KR20220102450A

KR20220102450A - 이미지 필터 효과의 생성 방법 및 그 전자 장치

Info

Publication number: KR20220102450A
Application number: KR1020210004817A
Authority: KR
Inventors: 문승민; 신대규; 임광용; 조정연
Original assignee: 삼성전자주식회사
Priority date: 2021-01-13
Filing date: 2021-01-13
Publication date: 2022-07-20
Also published as: WO2022154410A1

Abstract

본 문서에 개시되는 일 실시 예에 따른 전자 장치는 카메라, 디스플레이, 적어도 하나의 메모리, 및 상기 카메라, 상기 디스플레이, 및 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 소스 이미지를 선택하는 입력을 획득하고, 상기 선택된 소스 이미지로부터 상기 소스 이미지에 포함된 각 픽셀의 컬러 값에 의존적인 제1 필터 데이터 및 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터를 추출할 수 있다. 상기 적어도 하나의 프로세서는 상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리에 저장하고, 대상 이미지(target image)에 상기 이미지 필터를 적용하는 입력을 획득할 수 있다. 상기 적어도 하나의 프로세서는 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 상기 디스플레이를 통해 출력할 수 있다. 이 외에도 명세서를 통해 파악되는 다양한 실시 예가 가능하다.

Description

이미지 필터 효과의 생성 방법 및 그 전자 장치{METHOD FOR GENERATING IMAGE FILTER EFFECT AND ELECTRONIC DEVICE THEREOF}

본 문서에서 개시되는 실시 예들은 이미지 필터 효과를 추출하여 생성하는 방법 및 그 전자 장치에 관한 것이다.

사진을 편집할 수 있는 다양한 기능들 중 필터 기능은 사진에 다양한 효과를 적용하여 특별한 느낌의 사진을 만들 수 있는 기능이다. 하나의 사진에 대해 하나의 필터 기능이 선택되면, 사진 전체에 선택된 필터 기능에 대응되는 동일한 효과가 적용되고 있다. 사용자는 전자 장치에 저장되어 있는 필터 효과를 선택하여 원하는 이미지에 저장된 필터 효과를 적용할 수 있다.

또한, 전자 장치에 저장되어 있지 않지만 사용자가 선택한 사진에 포함되어 있는 필터 효과를 적용하고 싶은 경우에는 소스 이미지(source image)로부터 필터 효과를 추출하여 저장하여 사용할 수 있다. 일반적으로, 소스 이미지로부터 색상 효과를 유추하고 이를 룩업 테이블(LUT, lookup table) 형태로 저장하여 필요시 대상 이미지(target image)에 적용하였다.

소스 이미지로부터 색상 효과를 추출하여 적용하기 위해서는 룩업 테이블(LUT, lookup table)을 생성할 수 있다. 다만, 소스 이미지에는 색상 효과 뿐만 아니라, 그 외의 다양한 필터 효과가 포함될 수 있고, 이미지 필터에 대한 사용자의 니즈는 상황에 따라 달라질 수 있다.

상기 룩업 테이블 방식은 이미지의 픽셀 위치에 상관없이 픽셀 값만 같으면 동일한 색상으로 맵핑되므로, 픽셀의 위치에 따라 밝기가 달라지는 비네팅(vignetting) 효과를 추출하기 어렵다. 또한, 소스 이미지의 그레인(grain) 효과 또는 노이즈 효과를 추출하고 싶은 경우에도 이를 필터 효과로 간주하지 않아 추출할 수 없었다. 따라서, 소스 이미지로부터 색상 효과만을 추출하는 것은 사용자의 만족을 충족시켜줄 수 없다.

본 개시의 다양한 실시 예는 소스 이미지(source image)의 색상 효과 뿐 아니라, 비네팅 효과 및/또는 그레인 효과를 추출하여 필터 효과를 생성한 후, 이를 대상 이미지(target image)에 적용하는 방법 및 그 전자 장치를 제공할 수 있다.

본 문서에 개시되는 일 실시 예에 따른 전자 장치는 카메라, 디스플레이, 적어도 하나의 메모리, 및 상기 카메라, 상기 디스플레이, 및 상기 적어도 하나의 메모리와 작동적으로(operatively) 연결되는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 소스 이미지를 선택하는 입력을 획득하고, 상기 선택된 소스 이미지로부터 상기 소스 이미지에 포함된 각 픽셀의 컬러 값에 의존적인 제1 필터 데이터 및 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터를 추출할 수 있다. 상기 적어도 하나의 프로세서는 상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리에 저장하고, 대상 이미지(target image)에 상기 이미지 필터를 적용하는 입력을 획득할 수 있다. 상기 적어도 하나의 프로세서는 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 상기 디스플레이를 통해 출력할 수 있다.

본 문서에 개시되는 일 실시 예에서, 전자 장치의 동작 방법은 소스 이미지를 선택하는 입력을 획득하는 동작, 상기 선택된 소스 이미지로부터 상기 소스 이미지에 포함된 각 픽셀의 컬러 값에 의존적인 제1 필터 데이터 및 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터를 추출하는 동작, 상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 적어도 하나의 메모리에 저장하는 동작, 대상 이미지(target image)에 상기 이미지 필터를 적용하는 입력을 획득하는 동작, 및 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 디스플레이를 통해 출력하는 동작을 포함할 수 있다.

본 문서에 개시되는 일 실시 예에서, 전자 장치는 카메라, 디스플레이, 상기 적어도 하나의 메모리, 및 상기 카메라, 상기 디스플레이, 및 상기 적어도 하나의 메모리와 작동적으로(operatively) 연결되는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 적어도 두 개 이상의 필터 데이터를 포함하는 제1 이미지를 선택하는 입력을 획득하고, 상기 선택된 제1 이미지로부터 이미지의 중심으로부터의 픽셀 거리에 의존적인 제1 필터 데이터 및 이미지의 패턴에 의존적인 제2 필터 데이터를 추출할 수 있다. 상기 적어도 하나의 프로세서는 상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리에 저장하고, 대상 이미지(target image)에 상기 이미지 필터를 적용하는 입력을 획득하고, 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 제1 필터 데이터 및 상기 제2 필터 데이터가 적용된 결과 이미지를 출력할 수 있다.

본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자가 관심 있는 필터 효과를 추출할 수 있다.

또한, 다양한 실시 예에 따르면, 사용자가 원하는 필터 효과를 추출하여 사용할 수 있으므로 사용자의 사용성을 증가시킬 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 실시 예에 따른 전자 장치에서 이미지 필터를 추출하여 적용하는 기능을 제어하는 개념을 나타낸다.
도 3은 일 실시 예에 따른 전자 장치에서, 소스 이미지(source image)로부터 필터 효과를 추출하여 대상 이미지(target image)에 상기 추출한 필터 효과를 적용하는 것을 나타낸 도면이다.
도 4는 일 실시 예에 따른 전자 장치에서, 소스 이미지로부터 필터 효과를 추출하기 위해 신경망 학습을 수행하는 동작을 나타낸 도면이다.
도 5는 일 실시 예에 따른 전자 장치에서, 추출된 데이터에 기반하여 비네팅 마스크를 생성하는 동작을 나타낸다.
도 6은 일 실시 예에 따른 전자 장치에서, 추출된 데이터에 기반하여 비네팅 마스크를 생성하는 동작을 나타낸 흐름도이다.
도 7은 일 실시 예에 따른 전자 장치에서, 필터 효과를 추출하여 저장하는 동작을 나타낸 도면이다.
도 8은 일 실시 예에 따른 전자 장치에서 메모리에 저장된 데이터에 기반하여 대상 이미지에 이미지 필터를 적용하는 것을 나타낸 도면이다.
도 9는 일 실시 예에 따른 전자 장치에서, 소스 이미지로부터 필터 효과를 추출하고, 추출된 필터 효과를 대상 이미지에 적용하는 동작을 나타낸 도면이다.
도 10은 일 실시 예에 따른 전자 장치에서, 소스 이미지로부터 필터 효과를 추출하고, 추출된 필터 효과를 대상 이미지에 적용하는 동작을 나타낸 도면이다.

이하, 본 문서의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서를 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.

도 1은 다양한 실시 예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 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 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 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: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 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. 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 저장하고, 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) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 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: 디스플레이 모듈(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 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 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), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 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 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

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

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 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 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(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, 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. 일 실시 예에 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. 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 구성요소에 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 제1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 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 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시 예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 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 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제1 네트워크(198) 또는 제2 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 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시 예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시 예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 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.

일 실시 예에 따르면, 명령 또는 데이터는 제2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 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 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 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 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 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, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시 예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시 예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

도 2는 일 실시 예에 따른 전자 장치에서 이미지 필터를 추출하여 적용하는 기능을 제어하는 개념을 나타낸다.

도 2의 설명에 있어서, 도 1에서 설명된 구성 및/또는 기능은 간략하게 설명되거나 설명이 생략될 수 있다. 일 실시 예에서, 프로세서(예: 도 1의 프로세서(120))(210), 카메라(예: 도 1의 카메라 모듈(180))(220), 디스플레이(예: 도 1의 디스플레이 모듈(160))(230), 및/또는 메모리(예: 도 1의 메모리(130))(240)를 포함할 수 있다.

도 2를 참조하면, 전자 장치(101)는 이미지 필터와 관련된 기능들을 지원하기 위해 하드웨어 및/또는 소프트웨어 모듈을 이용할 수 있다. 예를 들어, 프로세서(210)는 메모리(240)에 저장된 명령어들을 실행함으로써 필터 추출 모듈(211), 필터 생성 모듈(213), 및 필터 적용 모듈(215)을 구동할 수 있다. 일 실시 예에서, 도 2에 도시된 것과 다른 소프트웨어 모듈이 구현될 수 있다. 예를 들어, 적어도 2개의 모듈이 하나의 모듈로 통합되거나, 하나의 모듈이 2개 이상의 모듈로 분할될 수 있다. 또한 하드웨어와 소프트웨어 모듈이 하나의 기능을 분담함으로써 작업 성능을 개선시킬 수 있다.

일 실시 예에서, 필터 추출 모듈(211)은 전자 장치(101)가 획득한 이미지 및/또는 전자 장치(101)에 저장된 이미지로부터 이미지 필터와 관련된 데이터를 추출할 수 있다. 필터 추출 모듈(211)은 선택된 소스 이미지에 대하여 머신 러닝 또는 딥 러닝 중 적어도 하나를 통해 이미지 필터와 관련된 데이터를 추출할 수 있다.

일 실시 예에서, 필터 생성 모듈(213)은 상기 추출한 데이터에 기반하여 상기 데이터와 관련된 이미지 필터를 생성할 수 있다. 예를 들어, 필터 생성 모듈(213)은 필터 추출 모듈(211)에서 추출한 데이터(예: 색상 데이터)에 기반하여 이미지 필터(예: 색상 필터)를 생성할 수 있다. 필터 생성 모듈(213)은 생성된 이미지 필터를 메모리(240)에 전달할 수 있다.

일 실시 예에서, 필터 적용 모듈(215)은 정해진 대상 이미지에 전자 장치(101)에 저장된 이미지 필터를 적용할 수 있다. 필터 적용 모듈(215)은 선택된 대상 이미지(target image)에 메모리(240)에 저장된 상기 이미지 필터를 적용할 수 있다. 필터 적용 모듈(215)은 사용자의 입력에 응답하여 적용할 이미지 필터를 결정할 수 있다. 일 실시 예에서, 상기 사용자의 입력은 적어도 디스플레이 터치를 통한 사용자의 입력 및/또는 버튼 입력을 통한 사용자 입력을 포함할 수 있다. 상기 버튼 입력은 물리적 버튼 및/또는 가상의 버튼을 포함할 수 있다.

일 실시 예에서, 프로세서(210)는 카메라(220)를 통해 획득한 이미지를 디스플레이(230)를 통해 프리뷰 이미지를 표시할 수 있다. 필터 적용 모듈(215)은 상기 프리뷰 이미지에 상기 이미지 필터를 적용할 수 있다. 프로세서(210)는 상기 프리뷰 이미지에 이미지 필터가 적용된 결과 이미지를 디스플레이(230)의 일 부분을 통해 출력할 수 있다.

도 3은 일 실시 예에 따른 전자 장치에서, 소스 이미지(source image)(310)로부터 필터 효과를 추출하여 대상 이미지(target image)(330)에 상기 추출한 필터 효과를 적용하는 것을 나타낸 도면이다. 소스 이미지(310)는 전자 장치(101)의 사용자가 원하는 필터 효과를 포함하고 있는 이미지로 이해될 수 있다. 소스 이미지(310)는 전자 장치(101)에 저장되어 있거나 카메라(220)를 통해 촬영한 이미지일 수 있다. 또는 소스 이미지(310)는 외부 전자 장치 및/또는 서버로부터 전송된 이미지일 수 있다. 소스 이미지(310)는 도 10의 제1 이미지에 대응될 수 있다.

일 실시 예에서, 전자 장치(101)는 필터 효과를 추출할 소스 이미지(source image)(310)를 결정할 수 있다. 전자 장치(101)는 사용자의 선택에 기반하여 복수 개의 소스 이미지(310)를 결정할 수 있다. 예를 들어, 전자 장치(101)는 두 개의 소스 이미지(310)를 선택하는 사용자의 입력에 응답하여, 두 개의 소스 이미지(310)를 결정할 수 있다. 전자 장치(101)는 두 개의 소스 이미지에 대하여 참조 번호 321 내지 325를 수행할 수 있다.

일 실시 예에서, 참조 번호 321를 참조하면, 전자 장치(101)는 소스 이미지(310)로부터 색상 정보를 획득할 수 있다. 전자 장치(101)는 상기 획득한 색상 정보를 통해 소스 이미지(310)의 R(red), G(green), 및 B(blue) 각각에 대한 컬러 룩업 테이블을 생성할 수 있다. 전자 장치(101)는 소스 이미지(310)로부터 획득한 색상 정보를 룩업 테이블 형태로 저장할 수 있다. 전자 장치(101)는 룩업 테이블 형태로 저장된 소스 이미지(310)의 색상 정보를 필터 효과로써 대상 이미지(330)에 적용할 수 있다.

일 실시 예에서, 참조 번호 323을 참조하면, 전자 장치(101)는 소스 이미지(310)로부터 비네팅(vignetting) 효과를 획득할 수 있다. 전자 장치(101)는 소스 이미지(310)를 분석하여 비네팅(vignetting) 효과가 있는지 판단할 수 있다. 전자 장치(101)는 딥러닝 및/또는 머신 러닝을 통해 소스 이미지(310)에 비네팅 효과가 있는지 판단할 수 있다. 전자 장치(101)는 소스 이미지(310)에 포함된 비네팅 효과를 추출하여 검출기를 통해 비네팅 데이터를 출력할 수 있다. 전자 장치(101)는 상기 비네팅 데이터에 기반하여 비네팅 마스크를 생성할 수 있다.

일 실시 예에서, 참조 번호 325를 참조하면, 전자 장치(101)는 소스 이미지(310)로부터 그레인(grain) 효과를 추출할 수 있다. 전자 장치(101)는 소스 이미지(310)를 분석하여 소스 이미지(310)에 노이즈 효과가 포함되어 있는지 확인할 수 있다. 전자 장치(101)는 소스 이미지(310)에 노이즈 효과가 포함되어 있는 경우, 전자 장치(101)에 미리 저장된 그레인 패턴 이미지에 기반하여 대상 이미지(330)에 그레인 효과를 적용할 수 있다.

일 실시 예에서, 전자 장치(101)는 복수 개의 소스 이미지로부터 복수 개의 이미지 필터를 생성할 수 있다. 예를 들어, 전자 장치(101)는 제1 소스 이미지에 기반하여 제1 이미지 필터를 생성할 수 있고 제2 소스 이미지에 기반하여 제2 이미지 필터를 생성할 수 있다.

일 실시 예에서, 전자 장치(101)는 소스 이미지(310)로부터 추출한 필터 효과를 대상 이미지(target image)(330)에 적용할 수 있다. 대상 이미지(330)는 이미지 필터 효과를 적용할 원본 이미지(original image)로 지칭될 수 있다. 일 실시 예에서, 전자 장치(101)는 룩업 테이블 형태로 저장되어 있는 색상 정보에 기반하여 대상 이미지(330)에 컬러 효과를 적용할 수 있다. 일 실시 예에서, 전자 장치(101)는 상기 생성된 비네팅 마스크를 대상 이미지(330)에 맵핑하여 비네팅 효과를 적용할 수 있다. 일 실시 예에서, 전자 장치(101)는 그레인 패턴 이미지를 대상 이미지(330)에 맵핑하여 그레인 효과를 적용할 수 있다.

도 4는 일 실시 예에 따른 전자 장치에서, 소스 이미지(410)로부터 필터 효과(예: vignetting)를 추출하기 위해 신경망 학습(network training)을 수행하는 동작을 나타낸 도면이다. 도 4의 소스 이미지(410)는 도 3의 소스 이미지(310)와 대응될 수 있다.

일 실시 예에서, 프로세서(210)는 소스 이미지(410)에 포함된 비네팅(vignetting) 데이터를 추출할 수 있다. 프로세서(210)는 검출기(detector)(430)를 통해서 복수 개의 파라미터(440)를 출력할 수 있다. 프로세서(210)는 복수 개의 파라미터(440)에 기반하여 마스크 데이터(450)를 생성할 수 있다. 프로세서(210)는 생성된 마스크 데이터(450)에 기반하여 비네팅 마스크(vignetting mask)(예: 이하 도 5의 마스크(540))를 생성할 수 있다. 상기 비네팅 마스크를 생성하는 동작은 이하 도 5에서 자세하게 설명될 수 있다.

일 실시 예에서, 프로세서(210)는 비네팅 효과를 정확하게 추출하기 위하여, 단순히 비네팅 효과의 유무나 강도를 추출하지 않고, 비네팅 마스크가 가질 수 있는 일반적인 형태를 추출할 수 있다. 일 실시 예에서, 프로세서(210)는 신경망 학습(network training)을 통해 소스 이미지(410)로부터 추출한 비네팅 데이터(420)와 생성된 비네팅 데이터(예: 마스크 데이터(450))를 비교할 수 있다. 프로세서(210)는 상기 추출한 비네팅 데이터(420)와 상기 생성된 비네팅 데이터(예: 마스크 데이터(450))를 비교하여 그 차이 L1을 확인할 수 있다. 프로세서(210)는 추출된 데이터와 생성된 데이터를 복수 번의 학습(예: 신경망 학습)을 통해 상기 차이 L1을 줄일 수 있다.

도 5는 일 실시 예에 따른 전자 장치에서, 추출된 데이터에 기반하여 비네팅 마스크를 생성하는 동작을 나타낸다. 도 5는 이하 도 6의 설명과 대응되며, 도 6의 설명을 돕기 위하여 도시된 도면일 수 있다.

도 6은 일 실시 예에 따른 전자 장치에서, 추출된 데이터에 기반하여 비네팅 마스크를 생성하는 동작을 나타낸 흐름도이다.

일 실시 예에 따른 동작 610에서, 프로세서(210)는 소스 이미지로부터 비네팅 효과를 검출하여 복수 개의 파라미터를 출력할 수 있다. 프로세서(210)는 검출기(예: 도 4의 검출기(430))를 통해 복수 개의 파라미터(510)를 획득할 수 있다. 상기 복수 개의 파라미터(510)는 비네팅 효과를 표현할 수 있는 임의로 값으로 구성될 수 있다. 예를 들어, 상기 복수 개의 파라미터(510)에 대한 값 또는 함수는 {1.35, -14.62, 2.83, 2.23, 1.49, -0.06, -1.73, -2.25}일 수 있다. 일 실시 예에서, 추출된 상기 복수 개의 파라미터(510)는 미분 가능한 값일 수 있다.

일 실시 예에 따른 동작 620에서, 프로세서(210)는 출력된 복수 개의 파라미터(510)를 일련의 연산 과정을 통해 밝기와 관련된 데이터로 변환할 수 있다. 상기 일련의 연산 과정을 통해 출력되는 데이터는 미분 가능한 값일 수 있다.

일 실시 예에서, 프로세서(210)는 제1 연산(예: softmax 연산)을 통해 각 파라미터에 대한 값들의 합이 1이 되도록 정규화 할 수 있다. 예를 들어, 프로세서(210)는 상기 값 {1.35, -14.62, 2.83, 2.23, 1.49, -0.06, -1.73, -2.25}을 softmax 연산을 통해 {0.11, 0.00, 0.48, 0.27, 0.12, 0.02, 0.00, 0.00}로 변환할 수 있다.

일 실시 예에서, 프로세서(210)는 상기 변환된 값을 첫 번째 값부터 차례로 더할 수 있다. 예를 들어, 프로세서(210)는 상기 값 {0.11, 0.00, 0.48, 0.27, 0.12, 0.02, 0.00, 0.00}을 누적 합(cumulative sum)을 하여 {0.11, 0.11, 0.59, 0.86, 0.98, 1.00, 1.00, 1.00}로 계산할 수 있다.

일 실시 예에서, 프로세서(210)는 상기 누적 합을 통해 도출된 값들을 각각 1에서 빼어 {0.89, 0.89, 0.41, 0.14, 0.02, 0.00, 0.00, 0.00}을 도출할 수 있다.

일 실시 예에 따른 동작 630에서, 프로세서(210)는 보간법을 이용하여 상기 복수 개의 파라미터(510)로부터 획득되지 않은 데이터를 추정할 수 있다. 프로세서(210)는 상기 복수 개의 파라미터로부터 획득된 {0.89, 0.89, 0.41, 0.14, 0.02, 0.00, 0.00, 0.00} 데이터 외에 {0.89, 0.89, 0.41, 0.14, 0.02, 0.00, 0.00, 0.00} 사이 보간된 데이터를 추정하여 비네팅 마스크(540)를 구성하는 데이터(520)를 생성할 수 있다. 상기 데이터(520)에 포함된 값들은 밝기 값에 대응될 수 있다. 예를 들면, 상기 데이터(520)에 포함된 값이 1에 가까울수록 흰색에 가깝고, 0에 가까울수록 검정색에 가까울 수 있다.

일 실시 예에 따른 동작 640에서, 프로세서(210)는 밝기와 관련된 데이터를 이미지(530) 중심으로부터의 거리에 맵핑하여 비네팅 마스크를 생성할 수 있다. 프로세서(210)는 각 픽셀에 대해 이미지(530) 중심으로부터의 거리 r을 구하고, 상기 거리 r에 기반하여 이미지의 각 픽셀에 대한 밝기 값을 정할 수 있다. 프로세서(210)는 상기 복수 개의 파라미터(510)로부터 획득한 데이터 및 상기 보간된 데이터에 기반하여 중심에서부터 원형으로 점점 어두워지는 마스크 데이터를 획득할 수 있다. 다시 말해서, 각 픽셀이 이미지의 중앙으로부터 가지는 거리 r에 따라 밝기가 결정되고, 거리가 멀어질수록 점점 어두워질 수 있다. 상기 비네팅 마스크(540)는 마스크 데이터, 또는 비네팅 데이터로 지칭될 수 있다.

도 7은 일 실시 예에 따른 전자 장치에서, 필터 효과를 추출하여 저장하는 동작을 나타낸 도면이다.

일 실시 예에서, 참조 번호 720을 참조하면, 전자 장치(101)는 비네팅(vignetting) 효과를 추출할 수 있다. 이는 도 3 및 도 4에서 설명된 것과 대응될 수 있다. 일 실시 예에서, 참조 번호 740을 참조하면, 전자 장치(101)는 추출한 비네팅 데이터에 기반하여 비네팅 마스크를 생성할 수 있다. 이는 도 5에서 설명된 것과 대응될 수 있다.

일 실시 예에서, 참조 번호 730을 참조하면, 전자 장치(101)는 그레인(grain) 효과를 추출할 수 있다. 다시 말해서, 전자 장치(101)는 소스 이미지(710)를 분석하여 소스 이미지(710) 내에 그레인 효과가 있는지 확인할 수 있다. 전자 장치(101)는 딥러닝 및/또는 머신 러닝에 기반하여 소스 이미지(710)에 포함된 픽셀의 특징과 일반적으로 그레인 이미지라고 불리는 픽셀의 특징을 비교하여 소스 이미지(710) 내에 그레인 효과가 있는지 확인할 수 있다.

일 실시 예에서, 참조 번호 750을 참조하면, 전자 장치(101)는 소스 이미지(710)로부터 추출된 비네팅 효과 및 그레인 효과와 관련된 데이터를 지정된 형식으로 저장할 수 있다. 예를 들어, 전자 장치(101)는 상기 추출된 비네팅 효과와 관련하여 비네팅 마스크 형태로 메모리(760)에 저장할 수 있다. 전자 장치(101)는 소스 이미지(710)로부터 추출된 상기 효과들을 저장하기 위하여 구조화된 문서(structured document)를 생성할 수 있다. 상기 구조화된 문서는 JSON(javascript object notation), HTML(hypertext markup language), XML(extensible markup language), 또는 CSS(cascading style sheets) 중 적어도 하나를 포함할 수 있다.

일 실시 예에서, 전자 장치(101)는 적어도 하나의 메모리(예: 필터 메모리)(760)에 비네팅 효과 및 그레인 효과를 위해 부가 파일을 추가적으로 생성하여 저장할 수 있다. 다시 말해서, 전자 장치(101)는 색상 효과를 위한 룩업 테이블 외에, 비네팅 효과 및 그레인 효과를 구조화된 문서(예: JSON) 형태로 저장하고 이를 위해 부가 파일을 생성할 수 있다.

일 실시 예에서, 전자 장치(101)는 소스 이미지(710)로부터 추출한 필터 효과와 관련된 데이터를 다양한 형태(예: 701, 702, 및 703)로 메모리(760)에 저장할 수 있다.

도 8은 일 실시 예에 따른 전자 장치에서 메모리에 저장된 데이터에 기반하여 대상 이미지에 이미지 필터를 적용하는 것을 나타낸 도면이다.

일 실시 예에서, 참조 번호 810을 참조하면, 프로세서(210)는 필터 메모리(760)에 저장된 구조화된 문서(structured document)(702)로부터 파싱(parsing)을 수행할 수 있다. 예를 들어, 프로세서(210)는 구조화된 문서(예: JSON)(702) 내에서 지정된 데이터만 추출할 수 있다. 다시 말해서, 프로세서(210)는 메모리(760)에 저장된 데이터 중 사용자가 적용하길 원하는 이미지 필터 효과에 대한 지정된 데이터만 추출할 수 있다.

일 실시 예에서, 참조 번호 820을 참조하면, 프로세서(210)는 비네팅 효과를 조절할 수 있다. 다시 말해서, 프로세서(210)는 비네팅 마스크(701)에 기반하여 대상 이미지에 적용될 비네팅 효과를 조절할 수 있다. 예를 들어, 프로세서(210)는 비네팅 마스크(701)의 크기를 리사이즈(resize)하여 비네팅 효과의 크기, 또는 모양과 같은 특성을 조절할 수 있다.

일 실시 예에서, 참조 번호 830을 참조하면, 프로세서(210)는 그레인 효과를 조절할 수 있다. 다시 말해서, 프로세서(210)는 그레인 패턴 이미지(703)에 기반하여 대상 이미지에 적용될 그레인 패턴 이미지를 조절할 수 있다. 프로세서(210)는 그레인 효과를 조절하는 사용자의 입력에 응답하여 상기 그레인 패턴 이미지를 조절할 수 있다. 예를 들어, 프로세서(210)는 그레인 패턴 이미지를 구성하는 입자 또는 픽셀의 크기, 컬러 및/또는 밝기를 조절할 수 있다. 예를 들어, 프로세서(210)는 그레인 패턴 이미지를 구성하는 입자 또는 픽셀 간 간격 및/또는 비율을 조절할 수 있다.

일 실시 예에서, 프로세서(210)는 비네팅 효과 및/또는 그레인 효과가 적용된 결과 이미지(840)를 표시할 수 있다. 결과 이미지(840)는 도 7의 소스 이미지(710)가 가진 색상 효과, 비네팅 효과, 및/또는 그레인 효과를 포함할 수 있다.

도 9는 일 실시 예에 따른 전자 장치에서, 소스 이미지로부터 필터 효과를 추출하고, 추출된 필터 효과를 대상 이미지에 적용하는 동작을 나타낸 도면이다.

일 실시 예에 따른 동작 910에서, 프로세서(210)는 소스 이미지(source image)를 선택하는 입력을 획득할 수 있다.

일 실시 예에 따른 동작 920에서, 프로세서(210)는 소스 이미지에 포함된 각 픽셀의 컬러 값에 의존적인 제1 필터 데이터 및 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터를 추출할 수 있다. 프로세서(210)는 상기 제1 필터 데이터에 기반하여 제1 이미지 필터 효과를 구현할 수 있다. 프로세서(210)는 상기 제2 필터 데이터에 기반하여 제2 이미지 필터 효과를 구현할 수 있다. 예를 들어, 상기 제1 이미지 필터 효과는 색상 효과이고, 상기 제2 이미지 필터 효과는 비네팅(vignetting) 효과일 수 있다. 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터는 상기 소스 이미지의 중심에서 각 픽셀까지의 거리에 의존적인 데이터로 이해될 수 있다.

일 실시 예에 따른 동작 930에서, 프로세서(210)는 제1 필터 데이터 및 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 메모리에 저장할 수 있다.

일 실시 예에서, 프로세서(210)는 제2 필터 데이터에 기반하여 비네팅 마스크를 생성할 수 있고, 프로세서(210)는 생성된 비네팅 마스크를 저장할 수 있다. 프로세서(210)는 상기 비네팅 마스크의 적어도 일부를 저장할 수 있다. 예를 들어, 프로세서(210)는 상기 비네팅 마스크가 상하좌우로 대칭이므로, 상기 비네팅 마스크를 총 네 개의 사분면으로 나누어, 상기 네 개의 사분면 중 적어도 하나의 사분면에 해당하는 비네팅 마스크를 저장할 수 있다. 상기 비네팅 마스크는 마스크 데이터, 또는 비네팅 데이터로 지칭될 수 있다.

일 실시 예에 따른 동작 940에서, 프로세서(210)는 대상 이미지(target image)에 상기 이미지 필터를 적용하는 입력을 획득할 수 있다.

일 실시 예에 따른 동작 950에서, 프로세서(210)는 이미지 필터를 적용하는 입력에 응답하여, 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 디스플레이(230)를 통해서 출력할 수 있다. 상기 결과 이미지는 상기 대상 이미지의 상태에 대응될 수 있다. 예를 들어, 상기 대상 이미지가 카메라(220)를 통해 실시간으로 보여지는 프리뷰 이미지인 경우, 상기 결과 이미지는 상기 이미지 필터가 적용된 프리뷰 이미지일 수 있다.

일 실시 예에서, 프로세서(210)는 이미지 필터를 적용하는 입력에 응답하여 비네팅 효과를 상기 대상 이미지에 적용할 수 있다. 프로세서(210)는 비네팅 효과를 적용하기 위하여 적어도 하나의 사분면으로 저장된 마스크 데이터를 다시 읽어 상하좌우로 반전시켜 원형으로 만들 수 있다. 프로세서(210)는 원형으로 만든 뒤 이미지 픽셀끼리 곱해서 비네팅 효과를 적용할 수 있다.

일 실시 예에서, 프로세서(210)는 이미지 필터를 적용하는 입력에 응답하여 그레인 효과를 상기 대상 이미지에 적용할 수 있다. 프로세서(210)는 그레인 효과를 적용하기 위하여 미리 정해진 그레인 패턴 이미지와 JSON 파일을 읽어서 그레인 패턴 이미지에 단순한 프로세싱을 거친 뒤 대상 이미지에 그레인 효과를 적용할 수 있다.

도 10은 일 실시 예에 따른 전자 장치에서, 소스 이미지로부터 필터 효과를 추출하고, 추출된 필터 효과를 대상 이미지에 적용하는 동작을 나타낸 도면이다. 도 10의 동작 중 상기 도 1 내지 도 9의 내용과 중복되는 내용은 간략하게 설명하거나 생략하도록 한다.

일 실시 예에 따른 동작 1010에서, 프로세서(210)는 적어도 두 개 이상의 필터 데이터를 포함하는 제1 이미지(예: 도 3의 소스 이미지(310))를 선택하는 입력을 획득할 수 있다. 다시 말해서, 프로세서(210)는 적어도 두 개 이상의 이미지 필터 효과를 포함하는 제1 이미지를 선택하는 입력을 획득할 수 있다. 예를 들어, 상기 적어도 두 개 이상의 이미지 필터 효과는 컬러 효과, 비네팅 효과 및/또는 그레인 효과를 포함할 수 있다.

일 실시 예에 따른 동작 1020에서, 프로세서(210)는 이미지의 중심으로부터의 픽셀 거리에 의존적인 제3 필터 데이터 및 이미지의 패턴에 의존적인 제4 필터 데이터를 추출할 수 있다. 프로세서(210)는 상기 제3 필터 데이터에 기반하여 제3 이미지 필터 효과를 구현할 수 있다. 프로세서(210)는 상기 제4 필터 데이터에 기반하여 제4 이미지 필터 효과를 구현할 수 있다. 상기 제3 이미지 필터 효과는 비네팅(vignetting) 효과이고, 상기 제4 이미지 필터 효과는 그레인(grain) 효과일 수 있다.

일 실시 예에서, 프로세서(210)는 이미지의 중심으로부터의 픽셀 거리에 의존적인 제3 필터 데이터를 추출할 수 있다. 상기 제3 필터 데이터는 이미지의 중심으로부터 제1 픽셀까지의 거리가 멀어질수록 제1 픽셀에 대한 밝기 값은 어두워질 수 있다.

일 실시 예에서, 프로세서(210)는 이미지의 패턴에 의존적인 제4 필터 데이터를 추출할 수 있다. 상기 이미지 패턴은 복수 개의 픽셀이 규칙적인 및/또는 불규칙적 패턴을 형성하는 것을 포함할 수 있다. 상기 이미지 패턴은 이미지에 포함된 노이즈에 의하여 형성된 패턴일 수 있다.

일 실시 예에 따른 동작 1030에서, 프로세서(210)는 상기 추출된 제3 필터 데이터 또는 제4 필터 데이터를 적어도 하나의 메모리에 저장할 수 있다.

일 실시 예에 따른 동작 1040에서, 프로세서(210)는 적어도 하나의 메모리에 저장된 제3 필터 데이터 및/또는 제4 필터 데이터 중 적어도 하나에 기반하여 제2 이미지(예: 도 3의 대상 이미지(330))에 대하여 필터 효과를 적용할 수 있다. 예를 들어, 프로세서(210)는 메모리에 저장된 제3 필터 데이터 및/또는 제4 필터 데이터에 기반하여 제2 이미지에 대하여 필터 효과를 적용할 수 있다. 예를 들어, 프로세서(210)는 제3 필터 효과 및 제4 필터 효과 중 하나만 선택하려는 사용자의 선택에 응답하여. 제3 필터 데이터 또는 제4 필터 데이터 중 하나에 기반하여 상기 제2 이미지에 대하여 필터 효과를 적용할 수 있다.일 실시 예에 따른 전자 장치(예: 도 1의 전자 장치(101))는 카메라(예: 도 2의 카메라(220)), 디스플레이(예: 도 2의 디스플레이(230)), 적어도 하나의 메모리(예: 도 2의 메모리(240)), 및 상기 카메라(220), 상기 디스플레이(230), 및 상기 적어도 하나의 메모리(240)와 작동적으로(operatively) 연결되는 적어도 하나의 프로세서(예: 도 2의 프로세서(210))를 포함할 수 있다. 상기 적어도 하나의 프로세서(210)는 소스 이미지(예: 도 3의 소스 이미지(310))를 선택하는 입력을 획득할 수 있다. 프로세서(210)는 상기 선택된 소스 이미지(310)로부터 상기 소스 이미지(310)에 포함된 각 픽셀의 컬러 값에 의존적인 제1 필터 데이터 및 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터를 추출할 수 있다. 프로세서(210)는 상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리(240)에 저장할 수 있다. 프로세서(210)는 대상 이미지(target image)(예: 도 3의 대상 이미지(330))에 상기 이미지 필터를 적용하는 입력을 획득할 수 있다. 프로세서(210)는 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지(예: 도 8의 결과 이미지(840))를 상기 디스플레이(230)를 통해 출력할 수 있다.

일 실시 예에서, 프로세서(210)는 상기 선택된 소스 이미지(310)로부터 상기 소스 이미지(310)의 패턴에 의존적인 제3 필터 데이터를 추출할 수 있다. 프로세서(210)는 상기 제3 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리(240)에 저장할 수 있다. 프로세서(210)는 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 상기 디스플레이(230)를 통해 출력할 수 있다.

일 실시 예에서, 프로세서(210)는 상기 소스 이미지(310)에서 상기 제3 필터 데이터의 유무를 판단할 수 있다. 프로세서(210)는 상기 제3 필터 데이터가 존재하는 경우, 상기 전자 장치에 저장된 그레인 패턴(grain pattern) 효과를 상기 대상 이미지(310)에 적용하여 상기 결과 이미지(840)를 상기 디스플레이(230)를 통해 출력할 수 있다.

일 실시 예에서, 프로세서(210)는 상기 그레인 패턴의 입자의 크기, 빈도, 각도, 또는 위치 중 적어도 하나를 조절할 수 있다.

일 실시 예에서, 프로세서(210)는 신경망 학습(network training)을 통해 상기 소스 이미지(310)로부터 상기 제2 필터 데이터를 추출하여 필터 효과 중 하나인 비네팅 마스크(vignetting mask)(예: 도 5의 비네팅 마스크(540))를 생성할 수 있다.

일 실시 예에서, 프로세서(210)는 상기 소스 이미지(310)로부터 상기 제2 필터 데이터와 관련된 적어도 둘 이상의 파라미터(예: 도 5의 파라미터(510))를 검출할 수 있다. 프로세서(210)는 상기 파라미터(510)에 대해 제1 연산을 통해 상기 비네팅 마스크(vignetting mask)(540)를 생성할 수 있다.

일 실시 예에서, 상기 제2 필터 데이터는 이미지의 중심으로부터의 픽셀 거리에 의존적이며, 상기 거리가 이미지의 중심에서 멀어질수록 밝기가 어두워지는 이미지 필터에 대한 데이터일 수 있다.

일 실시 예에서, 상기 이미지 필터에 대한 정보는 JSON 형태로 저장될 수 있다.

일 실시 예에서, 프로세서(210)는 상기 비네팅 마스크(540)의 크기를 조절하는 입력을 획득할 수 있다. 프로세서(210)는 상기 비네팅 마스크(540)의 크기를 조절하는 입력에 응답하여, 상기 마스크(540)의 크기가 조절된 이미지 필터가 적용된 상기 결과 이미지(840)를 상기 디스플레이(230)를 통해 출력할 수 있다.

일 실시 예에서, 상기 대상 이미지(310)는 상기 카메라(220)를 통해 획득된 이미지 데이터가 상기 디스플레이(230)에 표시되는 프리뷰 이미지 또는 상기 전자 장치(101)에 저장된 이미지일 수 있다.

일 실시 예에서, 전자 장치(101)의 동작 방법은 소스 이미지(310)를 선택하는 입력을 획득하는 동작, 상기 선택된 소스 이미지(310)로부터 상기 소스 이미지(310)에 포함된 각 픽셀의 컬러 값에 의존적인 제1 필터 데이터 및 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터를 추출하는 동작, 상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 적어도 하나의 메모리(240)에 저장하는 동작, 대상 이미지(target image)(330)에 상기 이미지 필터를 적용하는 입력을 획득하는 동작, 및 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지(330)에 상기 이미지 필터가 적용된 결과 이미지(840)를 디스플레이(230)를 통해 출력하는 동작을 포함할 수 있다.

일 실시 예에서, 전자 장치(101)의 동작 방법은 상기 선택된 소스 이미지(310)로부터 상기 소스 이미지(310)의 패턴에 의존적인 제3 필터 데이터를 추출하는 동작, 상기 제3 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리(240)에 저장하는 동작, 및 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지(330)에 상기 이미지 필터가 적용된 결과 이미지(840)를 상기 디스플레이(230)를 통해 출력하는 동작을 포함할 수 있다.

일 실시 예에서, 전자 장치(101)의 동작 방법은 신경망 학습(network training)을 통해 상기 소스 이미지(310)로부터 상기 제2 필터 데이터를 추출하여 필터 효과 중 하나인 비네팅 마스크(540)(vignetting mask)를 생성하는 동작을 포함할 수 있다.

일 실시 예에서, 전자 장치(101)의 동작 방법은 상기 비네팅 마스크(540)의 크기를 조절하는 입력을 획득하는 동작, 및 상기 비네팅 마스크(540)의 크기를 조절하는 입력에 응답하여, 상기 마스크(540)의 크기가 조절된 이미지 필터가 적용된 상기 결과 이미지(840)를 상기 디스플레이(230)를 통해 출력할 수 있다.

일 실시 예에서, 전자 장치(101)는 카메라(220), 디스플레이(230), 상기 적어도 하나의 메모리(240), 및 상기 카메라(220), 상기 디스플레이(230), 및 상기 적어도 하나의 메모리(240)와 작동적으로(operatively) 연결되는 적어도 하나의 프로세서(210)를 포함할 수 있다. 프로세서(210)는 적어도 두 개 이상의 필터 데이터를 포함하는 제1 이미지(예: 도 3의 소스 이미지(310))를 선택하는 입력을 획득할 수 있다. 프로세서(210)는 상기 선택된 제1 이미지(310)로부터 이미지의 중심으로부터의 픽셀 거리에 의존적인 제1 필터 데이터 및 이미지의 패턴에 의존적인 제2 필터 데이터를 추출할 수 있다. 프로세서(210)는 상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리(240)에 저장할 수 있다. 프로세서(210)는 대상 이미지(target image)(330)에 상기 이미지 필터를 적용하는 입력을 획득할 수 있다. 프로세서(210)는 상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지(330)에 상기 제1 필터 데이터 및 상기 제2 필터 데이터가 적용된 결과 이미지(840)를 출력할 수 있다.

일 실시 예에서, 상기 제1 필터 데이터는 이미지의 중심으로부터의 픽셀 거리에 의존적이며, 상기 거리가 이미지의 중심에서 멀어질수록 밝기가 어두워지는 이미지 필터에 대한 데이터이고, 상기 제2 필터 데이터는 이미지의 노이즈 효과와 관련될 수 있다.

일 실시 예에서, 프로세서(210)는 신경망 학습(network training)을 통해 상기 제1 이미지(310)로부터 상기 제1 필터 데이터와 관련된 적어도 둘 이상의 파라미터(510)를 검출할 수 있다. 상기 파라미터(510)에 대해 제1 연산을 통해 비네팅 마스크(vignetting mask)(540)를 생성할 수 있다.

일 실시 예에서, 상기 제2 필터 데이터는 이미지의 중심으로부터의 픽셀 거리가 이미지의 중심에서 멀어질수록 밝기가 어두워지는 이미지 필터에 대한 데이터일 수 있다.

일 실시 예에서, 상기 이미지의 패턴은 그레인 패턴(grain pattern)이며, 프로세서(210)는 상기 그레인 패턴의 입자의 크기, 빈도, 각도, 또는 위치 중 적어도 하나를 조절할 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, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 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, 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. "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 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서의 다양한 실시 예들에서 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, 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 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’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: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 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 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 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 상기 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 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims

전자 장치에 있어서,
카메라;
디스플레이;
적어도 하나의 메모리; 및
상기 카메라, 상기 디스플레이, 및 상기 적어도 하나의 메모리와 작동적으로(operatively) 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는:
소스 이미지를 선택하는 입력을 획득하고,
상기 선택된 소스 이미지로부터 상기 소스 이미지에 포함된 각 픽셀의 컬러 값에 의존적인 제1 필터 데이터 및 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터를 추출하고,
상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리에 저장하고,
대상 이미지(target image)에 상기 이미지 필터를 적용하는 입력을 획득하고,
상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 상기 디스플레이를 통해 출력하는, 전자 장치
청구항 1에 있어서,
상기 적어도 하나의 프로세서는 상기 선택된 소스 이미지로부터 상기 소스 이미지의 패턴에 의존적인 제3 필터 데이터를 추출하고,
상기 제3 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리에 저장하고,
상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 상기 디스플레이를 통해 출력하는, 전자 장치.
청구항 2에 있어서,
상기 적어도 하나의 프로세서는 상기 소스 이미지에서 상기 제3 필터 데이터의 유무를 판단하고,
상기 제3 필터 데이터가 존재하는 경우, 상기 전자 장치에 저장된 그레인 패턴(grain pattern) 효과를 상기 대상 이미지에 적용하여 상기 결과 이미지를 상기 디스플레이를 통해 출력하는, 전자 장치.
청구항 3에 있어서,
상기 적어도 하나의 프로세서는 상기 그레인 패턴의 입자의 크기, 빈도, 각도, 또는 위치 중 적어도 하나를 조절하는, 전자 장치.
청구항 1에 있어서,
상기 적어도 하나의 프로세서는 신경망 학습(network training)을 통해 상기 소스 이미지로부터 상기 제2 필터 데이터를 추출하여 필터 효과 중 하나인 비네팅 마스크(vignetting mask)를 생성하는, 전자 장치.
청구항 5에 있어서,
상기 적어도 하나의 프로세서는 상기 소스 이미지로부터 상기 제2 필터 데이터와 관련된 적어도 둘 이상의 파라미터를 검출하고,
상기 파라미터에 대해 제1 연산을 통해 상기 비네팅 마스크(vignetting mask)를 생성하는, 전자 장치.
청구항 1에 있어서,
상기 제2 필터 데이터는 이미지의 중심으로부터의 픽셀 거리에 의존적이며, 상기 거리가 이미지의 중심에서 멀어질수록 밝기가 어두워지는 이미지 필터에 대한 데이터인, 전자 장치.
청구항 1에 있어서,
상기 이미지 필터에 대한 정보는 JSON 형태로 저장되는, 전자 장치.
청구항 5에 있어서,
상기 적어도 하나의 프로세서는 상기 비네팅 마스크의 크기를 조절하는 입력을 획득하고,
상기 비네팅 마스크의 크기를 조절하는 입력에 응답하여, 상기 마스크의 크기가 조절된 이미지 필터가 적용된 상기 결과 이미지를 상기 디스플레이를 통해 출력하는, 전자 장치.
청구항 1에 있어서,
상기 대상 이미지는 상기 카메라를 통해 획득된 이미지 데이터가 상기 디스플레이에 표시되는 프리뷰 이미지 또는 상기 전자 장치에 저장된 이미지인, 전자 장치.
전자 장치의 동작 방법에 있어서,
소스 이미지를 선택하는 입력을 획득하는 동작;
상기 선택된 소스 이미지로부터 상기 소스 이미지에 포함된 각 픽셀의 컬러 값에 의존적인 제1 필터 데이터 및 상기 각 픽셀의 위치에 의존적인 제2 필터 데이터를 추출하는 동작;
상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 적어도 하나의 메모리에 저장하는 동작;
대상 이미지(target image)에 상기 이미지 필터를 적용하는 입력을 획득하는 동작; 및
상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 디스플레이를 통해 출력하는 동작을 포함하는, 방법.
청구항 11에 있어서,
상기 선택된 소스 이미지로부터 상기 소스 이미지의 패턴에 의존적인 제3 필터 데이터를 추출하는 동작;
상기 제3 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리에 저장하는 동작; 및
상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 이미지 필터가 적용된 결과 이미지를 상기 디스플레이를 통해 출력하는 동작을 포함하는, 방법.
청구항 11에 있어서,
신경망 학습(network training)을 통해 상기 소스 이미지로부터 상기 제2 필터 데이터를 추출하여 필터 효과 중 하나인 비네팅 마스크(vignetting mask)를 생성하는 동작을 포함하는, 방법.
청구항 11에 있어서,
상기 제2 필터 데이터는 이미지의 중심으로부터의 픽셀 거리에 의존적이며, 상기 거리가 이미지의 중심에서 멀어질수록 밝기가 어두워지는 이미지 필터에 대한 데이터인, 방법.
청구항 13에 있어서,
상기 비네팅 마스크의 크기를 조절하는 입력을 획득하는 동작; 및
상기 비네팅 마스크의 크기를 조절하는 입력에 응답하여, 상기 마스크의 크기가 조절된 이미지 필터가 적용된 상기 결과 이미지를 상기 디스플레이를 통해 출력하는, 방법.
전자 장치에 있어서,
카메라;
디스플레이;
적어도 하나의 메모리; 및
상기 카메라, 상기 디스플레이, 및 상기 적어도 하나의 메모리와 작동적으로(operatively) 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는:
적어도 두 개 이상의 필터 데이터를 포함하는 제1 이미지를 선택하는 입력을 획득하고,
상기 선택된 제1 이미지로부터 이미지의 중심으로부터의 픽셀 거리에 의존적인 제1 필터 데이터 및 이미지의 패턴에 의존적인 제2 필터 데이터를 추출하고,
상기 제1 필터 데이터 및 상기 제2 필터 데이터를 포함하는 이미지 필터에 대한 정보를 상기 적어도 하나의 메모리에 저장하고,
대상 이미지(target image)에 상기 이미지 필터를 적용하는 입력을 획득하고,
상기 이미지 필터를 적용하는 입력에 응답하여, 상기 대상 이미지에 상기 제1 필터 데이터 및 상기 제2 필터 데이터가 적용된 결과 이미지를 출력하는, 전자 장치.
청구항 16에 있어서,
상기 제1 필터 데이터는 이미지의 중심으로부터의 픽셀 거리에 의존적이며, 상기 거리가 이미지의 중심에서 멀어질수록 밝기가 어두워지는 이미지 필터에 대한 데이터이고,
상기 제2 필터 데이터는 이미지의 노이즈 효과와 관련된, 전자 장치.
청구항 16에 있어서,
상기 적어도 하나의 프로세서는 신경망 학습(network training)을 통해 상기 제1 이미지로부터 상기 제1 필터 데이터와 관련된 적어도 둘 이상의 파라미터를 검출하고,
상기 파라미터에 대해 제1 연산을 통해 비네팅 마스크(vignetting mask)를 생성하는, 전자 장치.
청구항 16에 있어서,
상기 제2 필터 데이터는 이미지의 중심으로부터의 픽셀 거리가 이미지의 중심에서 멀어질수록 밝기가 어두워지는 이미지 필터에 대한 데이터인, 전자 장치.
청구항 16에 있어서,
상기 이미지의 패턴은 그레인 패턴(grain pattern)이며,
상기 적어도 하나의 프로세서는 상기 그레인 패턴의 입자의 크기, 빈도, 각도, 또는 위치 중 적어도 하나를 조절하는, 전자 장치.