 프로세서(260)), 이미지 조절 모듈(320), 학습 엔진 모듈(330) 또는 후(後) 처리 모듈(340) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 이미지 조절 모듈(320)은 입력 이미지(351)의 전체 영역에 대한 화질을 조정하기 위한 적어도 하나의 보정 값(367)(이하 '제1 보정 값'이라 칭함)을 결정하고, 상기 결정한 제1 보정 값(367)을 이미지 처리 프로세서(310)로 제공할 수 있다. 상기 이미지 조절 모듈(320)은, 예를 들어, 입력 이미지(351)의 전체 영역에 적용할 제1 보정 값(367)을 지시할 수 있다. 상기 제1 보정 값(367)은 입력 이미지(351)의 전체 화질을 조정하기 위해 이미지 처리 프로세서(310)에 의해 사용될 수 있다. 상기 제1 보정 값(367)은, 예를 들어, 화이트 밸런스 이득 값, 노출 값, 색상(H) 값, 채도(S) 값, 명도(V) 값, 밝기 값 또는 상기 값들 중 적어도 두 개의 값들이 조합되거나 평균한 값 중 하나 또는 복수의 값들이 될 수 있다.
일 실시 예에 따르면, 이미지 조절 모듈(320)은 전자 장치(101)에서 기본적으로 제공되는 복수의 기본 화질들 중 하나의 기본 화질을 지시하는 인덱스 값(453)에 의해 제1 보정 값(367)을 획득할 수 있다. 상기 이미지 조절 모듈(320)은, 예를 들어, 복수의 기본 화질들에 대응한 보정 값들(예: 화이트밸런스 이득 값 및/또는 노출 값)을 미리 설정하고, 제공받은 인덱스 값에 이용하여 상기 미리 설정된 보정 값들 중 하나의 보정 값을 제1 보정 값(367)로 선택할 수 있다. 상기 인덱스 값에 의해 조정될 수 있는 보정 값은, 예를 들어, 화이트밸런스 이득 값(WB gain), 노출 값(exposure value), 잡음 감소 세기(noise reduction strength) 또는 구체적 향상 레벨(detail enhancement level) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 이미지 조절 모듈(320)은 사용자에 의해 선택된 기본 화질을 얻기 위한 화이트밸런스 이득 값 및/또는 노출 값을 제1 보정 값(367)에 포함시켜 이미지 처리 프로세서(310)로 제공할 수 있다.
도 7에서는 화면(700)에 복수의 기본 화질들에 대한 이미지들(710, 720, 730, 740)의 예를 도시하고 있다. 도 7에 도시된 복수의 기본 화질 이미지들은, 예를 들어, 노말(normal) 화질의 이미지(710), 내추럴(natural) 화질의 이미지(740), 비비드(vivid) 화질의 이미지(720, 730), 소프트(soft) 화질의 이미지를 포함할 수 있다. 이 경우, 제1 보정 값(367)은 노말(normal) 화질을 얻기 위하여 설정된 보정 값, 내추럴(natural) 화질을 얻기 위해 설정된 보정 값, 비비드(vivid) 화질을 얻기 위해 설정된 보정 값 또는 소프트(soft) 화질을 얻기 위해 설정된 보정 값 중 적어도 하나일 수 있다.
일 실시 예에 따르면, 이미지 조절 모듈(320)은 기본 화질을 지시하는 인덱스 값(453)과 학습 엔진 모듈(330)에서 제공된 통계 정보(363)에 의해 제1 보정 값(367)을 획득할 수 있다. 상기 이미지 조절 모듈(320)은, 예를 들어, 인덱스 값(453)에 의해 지시된 기본 화질에 상응한 화이트밸런스 이득 값 및/또는 노출 값을 학습 엔진 모듈(330)에서 제공된 통계 정보(363)에 의해 조정하여 제1 보정 값을 결정할 수 있다. 상기 통계 정보(363)은 학습 엔진 모듈(330)에 의해 후 처리 모듈(330)로 제공되는 통계 정보(365)와 상이하거나 동일할 수 있다. 상기 통계 정보(363, 365)에 포함될 수 있는 정보는 하기에서 구체적으로 정의될 것이다.
일 실시 예에 따르면, 이미지 처리 프로세서(310)는 이미지 조절 모듈(320)로부터 제공된 제1 보정 값(367)을 사용하여 입력 이미지(351)의 전체 영역에 대한 화질을 조정할 수 있다. 상기 이미지 처리 프로세서(310)는, 예를 들어, 입력 이미지(351)와 적어도 하나의 제1 보정 값(367)을 입력으로 하고, 상기 적어도 하나의 제1 보정 값(367)을 사용하여 상기 입력 이미지(351)의 전체 영역에 대한 화질을 조정하는 이미지 처리를 수행할 수 있다. 상기 이미지 처리 프로세서(310)는 전체 영역에 대한 화질 조정이 이루어진 변환 이미지(361)(예: YUV 이미지 또는 RGB 이미지)를 출력할 수 있다.
일 실시 예에 따르면, 이미지 처리 프로세서(310)로 제공된 적어도 하나의 제1 보정 값(367)은 색의 3대 속성(예: 색상, 채도, 명도)을 결정 또는 변경 또는 조정할 수 있는 값이 될 수 있다. 상기 적어도 하나의 제1 보정 값(367)은, 예를 들어, 색상을 보정하기 위한 보정 값(예: 화이트 밸런스 이득 값(WB_gain), HSV(색상(H), 채도(S), 명도(V)) 값), 명도를 보정하기 위한 보정 값(예: 노출 값(EV)), 채도를 보정하기 위한 보정 값(예: 화이트 밸런스 이득 값(WB_gain), 노출 값(EV) 또는 HSV) 또는 두 개의 보정 값들의 조합을 포함할 수 있다.
일 실시 예에 따르면, 학습 엔진 모듈(330)(예: 휴먼 파싱 상태 엔진(human parsing stat. engine))은 이미지 처리 프로세서(310)에 의해 출력된 변환 이미지(361)를 입력으로 하여 딥-러닝을 기반으로 하는 학습 동작을 수행할 수 있다. 상기 학습 엔진 모듈(330)은, 예를 들어, 휴먼 파싱(human parsing)을 사용하여 전체 화질을 조정하는 1차 이미지 처리가 이루어진 변환 이미지(361)에서 파싱 맵(parsing map)을 결정하고, 상기 파싱 맵을 기반으로 상기 변환 이미지(361)에 포함된 여러 영역(region)들 중 부분 영역(예: 피부 영역)의 통계 정보를 계산할 수 있다.
일 실시 예에 따르면, 통계 정보는 부분 영역(예: 피부 영역)의 HSV 및/또는 밝기 정보를 포함할 수 있다. 상기 통계 정보는 부분 영역에 대한 히스토그램(histogram) 또는 전체 영역에서 부분 영역의 비율(예: 이미지에서 피부 영역이 차지하는 비율) 중 적어도 하나의 정보를 더 포함할 수 있다. 일 예로 장면 파싱(scene parsing)(예: 휴먼 파싱(human parsing) 엔진의 통계 정보는 휴먼 비율 값(human ratio, 입력 이미지 내에서 사람이 차지하는 비율), 얼굴 영역 밝기 정보(face Yover200, 230, 일 예로 얼굴 영역 밝기 값은 200, 230을 가지는 픽셀 수), 얼굴 영역 평균 밝기 정보(face Yavg), 피부 영역 비율(face pixel ratio, 얼굴 영역에서 피부 영역의 비율), HSV 평균 값(얼굴 영역의 HSV 평균 값) 또는 얼굴 인덱스 값(face Idx, 입력 이미지 내에 존재하는 얼굴을 식별하기 위한 번호) 중 적어도 하나를 포함할 수 있다. 상기 통계 정보에 포함된 얼굴 영역 밝기 정보는 포화 영역의 정도를 파악하기 위해 사용될 수 있다.
일 실시 예에 따르면, 학습 엔진 모듈(330)은 제1 통계 정보(363)을 이미지 조절 모듈(320)로 제공할 수 있고, 제2 통계 정보(365)를 후 처리 모듈(340)로 제공할 수 있다. 상기 제1 통계 정보와 상기 제2 통계 정보(365)는 동일한 정보를 포함하거나 상이한 정보를 포함할 수 있다. 상기 제1 통계 정보(363)는, 예를 들어, 이미지 조절 모듈(320)에서 이미지 처리 프로세서(310)로 제공될 적어도 하나의 제1 보정 값(367)을 결정하기 위해 고려될 수 있다. 상기 제2 통계 정보(365)는 후 처리 모듈(340)에서 부분 영역에 대한 화질을 조정을 위해 고려할 적어도 하나의 보정 값(이하 '제2 보정 값'이라 칭함)으로 제공될 수 있다.
일 실시 예에 따르면, 제1 통계 정보(363)와 제2 통계 정보(365)는 앞에서 통계 정보에 포함될 수 있다고 정의한 복수의 정보들 전부 또는 일부가 포함될 수 있다. 상기 제1 통계 정보(363)는 제2 통계 정보(365)와 동일하거나 상이한 정보가 포함될 수 있다. 예컨대, 제1 통계 정보(363)와 제2 통계 정보(365)에는 HSV 관련 정보가 공통으로 포함될 수 있다. 상기 HSV 관련 정보는, 예를 들어, 부분 영역에서의 HSV 또는 그와 관련된 정보(예: HSV 평균 값)이 될 수 있다. 상기 제1 통계 정보(363)는 제1 보정 값에 포함될 수 있는 화이트밸런스 이득 값 및/또는 노출 값 중 적어도 하나를 결정하기 위해 고려될 수 있다.
일 실시 예에 따르면, 학습 엔진 모듈(330)에 상응한 휴먼 파싱 엔진은 다양한 방법으로 구현될 수 있다. 일 예로, 휴먼 파싱 엔진은 딥-러닝 기반의 인식 엔진으로 구현할 수 있다. 상기 딥-러닝 기반의 인식 엔진은, 예를 들어, MobileNetV2라는 백본(backbone)을 사용하여 학습할 수 있고, 4 라벨(label)을 지원하도록 설계될 수 있다. 상기 4라벨은, 예를 들어, 배경(background), 헤어(hair), 피부(skin), 나머지(fabric, 헤어와 피부를 제외한 나머지) 영역으로 구분할 수 있다. 상기 딥-러닝 기반의 인식 엔진은, 예를 들어, YUV 이미지를 입력 받아, 4개의 라벨 맵을 출력하는 동작 구조를 가질 수 있다. 상기 4개의 라벨 맵 중, 피부 영역에 해당하는 맵과 FD 정보 등을 이용하여, 피부 영역의 통계 정보를 계산할 수 있다.
하기 <표 1>은 학습 엔진 모듈(예: 도 3에서의 학습 엔진 모듈(330) 또는 도 4에서의 학습 엔진 모듈(430))에 포함된 휴먼 파싱 엔진에 의해 획득될 수 있는 통계 정보의 구조에 대한 일 예를 보이고 있다.
struct PersonWholeMeta_t
{
unsigned int numStat;
unsigned int humanRatio; //*256
PersonMeta_t humanStat[5];
}
struct PersonMeta_t
{
unsigned int face_Yover200; //pixtlcnt
unsigned int face_Yover230; //pixelcnt

unsigned int face_Yavg;
unsigned int face_pixelRatio[3];
unsigned int hAvg; //0~360
unsigned int sAvg; //0~255
unsigned int vAvg; //0~255
unsigned int faceIdx; //hw fd idx
unsigned int faceRegion[4];
};
도 8과 도 9는 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 부분적인 화질 조정을 적용할 이미지 영역의 예들(800, 900)을 도시한 도면이다.
도 8에서는 전체 이미지 영역(810)에서 얼굴에 해당하는 피부 톤에 상응한 부분 영역(820)을 검출한 일 예를 도시하고 있고, 도 9에서는 전체 이미지 영역(910)에서 얼굴에 해당하는 피부 톤에 상응한 부분 영역(920)을 검출한 일 예를 도시하고 있다.
상기 학습 엔진 모듈(330)은, 예를 들어, 이미지 조절 모듈(320)로 제1 통계 정보(363)을 제공할 수 있고, 후 처리 모듈(340)로 제2 통계 정보(365)를 제공할 수 있다. 상기 제1 통계 정보(363)는 상기 제2 통계 정보(365)와 동일하거나 상이할 수 있다. 상기 제1 통계 정보(363)와 상기 제2 통계 정보(365)는 포함된 정보 엘리먼트가 상이하거나 학습 엔진 모듈(330)에 의해 제공되는 시점이 다를 수 있다.
일 실시 예에 따르면, 학습 엔진 모듈(330)이 후 처리 모듈(340)로 제2 보정 값으로 제공되는 제2 통계 정보(365)는, 예를 들어, 변환 이미지(361) 의 부분 화질을 조정하기 위해 후 처리 모듈(340)에 의해 사용될 수 있다. 상기 제2 통계 정보(365)는, 예를 들어, 부분 영역에 포함된 이미지의 색상을 변경하기 위한 값이 될 수 있다. 상기 학습 엔진 모듈(330)은, 예를 들어, HSV를 제2 보정 값에 포함시켜 후 처리 모듈(340)로 제공하거나 HSV 평균 값을 계산하고, 상기 계산된 HSV 평균 값을 제2 보정 값에 포함시켜 후 처리 모듈(340)로 제공할 수 있다. 상기 후 처리 모듈(340)는 상기 학습 엔진 모듈(330)로부터 제공된 제2 통계 정보(365)를 사용하여 전체 영역의 화질이 조정된 변환 이미지(361)의 부분 영역에 대한 세밀한 화질 조정을 수행할 수 있다.
일 실시 예에 따르면, 후 처리 모듈(340)은 전체 영역에 대하여 적용할 화질을 지시하는 지시 인덱스(353) 및/또는 학습 엔진 모듈(330)에 의해 제공되는 제2 통계 정보(365)를 사용하여 변환 이미지(361)에 대한 후 처리 동작을 수행할 수 있다. 상기 후 처리 동작은, 예를 들어, 변환 이미지(361)의 부분 영역에 대한 화질을 보정하는 동작에 해당할 수 있다. 상기 변환 이미지(361)는, 예를 들어, 이미지 처리 프로세서(310)에 의해 전체 영역에 대한 화질이 조정된 이미지일 수 있다. 상기 후 처리 모듈(340)은 변환 이미지(361)의 화질을 사용자가 원하는 화질(지시 인덱스(353)에 의해 지시된 화질) 및 제2 통계 정보(365)에 따른 화질을 고려하여 추가로 부분 영역에 대한 화질 보정을 수행할 수 있다. 상기 후 처리 모듈(340)은, 예를 들어, 입력 이미지에서 부분 영역에 포함된 객체의 상이한 피부 톤에 대한 추가 보정을 수행할 수 있다. 상기 후 처리 모듈(340)에 의해 처리된 이미지는 최종 이미지(371)로 사용자에게 제공될 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 부분 영역에 적용할 부분 화질을 조정하기 위한 보정 값을 얻기 위한 전(前) 처리 동작이 필요할 수 있다. 상기 전 처리 동작은, 예를 들어, 전체 영역에 대한 화질 조정이 이루어진 결과 이미지를 고려하여 부분 영역에 대한 화질을 조정하기 위한 보정 값을 얻기 위한 동작이 될 수 있다. 상기 전 처리 동작 시에는, 예를 들어, 미리 보기 경로를 통해 현상된 이미지(예: 썸네일 이미지 또는 프리뷰 이미지)가 입력 이미지(351)로 사용될 수 있다. 이 경우, 상기 전 처리 동작에서 이미지 처리 프로세서(310)는 전체 영역에 적용할 보정 값을 사용하여 썸네일 이미지 또는 프리뷰 이미지의 화질을 조정하는 이미지 처리를 수행하고, 상기 화질이 조정된 썸네일 이미지 또는 프리뷰 이미지를 출력할 수 있다.
도 4는 본 개시에서 제안된 다양한 실시 예들에 따라, 이미지의 화질을 조정하는 전자 장치(101)의 다른 예를 도시한 도면이다. 도 4에 도시된 이미지의 화질을 조정하는 전자 장치(101)의 구성은 도 3와 학습 엔진 모듈(430)이 배치된 위치 및 동작이 상이할 뿐, 나머지 구성 및 동작이 동일하므로, 하기의 설명에서는 상이한 구성 및 동작에 대해서만 설명할 것이다.
도 4를 참조하면, 일 실시 예에 따른 학습 엔진 모듈(430)(예: 휴먼 파싱 상태 엔진(human parsing stat. engine))은 이미지 처리 프로세서(410)로 입력되는 이미지(451)를 입력으로 하여 딥-러닝을 기반으로 하는 학습 동작을 수행할 수 있다. 상기 학습 엔진 모듈(430)은, 예를 들어, 휴먼 파싱(human parsing)을 사용하여 입력 이미지(451)에서 파싱 맵을 결정하고, 상기 파싱 맵을 기반으로 상기 입력 이미지(451)에 포함된 여러 영역(region)들 중 부분 영역(예: 피부 영역)의 통계 정보(463, 465)를 계산할 수 있다. 상기 통계 정보(463, 465)는, 예를 들어, 부분 영역(예: 피부 영역)의 HSV와 밝기 정보를 포함할 수 있다. 상기 통계 정보는, 예를 들어, 부분 영역에 대한 히스토그램(histogram) 또는 전체 영역에서 부분 영역의 비율(예: 이미지에서 피부 영역이 차지하는 비율) 중 적어도 하나의 정보를 더 포함할 수 있다. 상기 학습 엔진 모듈(430)은 이미지 조절 모듈(420)로 제1 통계 정보(463)을 제공할 수 있고, 후 처리 모듈(440)로도 제2 통계 정보(465)를 제공할 수 있다. 상기 제1 통계 정보(463)는 상기 제2 통계 정보(465)와 동일하거나 상이할 수 있다. 상기 제1 통계 정보(463)와 상기 제2 통계 정보(465)는 포함된 정보 엘리먼트가 상이하거나 학습 엔진 모듈(430)에 의해 제공되는 시점이 다를 수 있다.
일 실시 예에 따르면, 이미지 처리 프로세서(410)는 이미지 조절 모듈(420)로부터 제공된 전체 영역을 위한 보정 값을 사용하여 상기 입력 이미지(451)에 대한 전체 화질을 조정할 수 있다. 상기 이미지 처리 프로세서(410)에 의해 전체 화질이 조정된 이미지는 변환 이미지(461)로 후 처리 모듈(440)로 제공될 수 있다.
일 실시 예에 따르면, 후 처리 모듈(440)은 학습 엔진 모듈(430)에서 제2 보정 값으로 제공된 제2 통계 정보(465) 및 지시 인덱스(453)를 사용하여 이미지 처리 프로세서(410)로부터 제공된 변환 이미지(461)의 부분 영역에 대한 화질을 보정하는 이미지 처리를 수행할 수 있다.
도 5는 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 이미지의 화질을 조정하기 위해 수행하는 제어 흐름의 일 예를 도시한 도면이다.
도 5를 참조하면, 일 실시 예에 따른 동작 510에서 전자 장치(101)(예: 도 1에서의 전자 장치(101))는 전체 영역 및/또는 부분 영역에 대한 화질을 조절할 대상 이미지(예: 베이어 이미지(bayer image))를 입력 받을 수 있다. 상기 입력 받은 대상 이미지는 미리 보기 경로를 통해 현상된 이미지(예: 썸네일 이미지 또는 프리뷰 이미지) 또는 캡쳐 경로를 통해 현상된 이미지 중 하나일 수 있다.
일 실시 예에 따른 동작 520에서 전자 장치(101)는 대상 이미지에 대하여 전체 화질을 적용하고, 상기 전체 화질이 적용된 이미지의 부분 영역(예: 피부 영역)에 포함된 이미지에 대하여 부분 화질을 적용하는 이미지 처리 동작을 수행할 수 있다. 상기 화질은 사람의 시각으로 구분될 수 있는 적어도 하나의 이미지 특성에 의해 결정될 수 있다. 상기 이미지 특성은 색의 3대 속성인 색상, 채도, 명도 중 적어도 하나가 될 수 있다.
보다 구체적으로, 일 실시 예에 따른 동작 521에서 전자 장치(101)는 선호 화질을 지시하는 인덱스 값에 의한 제1 보정 값을 사용하여 대상 이미지의 전체 영역에 대한 화질을 조정하는 1차 이미지 변환 동작을 수행할 수 있다. 상기 제1 보정 값은 색의 3대 속성인 색상, 채도 또는 명도 중 적어도 하나를 결정 또는 변경 또는 조정할 수 있는 값이 될 수 있다. 상기 제1 보정 값은, 예를 들어, 색상을 보정하기 위한 보정 값(예: 화이트 밸런스 이득 값(WB_gain), HSV), 명도를 보정하기 위한 보정 값(예: 노출 값(EV)), 채도를 보정하기 위한 보정 값(예: 화이트 밸런스 이득 값(WB_gain), 노출 값(EV) 또는 HSV) 또는 두 개의 보정 값들의 조합을 포함할 수 있다.
일 실시 예에 따른 동작 523에서 전자 장치(101)는 부분 영역에 대한 화질 조정을 위한 제2 보정 값을 사용하여 1차 이미지 변환이 이루어진 이미지의 부분 영역에 대한 화질을 조정하는 2차 이미지 변환 동작을 수행할 수 있다. 상기 제2 보정 값은 딥-러닝을 기반으로 학습을 통해 부분 영역에 대해 통계 정보를 추출하고, 상기 추출한 통계 정보를 사용하여 부분 영역에 대한 특정 화질을 얻기 위하여 생성될 수 있다. 상기 동작 523에 따른 전자 장치(101)의 이미지 처리로 인하여 1차 이미지 변환된 전체 영역 중 부분 영역에 대한 세밀한 화질 조정이 이루어질 수 있다. 동작 540에서 상기 부분 영역에 대한 세밀한 화질 조정이 이루어진 이미지는 최종 이미지로 출력될 수 있다.
일 실시 예에 따른 동작 530에서 전자 장치(101)는 전체 영역 및 부분 영역에 대한 화질이 조정된 변환 이미지에 대한 후 처리 동작을 추가로 수행할 수 있다. 상기 후 처리 동작은 변환 이미지의 화질을 사용자가 원하는 화질 및 딥-러닝에 따른 통계 정보를 고려하여 추가로 화질 보정을 위한 처리를 수행하는 동작이 될 수 있다. 일 실시 예에 따르면, 동작 523과 동작 530은 부분 영역에 대한 세밀한 화질 보정을 위한 하나의 후 처리 동작으로 수행될 수 있다.
도 6은 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 이미지의 화질을 조정하기 위해 수행하는 제어 흐름의 다른 예를 도시한 도면이다.
도 6을 참조하면, 일 실시 예에 따른 동작 610에서 전자 장치(101)(예: 도 1에서의 전자 장치(101))는 제1 입력 이미지과 인덱스 값을 입력 받을 수 있다. 상기 제1 입력 이미지는, 예를 들어, 미리 보기 경로를 통해 현상된 이미지(예: 썸네일 이미지 또는 프리뷰 이미지) 또는 캡쳐 경로를 통해 현상된 이미지 중 하나일 수 있다.
일 실시 예에 따른 동작 620에서 전자 장치(101)는 제1 이미지 및 인덱스 값에 의한 제1 보정 값을 설정할 수 있다. 상기 전자 장치(101)는, 예를 들어, 복수의 기본 화질들 중 하나의 기본 화질을 지시하는 인덱스 값에 의해 제1 보정 값을 설정할 수 있다. 상기 전자 장치(101)는 복수의 기본 화질들에 대응한 보정 값들(예: 화이트밸런스 이득 값 및/또는 노출 값)을 미리 설정하고, 제공받은 인덱스 값에 이용하여 상기 미리 설정된 보정 값들 중 하나의 보정 값을 사용할 수 있다. 상기 전자 장치(101)는 사용자에 의해 선택된 기본 화질을 얻기 위한 화이트밸런스 이득 값 및/또는 노출 값으로 제1 보정 값을 설정할 수 있다.
일 실시 예에 따른 동작 630에서 전자 장치(101)는 제1 보정 값을 사용하여 제1 이미지의 전체 영역에 대한 화질을 조정할 수 있다. 상기 제1 보정 값은 색의 3대 속성(예: 색상, 채도, 명도)을 결정 또는 변경 또는 조정할 수 있는 값이 될 수 있다. 상기 제1 보정 값은, 예를 들어, 색상을 보정하기 위한 보정 값(예: 화이트 밸런스 이득 값(WB_gain), HSV(색상(H) 값, 채도(S) 값, 명도(V)) 값), 명도를 보정하기 위한 보정 값(예: 노출 값(EV)), 채도를 보정하기 위한 보정 값(예: 화이트 밸런스 이득 값(WB_gain), 노출 값(EV) 또는 HSV) 또는 두 개의 보정 값들의 조합을 포함할 수 있다.
일 실시 예에 따른 동작 640에서 전자 장치(101)는 딥-러닝을 기반으로 하는 학습 동작을 수행하여 전체 화질이 조정된 이미지 또는 제1 이미지에서 파싱 맵을 결정하고, 상기 파싱 맵을 기반으로 상기 조정된 이미지 또는 제1 이미지에 포함된 여러 영역들 중 부분 영역(예: 피부 영역)의 통계 정보를 생성할 수 있다. 상기 통계 정보는, 예를 들어, 부분 영역(예: 피부 영역)의 HSV와 밝기 정보를 포함할 수 있다. 상기 통계 정보는, 예를 들어, 부분 영역에 대한 히스토그램(histogram) 또는 전체 영역에서 부분 영역의 비율(예: 이미지에서 피부 영역이 차지하는 비율) 중 적어도 하나의 정보를 더 포함할 수 있다.
일 실시 예에 따른 동작 650에서 제2 이미지(1차 이미지 처리가 수행된 이미지)가 입력되면, 동작 660에서 전자 장치(101)는 통계 정보를 사용하여 획득한 제2 보정 값을 사용하여 제1 보정 값에 의해 전체 영역의 화질이 조정된 제2 이미지의 부분 영역에 대한 세밀한 화질 조정을 수행하는 2차 이미지 처리를 수행할 수 있다. 동작 680에서 전자 장치(101)는 2차 이미지 처리가 수행된 이미지를 최종 이미지로 출력할 수 있다.
일 실시 예에 따른 동작 670에서 전자 장치(101)는 전체 영역 및 부분 영역에 대한 화질이 조정된 변환 이미지에 대한 후 처리 동작을 수행할 수 있다. 상기 후 처리 동작은 변환 이미지의 화질을 사용자가 원하는 화질 및 딥-러닝에 따른 통계 정보를 고려하여 추가로 화질 보정을 위한 처리를 수행하는 동작이 될 수 있다. 동작 680에서 전자 장치(101)는 후 처리가 이루어진 최종 이미지를 출력될 수 있다. 일 실시 예에 따르면, 동작 660과 동작 670은 부분 영역에 대한 세밀한 화질 보정을 위한 하나의 후 처리 동작으로 수행될 수 있다.
도 10은 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 부분 영역에 대한 화질 보정을 수행하는 후 처리 동작의 예를 도시한 도면이다.
도 10을 참조하면, (a)에 도시된 바와 같이 사람들의 모든 피부 톤을 일률적인 기준(예, 동일한 색상(H) 보정 값과 채도(S) 보정 값)으로 조정하는 경우, 서로 다른 피부 톤과 밝기 등을 갖는 피부 톤을 지시하는 값들(1011, 1013, 1015, 1017, 1019)이 동일하게 조정될 것이다. 이 경우, 예를 들어, 좀더 밝고 붉은 색을 갖도록 하는 일률적인 기준을 사용하여 모든 피부 톤을 동일하게 조정하면, 노란 톤의 피부는 조금 붉게 조정되지만, 붉은 톤의 피부는 더 붉게 조정될 것이다. 또한 밝은 톤의 피부는 지나치게 밝아 질 수 있다. 이러한 이유로, 피부 톤의 다양성과 특수성을 고려하여 적응적으로 피부 톤을 조정할 필요가 있다.
일 실시 예에 따르면, 휴먼 파싱 엔진에서 피부 영역의 HSV 평균 값을 추출하고, 상기 추출한 HSV 평균 값을 후 처리 모듈(예: post processor)로 제공할 수 있다. 상기 후 처리 모듈은 휴먼 파싱 엔진에서 제공해 주는 피부 영역 별 HSV 평균 값을 사용하여 상이한 피부 톤을 균일한 피부 톤으로 보일 수 있도록 후 처리 동작을 수행할 수 있다.
예컨대, (b)에 도시된 바와 같이 사람들의 피부 톤을 독립적인 기준으로 조정하는 경우, 서로 다른 피부 톤과 밝기 등을 갖는 피부 톤을 지시하는 값들(1021, 1023, 1025, 1027, 1029) 각각에 대하여 고유한 값에 의한 조정이 이루어질 수 있도록 할 수 있다. 예컨대, 각 피부 톤으로부터 추출한 HSV 평균 값(1021, 1023, 1025, 1027, 1029)이 타겟 HSV 값(1030)으로 보정될 수 있도록, 고유하게 마련된 보정 값을 적용하여 피부 톤을 조정할 수 있다. 이 경우, 예를 들어, 밝은 붉은색의 피부 톤은 기준 톤 및 밝기와 유사하므로 그대로 유지하고, 어둡고 노란색의 피부 톤은 기준 톤 및 밝기와 유사해질 수 있도록 많은 조정을 가할 수 있다.
도 11은 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 피부 톤에 상응한 HSV 값을 획득하는 일 예를 도시한 도면이다.
도 11에서는 대상 이미지(1100)의 부분 영역(1110)에 포함된 피부 톤에 상응한 RGB 성분은 HSV 색 공간(1120)의 특정 좌표(1130)에 해당하는 HSV로 매핑될 수 있다. 상기 HSV 색 공간(1120)에서 원의 회전 방향이 생상(H)를 지시하고, 원뿔의 중심에서 외곽 방향이 채도(S)를 지시하며, 상하 방향이 명도(V)를 지시한다.
하기 <수학식 1>은 RGB 성분을 HSV로 변환하는 하나의 예를 보이고 있다.
Figure pat00001
일 실시 예에 따르면, 휴먼 파싱 엔진에 의해 대상 이미지(1100)에서 계산된 결과 값(skin seg에서 뽑은 HSV)은 HSV 색 공간(1120)에서 색상 중심 값(H_Center Position), 채도 중심 값(S_Center Position), 명도 중심 값(V_Center Position)으로 사용할 수 있다. 이 경우, 피부 주변(skin boundary)을 따로 설정하지 않아도 될 뿐만 아니라, 화면에 맞는 정확한 피부 톤을 찾을 수 있으므로, 피부 주변을 좁게 사용할 수 있다.
도 12는 본 개시에서 제안된 다양한 실시 예들에 따른, 전자 장치(101)에서 피부 톤 변경에 관한 실제 구현 예를 도시한 도면이다.
도 12를 참조하면, 일 실시 예에 따른 후 처리 블록(1210)(예: 도 3의 후 처리 모듈(340) 또는 도 4의 후 처리 모듈(440))이 피부 영역의 HSV 평균 값(1201)과 참조 값(예: 밝기 값(brightness value, BV)(1203), CCT(1205), 다이나믹 레인지 컨트롤(dynamic range control, DRC)(1207))을 입력으로 하여 원하는 피부 톤을 얻기 위한 보정 값을 지시할 수 있다.
일 실시 예에 따르면, 동작 1213에서 후 처리 블록(1210)은 피부 영역의 HSV 평균 값(1201)과 BV(1203)를 입력으로 하여 해당 피부가 검은 톤에 해당하는 지를 분석할 수 있다. 상기 후 처리 블록(1210)은, 예를 들어, 검은 톤의 피부를 판단하기 위한 임계 값을 마련하고, 피부 영역의 HSV 평균 값(1201)과 BV(1203)를 기초로 계산된 임의의 값이 상기 임계 값을 만족하는 경우에 해당 피부 톤이 검은 톤인 것으로 판단할 수 있다. 상기 1213에서는 부분 영역에서의 피부 색이 검은 톤임을 예측할 수 있도록, 블랙 톤 비율 값(black tone ratio value)을 출력할 수 있다.
일 실시 예에 따르면, 동작 1215에서 후 처리 블록(1210)은 해당 피부 톤이 검은 톤임을 예측하도록 하는 블랙 톤 비율 값, CCT(1205) 및 DRC(1207)를 입력으로 하여 부분 영역에서의 피부에 대한 타겟 HSV를 결정할 수 있다. 상기 타겟 HSV는, 예를 들어, 부분 영역의 피부에 대하여 표현하고자 하는 화질을 지시할 수 있다.
일 실시 예에 따르면, 동작 1211에서 후 처리 블록(1210)은 피부 영역의 HSV평균 값(1201)과 타겟 HSV를 입력으로 하여 상기 HSV평균 값(1201)과 상기 타겟 HSV의 차이 값을 계산할 수 있다. 상기 차이 값에 관한 정보는, 예를 들어, LocalTM PCC 블록(1220)으로 전달될 수 있다. 이에 응답하여 LocalTM PCC 블록(1220)은 HSV평균 값(1201)과 타겟 HSV의 차이 값을 고려하여 부분 영역에서의 피부 톤을 원하는 화질로 보정할 수 있다. 상기 원하는 화질은, 예를 들어, 타겟 HSV를 갖는 피부 톤이 될 수 있다.
다양한 실시 예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는, 메모리; 카메라; 및 상기 메모리 또는 상기 카메라와 전기적으로 결합하여 상기 카메라로부터 제공된 이미지(bayer image)에 대한 이미지 처리 동작을 수행하는 적어도 하나의 프로세서를 포함하며, 상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가, 선호 화질을 지시하는 인덱스 값에 의해 지정된 제1 보정 값을 사용하여 상기 이미지의 전체 영역에 대한 화질을 조정하도록 하고, 딥-러닝을 기반으로 지정된 제2 보정 값을 사용하여 상기 전체 영역에 대한 화질이 조정된 이미지의 부분 영역에 대한 화질을 조정하도록 하는 인스트럭션들을 저장할 수 있다.
다양한 실시 예들에 따르면, 상기 인스트럭션들은 상기 적어도 하나의 프로세서가, 상기 인덱스 값과 상기 이미지의 전체 영역에 적용할 제1 화이트 밸런스 이득 값 또는 제1 노출 값 중 적어도 하나를 포함하는 상기 제1 보정 값을 획득하도록 하고, 상기 딥-러닝을 기반으로 대상 이미지에 의해 상기 부분 영역에 적용할 화질을 지시하는 상기 제2 보정 값을 획득하도록 하며, 상기 대상 이미지는 상기 이미지 또는 상기 전체 영역에 대한 화질을 조정된 이미지 중 하나일 수 있다.
다양한 실시 예들에 따르면, 상기 인스트럭션들은 상기 적어도 하나의 프로세서가, -러닝을 기반으로 상기 대상 이미지에서 상기 부분 영역을 결정하고, 상기 결정된 부분 영역에 대하여 통계 정보를 계산하며, 상기 계산된 통계 정보에 의해 상기 제2 보정 값을 획득하도록 할 수 있다.
다양한 실시 예들에 따르면, 상기 통계 정보는 상기 결정된 부분 영역의 이미지에 상응한 색상(H), 채도(S), 명도(V) 또는 밝기 값 중 적어도 하나를 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 인스트럭션들은 상기 적어도 하나의 프로세서가, 상기 색상(H), 채도(S), 명도(V) 값의 평균 값을 사용하여 상기 제2 보정 값을 결정하도록 할 수 있다.
다양한 실시 예들에 따르면, 상기 이미지의 처리를 위하여 미리 설정된 복수의 기본 화질들에 의한 이미지들을 표시하도록 동작하는 디스플레이를 더 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 인스트럭션들은 상기 적어도 하나의 프로세서가, 상기 디스플레이에 표시된 상기 이미지들 중 사용자에 의해 선택된 하나의 이미지에 해당하는 화질을 지시하는 상기 인덱스 값을 입력 받도록 할 수 있다.
다양한 실시 예들에 따르면, 상기 이미지는 레드(R)/그린(G)/블루(B)로 이루어진 색 정보를 갖는 이미지이고, 상기 제1 보정 값과 상기 제2 보정 값을 사용하여 화질을 조정한 이미지는 밝기 정보와 색차 정보를 갖는 이미지일 수 있다.
다양한 실시 예들에 따르면, 상기 인스트럭션들은 상기 적어도 하나의 프로세서가, 상기 이미지의 화질을 결정하는 인덱스 값과 상기 이미지의 전체 영역에 적용할 제1 화이트 밸런스 이득 값 또는 제1 노출 값 중 적어도 하나를 포함하는 상기 제1 보정 값을 획득하도록 하고, 상기 제1 보정 값에 포함된 상기 제1 화이트 밸런스 이득 값 또는 상기 제1 노출 값 중 적어도 하나를 사용하여 상기 이미지에 대한 1차 이미지 변환을 수행하도록 하고, 딥-러닝을 기반으로 상기 1차 이미지 변환이 수행된 이미지에서 상기 부분 영역을 결정하고, 상기 결정된 부분 영역의 이미지에 상응한 색상(H), 채도(S), 명도(V) 또는 밝기 값 중 적어도 하나를 포함하는 통계 정보를 계산하며, 상기 계산된 통계 정보에 포함된 상기 색상(H), 채도(S), 명도(V) 값 중 적어도 하나의 평균 값을 기반으로 상기 제2 보정 값을 획득하도록 할 수 있다.
다양한 실시 예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))에서 이미지 처리를 수행하는 방법은, 선호 화질을 지시하는 인덱스 값에 의해 지정된 제1 보정 값을 사용하여 카메라로부터 제공된 이미지(bayer image)의 전체 영역에 대한 화질을 조정하는 동작; 및 딥-러닝을 기반으로 지정된 제2 보정 값을 사용하여 상기 전체 영역에 대한 화질이 조정된 이미지의 부분 영역에 대한 화질을 조정하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 획득하는 동작은, 상기 인덱스 값과 상기 이미지의 전체 영역에 적용할 제1 화이트 밸런스 이득 값 또는 제1 노출 값 중 적어도 하나를 포함하는 상기 제1 보정 값을 획득하는 동작; 및 상기 딥-러닝을 기반으로 대상 이미지에 의해 상기 부분 영역에 적용할 화질을 지시하는 상기 제2 보정 값을 획득하는 동작을 포함하며, 상기 대상 이미지는 상기 이미지 또는 상기 전체 영역에 대한 화질을 조정된 이미지 중 하나일 수 있다.
다양한 실시 예들에 따르면, 상기 제2 보정 값을 획득하는 동작은, 딥-러닝을 기반으로 상기 이미지에서 상기 부분 영역을 결정하고, 상기 결정된 부분 영역에 대하여 통계 정보를 계산하는 동작; 및 상기 계산된 통계 정보에 의해 상기 제2 보정 값을 결정하는 동작을 포함을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 통계 정보는 상기 결정된 부분 영역의 이미지에 상응한 색상(H), 채도(S), 명도(V) 또는 밝기 값 중 적어도 하나를 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 제2 보정 값을 결정하는 동작은, 상기 색상(H), 채도(S), 명도(V) 값의 평균 값을 사용하여 상기 제2 보정 값을 결정하는 동작일 수 있다.
다양한 실시 예들에 따르면, 상기 이미지의 처리를 위하여 미리 설정된 복수의 기본 화질들에 의한 이미지들을 디스플레이를 통해 표시하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 디스플레이에 표시된 상기 이미지들 중 사용자에 의해 선택된 하나의 이미지에 해당하는 화질을 지시하는 상기 인덱스 값을 발생하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 이미지는 레드(R)/그린(G)/블루(B)로 이루어진 색 정보를 갖는 이미지이고, 상기 제1 보정 값과 상기 제2 보정 값을 사용하여 화질을 조정한 이미지는 밝기 정보와 색차 정보를 갖는 이미지일 수 있다.
다양한 실시 예들에 따르면, 상기 획득하는 동작은, 상기 이미지의 화질을 결정하는 인덱스 값과 상기 이미지의 전체 영역에 적용할 제1 화이트 밸런스 이득 값 또는 제1 노출 값 중 적어도 하나를 포함하는 상기 제1 보정 값을 획득하는 동작;
상기 제1 보정 값에 포함된 상기 제1 화이트 밸런스 이득 값 또는 상기 제1 노출 값 중 적어도 하나를 사용하여 상기 이미지에 대한 1차 이미지 변환을 수행하는 동작; 및 딥-러닝을 기반으로 상기 1차 이미지 변환이 수행된 이미지에서 상기 부분 영역을 결정하고, 상기 결정된 부분 영역의 이미지에 상응한 색상(H), 채도(S), 명도(V) 또는 밝기 값 중 적어도 하나를 포함하는 통계 정보를 계산하며, 상기 계산된 통계 정보에 포함된 상기 색상(H), 채도(S), 명도(V) 값 중 적어도 하나의 평균 값을 기반으로 상기 제2 보정 값을 획득하는 동작을 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 노트북, PDA, 휴대용 멀티미디어 장치, 휴대용 의료 기기를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 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, 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나",“ 또는 B 중 적어도 하나”, "A, B 또는 C", "A, B 및 C 중 적어도 하나” 및 “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. "제1", "제2", 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: 제1) 구성요소가 다른(예: 제2) 구성요소에, “기능적으로” 또는 “통신적으로”라는 용어와 함께 또는 이런 용어 없이, “커플드” 또는 “커넥티드”라고 언급된 경우, 그것은 어떤 구성요소가 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제3 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, 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시 예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 적어도 하나의 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'은 저장 매체가 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.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 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: CD-ROM(compact disc read only memory))의 형태로 배포되거나, 또는 애플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 애플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시 예들에 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 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱(heuristic)하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (18)

  1. 전자 장치에 있어서,
    메모리;
    카메라; 및
    상기 메모리 또는 상기 카메라와 전기적으로 결합하여 상기 카메라로부터 제공된 이미지(bayer image)에 대한 이미지 처리 동작을 수행하는 적어도 하나의 프로세서를 포함하며,
    상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
    선호 화질을 지시하는 인덱스 값에 의해 지정된 제1 보정 값을 사용하여 상기 이미지의 전체 영역에 대한 화질을 조정하도록 하고, 딥-러닝을 기반으로 지정된 제2 보정 값을 사용하여 상기 전체 영역에 대한 화질이 조정된 이미지의 부분 영역에 대한 화질을 조정하도록 하는 인스트럭션들을 저장하는, 전자 장치.
  2. 제1항에 있어서,
    상기 인스트럭션들은 상기 적어도 하나의 프로세서가,
    상기 인덱스 값과 상기 이미지의 전체 영역에 적용할 제1 화이트 밸런스 이득 값 또는 제1 노출 값 중 적어도 하나를 포함하는 상기 제1 보정 값을 획득하도록 하고,
    상기 딥-러닝을 기반으로 대상 이미지에 의해 상기 부분 영역에 적용할 화질을 지시하는 상기 제2 보정 값을 획득하도록 하며,
    상기 대상 이미지는 상기 이미지 또는 상기 전체 영역에 대한 화질을 조정된 이미지 중 하나인, 전자 장치.
  3. 제2항에 있어서,
    상기 인스트럭션들은 상기 적어도 하나의 프로세서가,
    딥-러닝을 기반으로 상기 대상 이미지에서 상기 부분 영역을 결정하고, 상기 결정된 부분 영역에 대하여 통계 정보를 계산하며, 상기 계산된 통계 정보에 의해 상기 제2 보정 값을 획득하도록 하는, 전자 장치.
  4. 제3항에 있어서,
    상기 통계 정보는 상기 결정된 부분 영역의 이미지에 상응한 색상(H), 채도(S), 명도(V) 또는 밝기 값 중 적어도 하나를 포함하는, 전자 장치.
  5. 제4항에 있어서,
    상기 인스트럭션들은 상기 적어도 하나의 프로세서가,
    상기 색상(H), 채도(S), 명도(V) 값의 평균 값을 사용하여 상기 제2 보정 값을 결정하도록 하는, 전자 장치.
  6. 제2항에 있어서,
    상기 이미지의 처리를 위하여 미리 설정된 복수의 기본 화질들에 의한 이미지들을 표시하도록 동작하는 디스플레이를 더 포함하는, 전자 장치.
  7. 제6항에 있어서,
    상기 인스트럭션들은 상기 적어도 하나의 프로세서가,
    상기 디스플레이에 표시된 상기 이미지들 중 사용자에 의해 선택된 하나의 이미지에 해당하는 화질을 지시하는 상기 인덱스 값을 입력 받도록 하는, 전자 장치.
  8. 제1항에 있어서,
    상기 이미지는 레드(R)/그린(G)/블루(B)로 이루어진 색 정보를 갖는 이미지이고, 상기 제1 보정 값과 상기 제2 보정 값을 사용하여 화질을 조정한 이미지는 밝기 정보와 색차 정보를 갖는 이미지인, 전자 장치.
  9. 제1항에 있어서,
    상기 인스트럭션들은 상기 적어도 하나의 프로세서가,
    상기 이미지의 화질을 결정하는 인덱스 값과 상기 이미지의 전체 영역에 적용할 제1 화이트 밸런스 이득 값 또는 제1 노출 값 중 적어도 하나를 포함하는 상기 제1 보정 값을 획득하도록 하고,
    상기 제1 보정 값에 포함된 상기 제1 화이트 밸런스 이득 값 또는 상기 제1 노출 값 중 적어도 하나를 사용하여 상기 이미지에 대한 1차 이미지 변환을 수행하도록 하고,
    딥-러닝을 기반으로 상기 1차 이미지 변환이 수행된 이미지에서 상기 부분 영역을 결정하고, 상기 결정된 부분 영역의 이미지에 상응한 색상(H), 채도(S), 명도(V) 또는 밝기 값 중 적어도 하나를 포함하는 통계 정보를 계산하며, 상기 계산된 통계 정보에 포함된 상기 색상(H), 채도(S), 명도(V) 값 중 적어도 하나의 평균 값을 기반으로 상기 제2 보정 값을 획득하도록 하는, 전자 장치.
  10. 전자 장치에서 이미지 처리를 수행하는 방법에 있어서,
    선호 화질을 지시하는 인덱스 값에 의해 지정된 제1 보정 값을 사용하여 카메라로부터 제공된 이미지(bayer image)의 전체 영역에 대한 화질을 조정하는 동작; 및
    딥-러닝을 기반으로 지정된 제2 보정 값을 사용하여 상기 전체 영역에 대한 화질이 조정된 이미지의 부분 영역에 대한 화질을 조정하는 동작을 포함하는, 방법.
  11. 제10항에 있어서,
    상기 획득하는 동작은,
    상기 인덱스 값과 상기 이미지의 전체 영역에 적용할 제1 화이트 밸런스 이득 값 또는 제1 노출 값 중 적어도 하나를 포함하는 상기 제1 보정 값을 획득하는 동작; 및
    상기 딥-러닝을 기반으로 대상 이미지에 의해 상기 부분 영역에 적용할 화질을 지시하는 상기 제2 보정 값을 획득하는 동작을 포함하며,
    상기 대상 이미지는 상기 이미지 또는 상기 전체 영역에 대한 화질을 조정된 이미지 중 하나인, 방법.
  12. 제11항에 있어서,
    상기 제2 보정 값을 획득하는 동작은,
    딥-러닝을 기반으로 상기 대상 이미지에서 상기 부분 영역을 결정하고, 상기 결정된 부분 영역에 대하여 통계 정보를 계산하는 동작; 및
    상기 계산된 통계 정보에 의해 상기 제2 보정 값을 결정하는 동작을 포함하는, 방법.
  13. 제12항에 있어서,
    상기 통계 정보는 상기 결정된 부분 영역의 이미지에 상응한 색상(H), 채도(S), 명도(V) 또는 밝기 값 중 적어도 하나를 포함하는, 방법.
  14. 제13항에 있어서,
    상기 제2 보정 값을 결정하는 동작은,
    상기 색상(H), 채도(S), 명도(V) 값의 평균 값을 사용하여 상기 제2 보정 값을 결정하는 동작인, 방법.
  15. 제11항에 있어서,
    상기 이미지의 처리를 위하여 미리 설정된 복수의 기본 화질들에 의한 이미지들을 디스플레이를 통해 표시하는 동작을 더 포함하는, 방법.
  16. 제15항에 있어서,
    상기 디스플레이에 표시된 상기 이미지들 중 사용자에 의해 선택된 하나의 이미지에 해당하는 화질을 지시하는 상기 인덱스 값을 발생하는 동작을 더 포함하는, 방법.
  17. 제10항에 있어서,
    상기 이미지는 레드(R)/그린(G)/블루(B)로 이루어진 색 정보를 갖는 이미지이고, 상기 제1 보정 값과 상기 제2 보정 값을 사용하여 화질을 조정한 이미지는 밝기 정보와 색차 정보를 갖는 이미지인, 방법.
  18. 제10항에 있어서,
    상기 획득하는 동작은,
    상기 이미지의 화질을 결정하는 인덱스 값과 상기 이미지의 전체 영역에 적용할 제1 화이트 밸런스 이득 값 또는 제1 노출 값 중 적어도 하나를 포함하는 상기 제1 보정 값을 획득하는 동작;
    상기 제1 보정 값에 포함된 상기 제1 화이트 밸런스 이득 값 또는 상기 제1 노출 값 중 적어도 하나를 사용하여 상기 이미지에 대한 1차 이미지 변환을 수행하는 동작; 및
    딥-러닝을 기반으로 상기 1차 이미지 변환이 수행된 이미지에서 상기 부분 영역을 결정하고, 상기 결정된 부분 영역의 이미지에 상응한 색상(H), 채도(S), 명도(V) 또는 밝기 값 중 적어도 하나를 포함하는 통계 정보를 계산하며, 상기 계산된 통계 정보에 포함된 상기 색상(H), 채도(S), 명도(V) 값 중 적어도 하나의 평균 값을 기반으로 상기 제2 보정 값을 획득하는 동작을 포함하는, 방법.
KR1020200016685A 2020-02-11 2020-02-11 화질 조정을 지원하는 전자 장치 및 그 방법 KR20210101999A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200016685A KR20210101999A (ko) 2020-02-11 2020-02-11 화질 조정을 지원하는 전자 장치 및 그 방법
PCT/KR2021/000918 WO2021162274A1 (ko) 2020-02-11 2021-01-22 화질 조정을 지원하는 전자 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200016685A KR20210101999A (ko) 2020-02-11 2020-02-11 화질 조정을 지원하는 전자 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20210101999A true KR20210101999A (ko) 2021-08-19

Family

ID=77292879

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200016685A KR20210101999A (ko) 2020-02-11 2020-02-11 화질 조정을 지원하는 전자 장치 및 그 방법

Country Status (2)

Country Link
KR (1) KR20210101999A (ko)
WO (1) WO2021162274A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8896725B2 (en) * 2007-06-21 2014-11-25 Fotonation Limited Image capture device with contemporaneous reference image capture mechanism
FR3041134B1 (fr) * 2015-09-10 2017-09-29 Parrot Drone avec camera a visee frontale dont les parametres de controle, notamment l'autoexposition, sont rendus independant de l'attitude.
JP6910780B2 (ja) * 2016-09-30 2021-07-28 キヤノン株式会社 画像処理方法、画像処理装置、撮像装置、画像処理プログラム、および、記憶媒体
JP6606530B2 (ja) * 2017-06-20 2019-11-13 キヤノン株式会社 画像処理装置およびその制御方法、撮像装置、監視システム
JP2019040382A (ja) * 2017-08-25 2019-03-14 キヤノン株式会社 画像処理装置

Also Published As

Publication number Publication date
WO2021162274A1 (ko) 2021-08-19

Similar Documents

Publication Publication Date Title
US11461910B2 (en) Electronic device for blurring image obtained by combining plural images based on depth information and method for driving the electronic device
US11558553B2 (en) Electronic device for stabilizing image and method for operating same
KR102386385B1 (ko) 전자 장치 및 전자 장치의 이미지 압축 방법
US11107198B2 (en) Method and apparatus for incorporating noise pattern into image on which bokeh processing has been performed
US20190268536A1 (en) Electronic device and method for correcting image corrected in first image processing scheme in external electronic device in second image processing scheme
US11159739B2 (en) Apparatus and method for generating moving image data including multiple section images in electronic device
US11025890B2 (en) Electronic device and method for acquiring depth information by using at least one of cameras or depth sensor
US20210321069A1 (en) Electronic device which adjusts white balance of image according to attributes of object in image and method for processing image by electronic device
KR102397924B1 (ko) 이미지 보정 방식 및 이미지의 특징 정보에 기반하여 이미지를 보정하는 전자 장치 및 방법
US11144197B2 (en) Electronic device performing function according to gesture input and operation method thereof
US11308593B2 (en) Electronic device for generating composite image and method thereof
US11425300B2 (en) Electronic device and method for processing image by electronic device
US10970587B2 (en) Electronic device for notifying of update of image signal processing and method for operating the same
US20230156349A1 (en) Method for generating image and electronic device therefor
US20220103795A1 (en) Electronic device and method for generating images by performing auto white balance
KR20190010051A (ko) 이미지 데이터 및 이미지 촬영의 제어와 관련된 데이터의 크기에 기반하여, 이미지 데이터 및 이미지 촬영의 제어와 관련된 데이터를 전송하는 방법 및 이를 지원하는 전자 장치
KR20210101999A (ko) 화질 조정을 지원하는 전자 장치 및 그 방법
KR20210151613A (ko) 이미지 처리 장치 및 이미지 처리 방법
US20230396889A1 (en) Image capturing method for electronic device, and electronic device therefor
CN116668838B (zh) 图像处理方法与电子设备
US20230085017A1 (en) Electronic device and method for improving quality of image by using multiple cameras
US20220159168A1 (en) Electronic device for adjusting exposure value of image including face
KR20200118600A (ko) 이미지 프로세싱을 수행하는 전자 장치 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal