JP6417154B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Description

本発明は情報処理装置、情報処理方法、及びプログラムに関し、特に、第三者によるアクセスが可能なサーバからダウンロードした画像に画像処理を行う情報処理装置、情報処理方法、及びプログラムに関する。

デジタルカメラ、スマートフォンの普及に伴い、誰もが容易に写真撮影を楽しめる時代が来ている。これらのデジタルデバイスで撮影されたデジタル画像をプリンタに印刷する際、その印刷物の見栄えが良くなるよう画像処理を施すことがある。例えば、デジタル画像を撮影した際に露出の過不足がある場合、これを補うため適当な画像処理を施すことが望ましい。また、撮影時のフラッシュにより、被写体人物の目がいわゆる赤目状態にあれば、これを補正することが望ましい。また、デジタル画像に人物の顔が含まれる場合、印刷した際の肌色の見栄えが良くなる適当な画像処理を施すことが望ましい。さらにこれらの画像処理を手作業で一つずつ行うことは時間と手間を要するため、自動で行えることが望ましい。

一般に自動的に画像処理を実行する場合、その画像に適した処理を行うために画像を解析したり、あるいは画像データに付随した、いわゆるＥｘｉｆタグ情報から画像の属性を評価することが必要である。そして、それらの解析や評価を経て、その画像に適切な画像処理を決定する。

以下の説明では画像または画像データに付随する属性情報を解析することを、「画像理解」という。特許文献１では、入力画像の解析を通して画像理解を行う。画像理解の結果から、その画像の特徴量が得られ、得られた特徴量からシーン判定及びそのシーンの信頼度算出を行い、自動的に補正処理を実行している。このように、画像理解の結果は主に、特徴量の生成と取得、及びその評価に用いられる。

特開２０１０−２５１９９９号公報

しかしながら、画像データそれ自体による画像理解には限界がある。特許文献１に開示の方法では、入力画像によっては誤判定が発生する場合がある。例えば、夜景の画像が露出不足と誤判定されると、夜景の画像が明るく補正されてしまう。逆に、露出不足の画像が夜景であると誤判定されると、明るく補正されるべきところが、期待通りに補正されない結果となる。別の例では、画像にある人物が写っていた場合に、その肌の色を適正にカラーバランス補正したい場合があるが、その画像から得られる情報のみでは、注目人物の適正な肌の色を推定することは困難な場合がある。

自動的に画像処理を行う場合、自動レイアウト生成処理でも同様なことが起こり得る。レイアウト生成条件を決定する際に用いる評価値は、対象となる写真ファイルを解析した結果を用いている。その結果、レイアウト生成は、画像ファイル自体の画質を表現する特徴量に基づいて行われることになる。しかしながら、画像理解から得られる特徴量からでは、好ましい画像を判断することは難しい場合がある。例えば、ピントが多少ボケているが表情が豊かな好ましい画像等を自動で選別することは困難である。また、一人のユーザが画像の評価を手動で入力するには膨大な作業が必要となる。

本発明は上記従来例に鑑みてなされたもので、自動的な画像処理により適した画像理解を行うことが可能な情報処理装置、情報処理方法、及びプログラムを提供することを目的とする。

上記目的を達成するために本発明の情報処理装置は次のような構成を有する。

即ち、情報処理装置は、ユーザの指示に応じて、当該ユーザとは異なる第三者によるアクセスが可能なサーバから出力対象の画像をダウンロードするダウンロード手段と、前記ダウンロード手段によりダウンロードされる出力対象の画像に対して第三者により付与された情報を取得する取得手段と、前記取得手段により取得された情報に従って、前記出力対象の画像に対して評価を行い、当該評価の結果に基づいて前記出力対象の画像に対する画像処理方法を決定する決定手段と、前記出力対象の画像に対し、前記決定手段により決定された画像処理方法に従った画像処理を行う画像処理手段と、前記画像処理手段により画像処理された前記出力対象の画像を出力する出力手段とを有することを特徴とする。

本発明によれば、画像自体からは取得することが困難であった情報をネットワークの第三者からその画像に対する評価情報を取得することで、自動的な画像処理により適した画像理解が行うことができるという効果がある。

本発明の実施形態である情報処理装置の構成例を説明するブロック図である。 図１に示す情報処理装置で動作するソフトウェア構成を示すブロック図である。 第１実施形態に従う印刷データの生成処理の概要を示すフローチャートである。 解析処理の詳細を示すフローチャートである。 ＹＣｂＣｒ値をＹ０Ｃｂ０Ｃｒ０値に近づけるための補正処理の一例を示すフローチャートである。 輝度濃度曲線の例を示す図である。 第２実施形態に従うレイアウト自動作成処理を示すフローチャートである。 ログイン画面の例を示す図である。 アルバム群の表示例を示す図である。 、 テンプレートの一例を示す図である。 第３実施形態に従うプリント処理の概要を示すフローチャートである。 赤目領域の補正の概要を説明する図である。 第４実施形態に従う印刷データの生成処理の概要を示すフローチャートである。 解析処理の詳細を示すフローチャートである。 年齢と最小可読文字サイズＰｍｉｎとの関係を示す図である。 解析処理の変型例を示すフローチャートである。 第５実施形態に従う印刷データの生成処理の概要を示すフローチャートである。 どのユーザがどの画像に「いいね」を付けたかを一覧表として示す図である。 ユーザＡとユーザＢと他のユーザとの人間関係を表わした図である。 ４つのケース（Ｃａｓｅ１〜４）夫々についての基礎点を表として示す図である。 図２１に示す４つのケース（Ｃａｓｅ１〜４）夫々についての合計点を表として示す図である。

以下添付図面を参照して本発明の実施形態について、さらに具体的かつ詳細に説明する。ただし、この実施形態に記載されている構成要素の相対配置等は、特定の記載がない限りは、この発明の範囲をそれらのみに限定する趣旨のものではない。

なお、この明細書において、「記録」（「プリント」という場合もある）とは、文字、図形等有意の情報を形成する場合のみならず、有意無意を問わない。さらに人間が視覚で知覚し得るように顕在化したものであるか否かも問わず、広く記録媒体上に画像、模様、パターン等を形成する、または媒体の加工を行う場合も表すものとする。

また、「記録媒体」とは、一般的な記録装置で用いられる紙のみならず、広く、布、プラスチック・フィルム、金属板、ガラス、セラミックス、木材、皮革等、インクを受容可能なものも表すものとする。

以下の説明では、ＳＮＳ（ソーシャル・ネットワーキング・サービス）から取得した情報を用いて、印刷データを生成するためのいくつかの実施形態について説明する。

＜ハードウェア構成の説明（図１）＞
図１は本発明の実施形態である情報処理装置１１５として、例えば、スマートフォンや携帯電話等の携帯型情報端末の構成例を説明するブロック図である。図１において、１００はＣＰＵ（中央演算装置／プロセッサ）であり、以下で説明する各種処理をプログラムに従って実行する。図中のＣＰＵ１００は１つであるが、複数のＣＰＵあるいはＣＰＵコアによって構成されていても良い。１０１はＲＯＭであり、ＣＰＵ１００により実行されるプログラムが記憶されている。１０２はＲＡＭであり、ＣＰＵ１００によるプログラムの実行時に、各種情報を一時的に記憶するためのメモリである。

１０３はハードディスクやフラッシュメモリ等の２次記憶装置であり、ファイルや画像解析等の処理結果を保持するデータベース等のデータや、各種プログラムを記憶するための記憶媒体である。１０４はディスプレイであり、各種処理を実現するための操作を受け付けるためのＵＩ（ユーザインタフェース）や、実行された処理による処理結果等の各種情報を表示する。ディスプレイ１０４は、タッチセンサ１０５を備えても良い。

情報処理装置１１５は、内部撮像デバイス１１０を備えてもよい。内部撮像デバイス１１０による撮像によって得られた画像データは、所定の画像処理を経た後、２次記憶装置１０３に保存される。また、画像データは、外部Ｉ／Ｆ（インタフェース）１０８を介して接続された外部撮像デバイス１１１から読み込むこともできる。

情報処理装置１１５は、外部Ｉ／Ｆ（インタフェース）１０９を備え、インターネット等のネットワーク１１３を介して通信を行うことができる。情報処理装置１１５は、この通信Ｉ／Ｆ１０９を介して、ネットワーク１１３に接続されたサーバ１１４より画像データやＳＮＳ関連の情報を取得することができる。

情報処理装置１１５は、加速度センサ１０６を備え、情報処理装置１１５自身の位置姿勢に関する加速度情報を取得することができる。情報処理装置１１５は、外部Ｉ／Ｆ１０７を介し、プリンタ１１２と接続されており、画像データ等のデータを出力することができる。プリンタ１１２は、ネットワーク１１３にも接続されており、通信Ｉ／Ｆ１０９経由で、画像データを送受信することができる。

外部Ｉ／Ｆ１０７〜１０９は、有線通信と無線通信の内、少なくともいずれかの通信形態を有するインタフェースであり、利用する通信形態に応じて外部デバイス（プリンタ１１２あるいはサーバ１１４）との通信を行う。有線通信には、例えば、ＵＳＢ、イーサネット（登録商標）等があり、無線通信には、無線ＬＡＮ、ＮＦＣ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、赤外線通信等がある。また、無線通信として、無線ＬＡＮを利用する場合には、装置同士が直接接続する形態もあれば、無線ＬＡＮルータ等の中継装置を介して接続する形態もある。また、外部Ｉ／Ｆ１０７〜１０９は、図では別々に構成されているが、一体となって構成されていても良い。

情報処理装置１１５の動作に必要な電源は、バッテリ１１７によって供給される。情報処理装置１１５が備える各種構成要素は、制御バス／データバス１１６を介して相互に接続され、ＣＰＵ１００は、この制御バス／データバス１１６を介して、各種構成要素を制御する。

なお、本実施形態では、情報処理装置１１５が、情報処理装置１１５が備える制御部（ＣＰＵ１００）によって実行されるプログラム等のソフトウェアの実行場所（ソフトウェア実行環境）となる。

また、図１で示した情報処理装置の例は、携帯可能なモバイルコンピュータを想定したハードウェアとなっているが、本発明はそれによって限定されるものではない。例えば、デスクトップ型やラップトップ型のパーソナルコンピュータのハードウェア上においても、同様の構成を実現することは可能である。その場合、携帯可能なモバイルコンピュータではディスプレイ１０４の上に重ねられて設けられるタッチセンサ１０５によってＵＩが構成される代わりに、ＵＩとしてタッチセンサ１０５に代わり、ポインティングデバイスやキーボードが備えられても良い。

＜ソフトウェア構成の説明（図２）＞
情報処理装置１１５にはその装置全体を制御するオペレーティングシステム（ＯＳ）や多くのアプリケーションがインストールされて動作するが、ここではＳＮＳと連携して画像をプリンタ１１２に印刷するのに関係するソフトウェアについてのみ説明する。

図２は情報処理装置１１５で動作するソフトウェア構成を示すブロック図である。なお、図２で説明する各ブロックに対応するプログラムモジュールがＲＯＭ１０１に格納されており、ＣＰＵ１００がこれらのプログラムモジュールをＲＡＭ１０２上で実行することにより、各ブロックの機能を実現する。

ＳＮＳ紐付け部２０１はユーザとＳＮＳとの紐付けを行う。印刷ジョブ生成部２０２は、印刷ジョブを生成する。印刷ジョブとは、印刷指示に関する情報である。印刷ジョブは、印刷対象画像、用紙、品位、部数、レイアウト、カラー／モノクロ設定など、プリント時に生成される全ての情報を含む。ここで、印刷対象画像は複数であってもよい。印刷ジョブは、ユーザの指示を受けて生成される。また、印刷ジョブは印刷を自動で提案する提案型アプリケーションによって生成されてもよい。

印刷コンテンツ取得部２０３は、印刷ジョブに基づいて、印刷コンテンツデータを取得する。その印刷コンテンツデータは、２次記憶装置１０３やサーバ１１４に保存されている。ＳＮＳ情報取得部２０４は、印刷ジョブに基づいてサーバ１１４の１つであるＳＮＳサーバから印刷コンテンツデータ以外の情報を取得する。

ここで、ＳＮＳについて説明する。ここでいうＳＮＳとは、現時点においてはインターネット上で互いにアクセス可能な情報共有、且つ受発信システムを想定している。ＳＮＳではユーザ情報やアクセス管理、ユーザのグルーピング、及びユーザ相互に評価を与えるといった機能を具備していることが多い。いずれにしても登録した複数のユーザが、互いに情報を発信し合うと同時に共有できる環境をＳＮＳと定義する。

次に、ＳＮＳで管理される情報（以後、ＳＮＳ情報）について述べる。ＳＮＳ情報の例としてはまず、ユーザの名前、性別、年齢、誕生日、学歴、職歴、出身地、居住地などの個人プロファイル情報がある。また、ユーザのその時々の心情や近況に関する書き込み情報、ユーザが投稿した画像や音楽などのコンテンツ情報、ユーザが作成したイベント情報等、ユーザのＳＮＳ上での活動に関する情報もＳＮＳ情報の一例である。また、ユーザの友人に関する情報、ユーザの友人がＳＮＳ上に投稿している情報等もＳＮＳ情報である。

ＳＮＳ情報取得部２０４はＳＮＳが予め用意したアプリケーションインタフェース（ＡＰＩ）を用いることで、これらの各種情報を取得することができる。この実施形態では、印刷対象画像に付与されたタグ情報を取得する場合について説明する。ＳＮＳ上で投稿された画像には、投稿者もしくは閲覧者がその画像に写っている人物が誰であるかタグを付けることができる。

このタグ情報には、その被写体人物のＳＮＳにおける個人ＩＤや名前、画像内におけるタグの位置を示す座標等の情報が含まれる。そのタグ付けを行う作業を、写真の投稿者のみが行おうとすると、投稿者の作業は膨大になる。しかし、ＳＮＳ上では、そのようなタグ付け作業を投稿者及び投稿者の友人（第三者）が行うことができる。また、そのタグ付けは、投稿者が投稿した写真以外の画像に対しても行われることがある。

以上のことから、ＳＮＳ上の写真データには、投稿者がどこに写っているかという正確な情報が、ユーザ単独でタグ付け作業を行うよりも遥かに多くの情報が存在することになる。

印刷コンテンツ評価部２０５は、ＳＮＳ情報を用いて印刷対象画像データを評価する。この実施形態では、印刷コンテンツ評価部２０５は、ＳＮＳ情報取得部２０４が取得したタグ情報から、印刷対象画像がどのような人物を被写体として含む画像であるかを認識する。次に、後述する手法を用いて、その被写体人物の顔色について評価する。印刷データ生成部２０６は、印刷コンテンツ評価部２０５の評価結果に基づいて、印刷データを生成する。

この実施形態では、印刷データ生成部２０６は、印刷コンテンツ評価部２０５による印刷コンテンツ内の被写体人物の顔色評価に基づいて、被写体人物の顔色の補正を行う。生成された印刷データはプリンタ１１２に転送され、印刷物が得られる。

次に、以上の構成の情報処理装置とその情報処理装置がインストールするソフトウェアを用いた、ＳＮＳと連携して撮影した画像の印刷処理のいくつかの実施形態について説明する。

［第１実施形態（図３〜図６）］
ここでは、任意の画像を補正する際に、その画像に写っている人物の適正な肌色を取得し、その肌色に適正に補正するための処理について説明する。

図３は第１実施形態に従う印刷データの生成処理の概要を示すフローチャートである。なお、図３のフローチャートに示す処理は、図２に示した各ブロックのプログラムモジュールをＣＰＵ１００が実行することにより実現される。以下の説明では、フローチャートの各ステップの処理を、ＣＰＵ１００自身またはＣＰＵ１００により機能する各ブロックが実行するものとして説明する。また後述する図７、図１２、図１４、図１５、図１７、図１８も同様である。

ステップＳ３０１では、ユーザがＳＮＳにログインすることによりＳＮＳ紐付け部２０１はユーザとＳＮＳとの紐付けを行う。ＳＮＳ紐付け部２０１は、ユーザがＳＮＳにログインするためのＳＮＳ−ＩＤとパスワードの入力画面をディスプレイ１０４に表示する。ユーザはタッチセンサ１０５やディスプレイ１０４を通じて、ＳＮＳ−ＩＤとＳＮＳパスワードを入力する。ＳＮＳ紐付け部２０１は、外部ＩＦ１０９を通じて情報処理装置１１５をネットワーク１１３に接続する。ＳＮＳ紐付け部２０１は、サーバ１１４の１つであるＳＮＳサーバにアクセスし、ユーザが入力したＳＮＳ−ＩＤとＳＮＳパスワードを用いて認証を行う。

ステップＳ３０２で、ユーザはＳＮＳに投稿された画像から印刷対象画像を選択し、ステップＳ３０３ではその選択画像の印刷指示を行う。印刷ジョブ生成部２０２は、ＳＮＳサーバ上の画像をディスプレイ１０４に表示し、ユーザによる印刷対象画像の選択を受け付ける。さらに、印刷対象画像、用紙、品位、部数、レイアウト、カラー／モノクロ設定など指示を受け付け、その印刷指示に基づいた印刷ジョブを生成する。

ステップＳ３０４では、印刷コンテンツ取得部２０３は、ステップＳ３０３で生成された印刷ジョブに基づいて、印刷対象画像データを取得する。ここでは、ユーザがＳＮＳに投稿した画像の印刷を指示した場合を考える。印刷コンテンツ取得部２０３はＳＮＳサーバにアクセスし、印刷対象画像データをダウンロードしてＲＡＭ１０２に一時保存する。

ステップＳ３０５では、ステップＳ３０４で取得した画像データに含まれる被写体人物の同定処理を実行する。そのため、ＳＮＳ情報取得部２０４は、印刷対象画像に付与されたタグ情報を外部ＩＦ１０９、ネットワーク１１３を介してＳＮＳサーバから取得する。このタグ情報には、その画像内の被写体人物のＳＮＳにおける個人ＩＤや名前、画像内におけるタグの位置を示す座標等の情報が含まれる。これにより、印刷コンテンツ評価部２０５は、印刷対象画像データのどの位置に誰が写っているかを同定することができる。

次にステップＳ３０６では、被写体人物の顔色の解析処理を実行する。

この解析処理に関しては、図４のフローチャートを参照しながら説明する。

図４は解析処理の詳細を示すフローチャートである。

ステップＳ４０１では、ＳＮＳ情報取得部２０４は、ステップＳ３０５で同定された被写体人物の個人ＩＤ情報を用いて、ＳＮＳサーバにアクセスする。ＳＮＳによりその個人ＩＤを用いた照合が行われ、被写体人物が検索される。次にステップＳ４０２では、ＳＮＳ情報取得部２０４は、検索された被写体人物が所有する画像及びその画像に付与されたタグ情報を取得する。ステップＳ４０３では、印刷コンテンツ評価部２０５は、取得した画像及びそのタグ情報から対象である被写体人物を含む画像を解析する。

なお、ステップＳ４０１〜Ｓ４０３の各処理に関して、ＳＮＳよりその被写体人物に関連する画像及びその画像に付与されたタグ情報を直接取得するＡＰＩが存在する場合は、それを用いても良い。

ステップＳ４０４では、印刷コンテンツ評価部２０５は、ステップＳ４０３で得られた各画像の解析結果から、ステップＳ３０４でダウンロードされた画像に含まれている人物の本来の顔の色を推定する。この処理の必要性について説明する。人が肌の色認知する際には、肌に当たった光源の反射光を見て判断する。従って、光源が太陽光の場合と蛍光灯の場合とでは、顔の色が変化する。従って、ステップＳ３０４でダウンロードされた画像に含まれている人物の顔の色が、本来の顔の色として好適かどうかは、この画像に対する画像理解だけでは不十分である。そこで、ステップＳ４０２で取得された、当該人物を含む多くの画像をステップＳ４０３で解析することで、注目人物の適正な肌色を調べる。ステップＳ４０４では、印刷対象の画像以外の画像における当該人物の肌色が参照されるため、適切な肌色が決定される可能性が高い。

上述のように、ＳＮＳ上には、既知の個人認識アルゴリズムによるものではなく、第三者を含めた大量の人手による人物位置のタグ付けがなされている。既知の個人認識アルゴリズムによる人物同定においては、数割の確率で誤認識が発生する。特に兄弟や親子など元々顔立ちが似ている人物について、既存のアルゴリズムで確実に識別することは困難な場合がある。一方、上記のタグ付けは人手を介して行われるため、アルゴリズムによる認識に比して正確な情報である可能性が高い。ここでは、上記のような正確なタグ情報を用いるので、注目人物の適正な肌色をより正確に決定できるという利点がある。

適正肌色の調べ方は、例えば、タグ情報を用いて数多く取得した顔領域の平均Ｙ０Ｃｂ０Ｃｒ０値としてもよいし、色相の平均値を用いても良い。あるいは輝度の中央値を求めても良い。あるいはそれぞれの最頻値を用いても良い。

図３に戻って説明を続けると、ステップＳ３０７では、ステップＳ３０２で取得した印刷対象画像における被写体人物の顔の色（平均ＹＣｂＣｒ値）と、ステップＳ３０６で推定された顔の色（Ｙ０Ｃｂ０Ｃｒ０）とを比較し、補正が必要か否か判定する。即ち、ＹＣｂＣｒ値と、Ｙ０Ｃｂ０Ｃｒ０が類似しているか判定され、類似していないと判定された場合、補正が必要と判断される。両者が類似しているか否かは、例えば、Ｙ、Ｃｂ、Ｃｒの色成分毎に比較を行い、そのいずれかの差分が所定の閾値を越える場合に、類似していないと判断することができる。ここで、補正が必要と判定された場合、処理はステップＳ３０８に進み、補正処理を実行する。この補正処理の一例としては、印刷対象画像データにおける被写体人物の顔の色と推定された顔の色の輝度差を印刷対象画像データ全体に反映させる方法が挙げられる。

ここで、その補正処理の一例について、図５〜図６を参照して説明する。

図５はＹＣｂＣｒ値をＹ０Ｃｂ０Ｃｒ０値に近づけるための補正処理の一例を示すフローチャートである。図６は輝度濃度曲線の例を示す図である。

ステップＳ１００１では、まずＹＣｂＣｒ空間において、ＹをＹ０に変換するような図６に示すような輝度濃度曲線を設定する。次に、ステップＳ１００２では、ＣｂＣｒをＣｂ０Ｃｒ０に変換するような色シフトベクトル（Ｃｂｖ, Ｃｒｖ）＝（Ｃｂ０−Ｃｂ, Ｃｒ０−Ｃｒ）を定義する。

次にステップＳ１００３では、輝度濃度曲線と色シフトベクトルを適用したＲＧＢ空間における３ＤＬＵＴを生成する。３ＤＬＵＴの生成方法については既知であるため、具体例を簡潔に述べる。まず、各グリッドのＲＧＢ値を一度ＹＣｂＣｒ値に変換する。次に、Ｙ成分に対して図６に示す輝度濃度曲線を適用し、ＣｂＣｒ値にはそれぞれ上述した色シフトベクトルを加算することで、Ｙ’Ｃｂ’Ｃｒ’値を算出する。これらＹ’Ｃｂ’Ｃｒ’値をＲＧＢ空間の座標系に変換することで、Ｒ’Ｇ’Ｂ’値を得る。

ステップＳ１００４では、このようにして生成された３ＤＬＵＴを画像の各画素に対して公知の補間方法を用いて適用し、補正後の画像データを得る。

以上が補正処理の一例の説明であるが、本発明はこの方法に限定されるものではなく、算出した肌色ＹＣｂＣｒ値を、推定したＹ０Ｃｂ０Ｃｒ０値に近づける方法であれば、いずれの方法を用いても構わない。また画像全体について補正を行う場合に限らず、画像内の人物に対応する領域のみに補正を行う場合であってもよい。

再び図３に戻って説明を続けると、ステップＳ３０９では、ステップＳ３０７において補正が不要と判断された印刷対象の画像データそのもの、又は、ステップＳ３０８で補正が施された画像データを、印刷データ生成部２０６に転送して印刷データを生成する。

従って以上説明した実施形態に従えば、ＳＮＳから得られた情報に基づいてダウンロードした画像データを解析し、その解析結果に基づいて必要なら、注目人物の適正な肌色をより正確に表現するための補正処理を施した画像データを印刷に用いることができる。

なお、上記実施形態では、印刷対象画像の人物同定において、ＳＮＳのタグ付け情報を利用したが、本発明はこれに限定されるものではない。例えば、印刷対象画像中の人物同定において、既知の個人認識アルゴリズムを用いて、人物同定を行っても構わない。その同定の結果得られた情報から、ＳＮＳ上のタグ付け情報を利用して平均顔色値を算出したとしても構わない。

また、上記実施形態では、印刷処理を行う時点で、印刷対象の写真画像に写っている人物の肌色の推定を行ったが、本発明はこれによって限定されるものではない。例えば、初回の印刷時に行われる注目画像に含まれている人物の肌色推定の情報を人物のＩＤ（名前など）とともに、データベースに保存し、次回に別の画像を印刷する際には、そのデータベース内から読み出した肌色値を用いて補正処理を行っても良い。このようにすることで処理を高速化することが可能となる。

［第２実施形態（図７〜図１１）］
第１実施形態では、ＳＮＳから印刷対象画像中の被写体人物のタグ情報を取得し、その人物の顔の色を評価・解析して、その画像に補正を施す例を示した。これは、ＳＮＳから情報を取得して、印刷対象画像を評価し、印刷データを生成する一例であるが、本発明はこれに限られるものではない。ここでは、ＳＮＳに投稿されたアルバムと呼ばれる電子写真群を用いて、自動レイアウトを生成する例について説明する。ここでは、特に、ＳＮＳからその写真群に関連する第三者の支持情報やコメント情報等を取得し、それらを用いてその写真群を評価し、自動レイアウトを生成する例を説明する。

例えば、画像解析を行って、画像全体の明るさ、コントラストの適正度や検出した人物顔の明るさや鮮鋭度の適正度合い、あるいは特定のユーザが自身の主観で付けた画像評価を元にレイアウト画像の優先順位を決めることもできる。しかし、多少顔がボケていたとしても表情が豊かな写真等、画像解析では必ずしも評価が高くない画像であっても、印刷に適している場合がある。また、主観評価のタグを付ける作業は膨大であり、多くの画像に一人のユーザが主観評価を行うことは困難である場合がある。よって、上記の方法では印刷対象の候補となる画像を多くある場合に、画像に対して適切な評価を行うことができないことがある。

上記課題を鑑みて、この実施形態では以下のような構成を採用する。

まず、一般的にユーザがＳＮＳを利用して、画像をアップロードするために必要な処理として、ユーザがＳＮＳにログインする処理、あるイベントに対して画像をアップロードする処理がある。ユーザがアップロードした画像は、第三者（家族であったり、遠くはなれた親戚であったり、あるいは血縁関係のない友人であったりする）のニュースフィード上に表示される。第三者はその画像を見て、表情が面白い画像や、珍しい画像、美しい画像に対して、「いいね」ボタンを押したり、コメントを付加したり、あるいは、良い写真があれば、自分のニュースフィード上でシェアする。これらの情報は、そのユーザのＳＮＳ上の友人が多い程、必然的により多く得られることになる。

上記が、ＳＮＳ上における通常のユーザ間のやりとりとなる。

次に、あるイベントの写真群に対して、ユーザが所定アプリケーションを用いてアルバムレイアウトを自動作成したいと考える。

図７は第２実施形態に従うレイアウト自動作成処理を示すフローチャートである。図７に示す処理は図３のフローチャートと同様に、ＣＰＵ１００により実現される。

まず、ステップＳ５０１で、ＣＰＵ１００はユーザの指示に応じて情報処理装置１１５のＯＳ上でプリントアプリケーションを起動し、ＳＮＳにログインする。

図８はログイン画面の例を示す図である。図８に示されるように、その画面には、ＳＮＳ提供会社のロゴ６０１等が表示される。ユーザは、ロゴ６０１の下に表示される欄６０２にＳＮＳ−ＩＤを、欄６０３にＳＮＳパスワードを入力し、ログインボタン６０４を押す。

その押下に応じて、ステップＳ５０２では、ＳＮＳ上にアップロードしたイベント毎のアルバム群が表示される。

図９はアルバム群の表示例を示す図である。その画面では、アルバム名７０１、そのアルバム名の代表的な写真７０２が表示される。

ステップＳ５０３では、ＣＰＵ１００はユーザの指示に応じて、そのアルバム群の中から所望のイベントを選択する。

次にステップＳ５０４では、ＣＰＵ１００が、そのアルバム群の画像データと一緒に、その画像を閲覧した人物がその画像に対して入力した支持情報（「いいね」）やコメント、シェアのＳＮＳ情報を入手する。ステップＳ５０５ではＣＰＵ１００はさらに、ユーザの指示に応じてアルバムのテンプレートを選択する。そのテンプレートは、予め各ページの画像枠の数や位置、あるいは背景の図柄や色など、様々なものが用意されている。

図１０〜図１１はテンプレートの一例を示す図である。図１０に示すテンプレートでは画像は四角枠８０１に配置され、図１１に示すテンプレートでは画像は四角枠や楕円枠９０２に配置される。また、各画像枠には、その大きさや位置から、枠の優先順位が定義されている。その優先順位は図１０〜図１１に示すＰｒｉｏｒｉｔｙの数値で表わされる。

次にステップＳ５０６では、ステップＳ５０４で取得した各画像に関連するＳＮＳ情報を用いて、各画像を評価する。評価は、表１のような重みづけを用いる。

＜表１＞
・−−−−−−−−−−−・−−−−−−−・−−−−−−−・
｜評価項目（ＳＮＳ情報）｜ 基礎点 ｜ 合計点 ｜
・−−−−−−−−−−−・−−−−−−−・−−−−−−−・
｜ いいね ｜ point1 ｜ point1×数 ｜
・−−−−−−−−−−−・−−−−−−−・−−−−−−−・
｜ コメント ｜ point5 ｜ point5×数 ｜
・−−−−−−−−−−−・−−−−−−−・−−−−−−−・
｜ シェア ｜ point10 ｜ point10×数 ｜
・−−−−−−−−−−−・−−−−−−−・−−−−−−−・

さらに、ステップＳ５０７では、画像解析による画像の評価を行う。

画像解析の評価としては、表２のような内容と、ｐｏｉｎｔを定義する。

＜表２＞
・−−−−−−−−−−−−−−−−−−−−−・−−−−−−−・−−−−−−・
｜ 評価項目 ｜ 基礎点 ｜ 合計点 ｜
・−−−−−−−−−−−−−−−−−−−−−・−−−−−−−・−−−−−−・
｜ 顔の平均輝度値が所定範囲に含まれている ｜ point1 ｜point1×顔数｜
・−−−−−−−−−−−−−−−−−−−−−・−−−−−−−・−−−−−−・
｜ コメント顔領域の鮮鋭度が ｜ point1 ｜point1×顔数｜
｜ 所定範囲に含まれている ｜ ｜ ｜
・−−−−−−−−−−−−−−−−−−−−−・−−−−−−−・−−−−−−・

上記評価値を元に、最終評価値Ｅｆｉｎを算出する。アプリケーションは、その評価値が高い画像順に、上記テンプレートの画像枠に画像を配置する。

自動配置後のレイアウトは情報処理装置１１５のＵＩ上に表示され、必要に応じて、ユーザが手動で画像の変更、拡大縮小等を行っても良い。

レイアウト作成後の画像データは、ユーザが用紙種別や品位等の設定を行った後、所定フォーマットでプリンタ１１２へ入力され、プリンタ内部で所定解像度へのレンダリング処理、所定の色変換処理を適用後、プリンタエンジンから印刷されることとなる。

従って以上説明した実施形態に従えば、ＳＮＳから得られた情報に基づいて、ユーザが所望するイベントの写真群に対して、アプリケーションを用いてアルバムレイアウトを自動作成することができる。

なお、上記実施形態におけるポイント（ｐｏｉｎｔ）数などの値は、説明のための値であり、他のポイント数や演算式を用いたとしても本発明の目的と合致するものであれば良い。

［第３実施形態（図１２〜図１３）］
第１実施形態では、ＳＮＳ情報を用いてより精度の高い人物の肌色補正を行う例について説明したが、同じ考え方は、例えば、赤目補正にも適用可能である。即ち、ＳＮＳ上の正確な人物タグ付け情報が利用できれば、当該人物の瞳の虹彩色を正確に推定することが可能である。赤目は瞳の虹彩のさらに内側の瞳孔部分に侵入したフラッシュ光が目の奥の網膜に反射することで、瞳孔部分が赤く光る現象である。既知の赤目補正アルゴリズム（例えば、特開２００６−３５０５５７号公報等）によれば、赤目領域を検出して補正する際に、赤い瞳孔領域の明度および彩度を下げて、黒く補正する。しかしながら、赤目の補正はこれでは不十分であり、瞳孔の明度・彩度を低下させた後に虹彩部分を再現する必要がある。

ここでは、上記課題に鑑みて、ＳＮＳのタグ付け情報から注目人物の虹彩色を正確に特定し、その特定色を用いて赤目補正を実行する例について説明する。

図１２は第３実施形態に従うプリント処理の概要を示すフローチャートである。なお、図１２と図４とを比較すると分かるように、図１２には図４で説明したのと共通の処理が含まれている。それで、共通の処理ステップには同じステップ参照番号を付し、その説明は省略する。ここでは、この実施形態に特有の処理ステップについてのみ説明する。

ステップＳ４０４’で印刷コンテンツ評価部２０５は、印刷コンテンツ取得部２０３がＳＮＳ上から取得した印刷対象画像中に含まれる人物が含まれる画像情報を元に、写真中の瞳の虹彩色情報を取得する。虹彩色の取得方法については、既知の瞳抽出アルゴリズム（例えば、特開２０１０−２０５９４号公報）を用いることで取得することができるので、ここでの説明は省略する。そして、第１実施形態と同様に、上記によって取得した虹彩色を目標値であるＹ０Ｃｂ０Ｃｒ０値とする。

印刷対象画像に含まれている注目人物の瞳が赤目状態となっている場合、ユーザの指示、又はアプリケーションの自動的な判断によって、赤目補正処理が実行される。

赤目領域の検出は、例えば、上述の特開２００６−３５０５５７号公報等に記載の方法に従って行われる。

検出した赤目領域の補正は次のように実行される。

図１３は赤目領域の補正の概要を説明する図である。

ここでは、図１３に図示するように、赤目領域に対して内側同心円１３０１、外側同心円１３０２を設定する。そして、内側同心円１３０１の内部は従来どおり明度・彩度を下げる補正を行い、外側同心円１３０２の内部であって内側同心円１３０１の外側の領域については、上記取得したＹ０Ｃｂ０Ｃｒ０値で補正を行う。

従って以上説明した実施形態に従えば、注目人物の虹彩色までも再現した、より好ましい赤目補正を実現することが可能となる。

なお、この実施形態でも、推定した虹彩色情報は、人物ＩＤとともにデータベースに保存しておくことで、次回の処理を高速化することができる。

［第４実施形態（図１４〜図１７）］
本発明において、印刷コンテンツ以外の情報をＳＮＳから取得する際、その情報は印刷対象画像に直接紐付いたものである必要はない。前述の実施形態では、いずれも印刷対象画像に紐付いたタグ情報や第三者による支持情報及びコメント情報を利用したが、本発明はこれによって限定されるものではない。ここでは、ＳＮＳからユーザの年齢に関する情報を取得し、印刷物のページレイアウトを制御する例について説明する。

デジタル複合機やプリンタ等の画像形成装置の中には、複数ページ分の画像を用紙１枚の上に画像形成するＮ−ＵＰ印刷モードを備えるものがある。最近は、環境に対する負荷を考慮して、用紙１枚に２ページ分の画像を印刷する２−ＵＰ印刷モードをデフォルト設定とするケースも珍しくない。しかしながら、Ｎ−ＵＰ印刷をした際、画像によっては、画像内に含まれる文字が小さくて読めなかったり、潰れて読めない場合がある。

この場合、ページレイアウトを変更して再印刷しなくてはならないといった問題が生じる。この問題に対して、印刷前に原稿画像内の文字サイズを計算し、その結果に応じてＮ−ＵＰ印刷を制御する技術がある。例えば、特開２００３−１３４３２３号公報には、原稿画像内の文字サイズを認識し、これをＮ−ＵＰ印刷した際の文字サイズを計算する構成が開示されている。この計算結果と予め設けた最小文字サイズを比較して、Ｎ−ＵＰ印刷実行可否の判断をするのである。また、特開２００５−２１７８５９号公報は、印刷対象画像を画像情報とテキスト情報とに分離し、各々に対して可読性を判定して、Ｎ−ＵＰ印刷におけるページ数Ｎを制御する技術を提案している。他方、人間の視力は年齢に応じて変化する。故に、同じ原稿であっても、その可読性基準はユーザの年齢に応じて変化させるべきである。しかしながら、前述のいずれの公知技術においても、可読性の指標は年齢に応じたものになっていない。このことは、画像自体を用いた画像解析だけでは、ユーザ個々に適した画像理解が困難であること意味している。

ここでは上記課題を鑑みて、ＳＮＳからユーザの年齢に関する情報を取得して、それを利用することで、ユーザの年齢を考慮したＮ−ＵＰ印刷制御を実行する。

図１４は第４実施形態に従う印刷データの生成処理の概要を示すフローチャートである。なお、図１４において、第１実施形態において図３を参照して説明したのと同様の処理ステップについては同じステップ参照番号を付し、その説明は省略する。

ステップＳ３０１の後、ステップＳ３０２Ａで印刷するファイルを選択する。そのファイルは、写真等の画像ファイルであっても良いし、テキストファイルであってもよいし、文書・画像編集アプリケーション独自形式のベクターデータとラスタデータ混合ファイルであってもよい。

次にステップＳ３０３で、ＣＰＵ１００は、ユーザの指示に応じて、選択ファイルの印刷指示を行う。ここで、ユーザは所望のＮ−ＵＰ印刷を指示する。Ｎ−ＵＰ印刷指示は、ユーザがＮの値を指定する形であってもよいし、可読な範囲で最大のＮを自動で算出するよう指示してもよい。ユーザによる指示が特に無い場合は、デフォルト設定とする。

ここでは、ユーザの指示もしくはデフォルト設定により、Ｎ≧２の値が指定されたとして処理を進める。印刷指示にはこの他に、使用する紙の種類、品位、カラー設定が含まれていても良い。これらは通常のプリンタドライバから設定できる。あるいは、例えば、紙種検知センサ（不図示）を用いて自動設定しても良い。

ステップＳ３０４ＡではＣＰＵ１００が、ステップＳ３０３で生成された印刷ジョブに基づいて、印刷コンテンツ取得部２０３は印刷対象ファイルデータを取得する。そのファイルデータは２次記憶装置１０３やサーバ１１４に保存されている。

次にステップＳ３０５Ａでは、ＳＮＳ情報取得部２０４は、ユーザの年齢に関する情報を取得する。その情報は、年齢であってもよいし、ユーザの生年月日情報でもよい。その情報が生年月日情報である場合、その生年月日情報を用いてユーザの年齢を算出する。

さらにステップＳ３０６Ａでは印刷コンテンツ評価部２０５が、ユーザの年齢を考慮した印刷対象ファイルの解析を行う。

図１５は解析処理の詳細を示すフローチャートである。

ここで、この解析については、図１５を参照して説明する。

まず、ステップＳ１５０１で印刷コンテンツ評価部２０５は、印刷対象ファイルのフォント情報を取得する。フォント情報は、フォントスタイル、フォントサイズ、フォントカラー、ボールドか否か、斜体か否か、下線やメッシュの有無、その他フォントの全ての装飾情報を含む情報である。フォント情報は、その印刷対象ファイルのファイル形式の規格に沿って、取得することができる。また、印刷対象ファイルが写真やスキャン画像である場合は、ＯＣＲ（光学的文字認識）等、公知の技術を用いてフォントサイズを取得することができるので、詳細な説明は割愛する。ここでは、印刷対象ファイル内の全てのフォントサイズ（文字サイズと同義）を取得する。

次にステップＳ１５０２で印刷コンテンツ評価部２０５は、ユーザの年齢からそのユーザの最小可読文字サイズを算出する。その最小可読文字サイズの算出方法に関しては手段を選ばない。ここで挙げる例は一例に過ぎない。ここで用いる最小可読文字サイズの算出方法は以下の通りである。

日本工業標準調査会による「ＪＩＳ Ｓ ００３２」によると、日本語文字の最小可読文字サイズＰｍｉｎ（ポイント）は以下の式で表わされる。

Ｐｍｉｎ＝ａＳ＋ｂ
ここで、ａ、ｂは日本語の文字種類によって決まる係数、Ｓはサイズ係数である。サイズ係数Ｓは、観測環境（印刷物における文字の背景の輝度）、観測距離、前記観測環境及びその観測距離における視力から求められる。ここでは、印刷物を読む平均的な距離を考慮して、観測距離を０．５ｍとする。また、文字を印刷する印刷用紙として職場等で一般に使われるコピー用紙を想定して、観測環境を１００ｃｄ／ｍ２とする。また、係数ａ、ｂに関しては、明朝体の漢字１１〜１５画の漢字を想定して、ａ＝９．６、Ｂ＝３．６とする。

この条件下で、サイズ係数Ｓに各年齢を反映させた際のＰｍｉｎは、図１６にように表わされる。図１６は年齢と最小可読文字サイズＰｍｉｎとの関係を示す図である。

ここでは、このように算出した各年齢における最小可読文字サイズを１ＤＬＵＴの形で保持しておき、その１ＤＬＵＴを参照することで、ユーザ年齢に応じた最小可読文字サイズを算出する。

ステップＳ１５０３で印刷コンテンツ評価部２０５は、印刷対象ファイルのＮ−ＵＰ印刷時の文字サイズを算出する。Ｎの値により印刷対象ファイルをＮ−ＵＰ印刷する際の縮小率が決定する。ステップＳ１５０１で取得した全ての文字サイズにその縮小率を乗じることで、Ｎ−ＵＰ印刷時の文字サイズを算出することができる。

次にステップＳ１５０４〜Ｓ１５０５において、ステップＳ１５０２で算出した最小可読文字サイズとステップＳ１５０３で算出したＮ−ＵＰ印刷時の最小文字サイズを比較してその可読性を判定する。ここで、Ｎ−ＵＰ印刷時の最小文字サイズがユーザの最小可読文字サイズ以上であれば「可読」、そうでければ「不可読」と判定する。ここで、「不可読」と判定された場合、印刷コンテンツ評価部２０５はステップＳ１５０６においてユーザに警告を通知する。これは情報処理装置１１５のＵＩに所定のメッセージを表示することにより行われる。そのメッセージを確認したユーザが印刷続行を選択しない場合、処理はステップＳ１５０７に進み、設定されたＮの値を“−１”して、再度ステップＳ１５０３の処理に戻り、再度可読判定を行う。

ステップＳ１５０５において「可読」と判断された場合、又は、ステップＳ１５０６においてユーザが印刷続行を選択した場合、この解析処理を終了する。即ち、ステップＳ３０６Ａの処理を終了する。

図１４に戻って説明を続けると、ステップＳ３０７Ａで印刷コンテンツ評価部２０５は、ステップＳ３０６Ａの結果に基づいてＮ−ＵＰ処理を行う。その後、ステップＳ３０８で、プリンタ１１２に送信するための所定のフォーマットの印刷データが生成される。

なお上記の例では、ユーザ指示もしくはデフォルト設定により、Ｎ−ＵＰ印刷においてＮ≧２の値が指定された場合について説明した。

しかしながら、本発明はこれによって限定されるものではなく、可読範囲で最大のＮに自動で算出するよう指示してもよい。その場合、ステップＳ３０６Ａにおける解析処理は以下のようになる。

図１７は解析処理の変型例を示すフローチャートである。なお、図１７において、図１５において説明したのと同じ処理ステップについては同じステップ参照番号を付し、その説明は省略する。図１７と図１５とを比較すると分かるように、ステップＳ１５０１Ａ、Ｓ１５０５Ａ、Ｓ１５０７Ａ以外の処理は、図１５と同様である。

ステップＳ１５０１ＡではＮ＝１を設定する。Ｓ１５０１〜Ｓ１５０４の処理により、ステップＳ１５０５Ａにおいて、「可読」と判定された場合、処理はステップＳ１５０７Ａに進み、Ｎの値を“＋１”し、処理はステップＳ１５０４に戻り、その後、可読性の判定を繰り返す。このようにして、判定結果が「不可読」となるまで、Ｎを増やすことで、可読範囲で最大のＮを自動算出することができる。

上記の従来の技術では、ページレイアウト処理の内容は個々のユーザの特性を考慮してできていなかった。そのため、全ユーザを同一のものとみなし、全ユーザに対して一律な処理を施していた。

しかしながら、以上説明した実施形態に従えば、年齢のようなユーザの個人の特性に関する情報をＳＮＳから取得することで、ユーザ個々に適した画像理解を行うことが可能となり、これによって、ユーザ個々に適したページレイアウト処理が可能になる。

なお、上記の説明で用いた演算式や値は、説明のための例に過ぎず、他の演算式や値を用いたとしても、この実施形態の目的と合致するものであれば、他のものでも良い。

［第５実施形態（図１８）］
前述の実施形態では、ＳＮＳ情報を用いた印刷コンテンツの評価結果を利用して印刷データを生成する際、印刷対象画像の補正やレイアウトの生成等、印刷コンテンツを直接ハンドリングする例を示した。しかしながら、本発明はこれによって限定されるものではない。ここでは、印刷コンテンツに含まれる人物のタグ情報を利用して、適切な印刷部数を自動で設定する例について説明する。

一般に、デジタル複合機やプリンタ等の画像形成装置における印刷部数の決定は、印刷時にユーザが手動で設定する。しかしながら、例えば、複数の人物が写る集合写真をシェアするために、該当人物一人につき一部ずつ印刷しようとすると、写真に写る人物の数を数え、手動で設定しなければいけない。この作業は、写真に写る人数が増えるほど煩わしさが増し、また数え間違える可能性も大きくなる。また、複数画像を一括して印刷する際に、画像毎に写っている人物の数を数え、画像毎に手動で部数を設定することは大変な手間である。この問題に対して、画像内で顔検出を行い、検出された顔の数を用いて印刷部数を決定する技術がある（例えば、特開２００３−２１９３２９号公報参照）。

しかしながら、検出顔数によって印刷部数を設定すると、例えば、画像内に通行人等の関係無い人物が写っている場合に、その人物の数も数えられてしまい、必要以上の部数の印刷物が出力されてしまうといった問題があった。

ここでは、上記課題に鑑みて、ＳＮＳ上で画像に付与されたタグ情報を取得して利用することで、印刷部数を決定する。

図１８は第５実施形態に従う印刷データの生成処理の概要を示すフローチャートである。なお、図１８において、第１実施形態において図３を参照して説明したのと同様の処理ステップについては同じステップ参照番号を付し、その説明は省略する。図１８と図３とを比較すると分かるように、この実施形態において特徴的な処理はステップＳ３０３ＢとＳ３０６Ｂである。

ステップＳ３０３Ｂにおける印刷指示において、ユーザは印刷部数を明示的に決定しない。想定されるケースは、印刷部数設定を自動制御する場合や、印刷部数を各画像に写る人物数だけ印刷するモードをユーザが指定する場合等である。

ステップＳ３０６Ｂでは、ステップＳ３０５で同定された人物の数で印刷部数を決定する。

この実施形態では、各画像で同定された人物の数で印刷部数を決定することで、単なる顔検出数による印刷部数決定に比べ、より正確な処理を行うことができる。また、前述の通り、ＳＮＳ上には、既知の個人認識アルゴリズムによるものではなく、第三者を含めた大量の人手による人物位置のタグ付けがなされている。既知の個人認識アルゴリズムによる人物同定においては、数割の確率で誤認識が発生する。特に、横顔やマスクを付けている等の検出はできても人物の同定が困難な場合、また顔の一部が写っていない、人間の顔とは大きく異なる物に仮装している等の検出そのものが困難な場合、アルゴリズムで確実に識別することは難しい。一方、上記のタグ付けは人手を介して行われるため、アルゴリズムによる認識に比して正確な情報である可能性が高い。

従って以上説明した実施形態に従えば、上記のような正確なタグ情報を用いて、適切な印刷部数を決定し、それに従った部数の印刷を行うことができる。

なお、この実施形態では、ＳＮＳより画像に付与された人物タグ情報を取得して印刷部数を決定する例について説明したが、本発明はこれによって限定されるものではない。例えば、あるイベントに関する資料や、あるイベントに関する写真アルバムを、そのイベント参加者全員に印刷して配布する場合、ＳＮＳ上のイベント情報からそのイベントに参加する人物の情報を取得し、印刷部数を決定しても良い。

また、これ以外の方法を用いたとしても、この実施形態の目的と合致するものであればそれを採用することができる。

［第６実施形態（図１９〜図２２）］
第２実施形態では、アルバムレイアウトを自動作成する際にＳＮＳにおける第三者の評価情報を用いる例について説明した。また第２実施形態では、人間の主観評価を用いることで画像解析だけでは選別し辛い画像をレイアウトに使用できる利点を述べた。さらに、ＳＮＳにおける第三者の評価情報を用いることで膨大な画像全てを自ら評価をせずとも、良いレイアウトを作成できる利点についても述べた。

ただし、第２実施形態では、ＳＮＳ情報を用いた評価における各項目の基礎点は、その評価を行った人物に依らず一律であった。従って、このような方法では、レイアウト作成対象画像が同じであれば、ユーザ個々の意図に係らず、どのユーザがレイアウト自動生成を実行しても同じレイアウトが作成されてしまう。

ＳＮＳ上では、あるユーザがアップロードした画像やアルバムを他のユーザが閲覧したり、共有(シェア)することができる。そのため、同一の写真群を対象に、異なる複数のユーザがアルバムレイアウトの自動作成を行う場合が頻繁に起こりえる。しかしながら、各画像に主観評価を行った人物とレイアウト作成を行うユーザとの関係は必ずしも一律ではない。このため、ある画像に対して評価がなされる場合、レイアウト作成を行うユーザの友人による評価である場合もあれば、他人による評価である場合もある。もしくは、その画像評価がレイアウト作成を実行するユーザ本人によるものである場合もある。一般的に、人によって、また人間関係によって、好ましいと思われる画像は異なる。以上の理由から、レイアウト作成を行うユーザ本人の評価や、そのユーザの直接の友人の評価を重視した方が適切なレイアウトができる場合がある。

また、例えば、画像Ａにはユーザ本人以外のＳＮＳユーザによる「いいね」が９８個、ユーザ本人による「いいね」が１個、合計９９個の「いいね」の評価タグが付いているとする。他方、画像Ｂにはユーザ本人以外の「いいね」が１００個、ユーザ本人による「いいね」が０個、合計１００個の「いいね」が付いているとする。「いいね」１個の基礎点を一律１点とすると、画像Ａの合計点は９９点、画像Ｂの合計点は１００点となる。この結果、「いいね」という画像評価観点においては画像Ｂの方が高得点となり、レイアウトに使用される可能性が高くなる。点差が僅か１点であるにも関わらず、ユーザ本人が「いいね」を付けた画像Ａよりも、「いいね」を付けていない画像Ｂの方がレイアウトに使用される可能性が高くなってしまうのである。即ち、上記の例では「いいね」の総数だけではなく、「いいね」を付与したユーザも考慮して画像を評価した方が、適切な評価が行える。

そこで、この実施形態では画像評価を行った人物に応じて、その基礎点の重みを変更する例について説明する。より具体的には、各画像に付けられた「いいね」の基礎点を、その「いいね」を付けた人物に応じて変更する例を示す。これにより、レイアウトを作成するユーザに応じて、レイアウト出力結果を変えることが可能になる。また、他のＳＮＳユーザの評価を利用しつつ、ユーザ本人による評価も生かしたレイアウトの作成も可能になる。

この実施形態の基本的な構成は第２実施形態と同様であるので、ここでは。この実施形態に特徴的な構成や処理に関してのみ説明を記載する。具体的には、図７のステップＳ５０４とステップＳ５０６に関し、この実施形態で特徴的な処理について説明する。

まず、ステップＳ５０４でＳＮＳ情報取得部２０４は、対象となるアルバム群の画像データと一緒に、ログインユーザの個人ＩＤ情報、ログインユーザの友人リスト情報、その画像に対して「いいね」を入力した人物の個人ＩＤ情報を取得する。友人リスト情報とは、ログインユーザとＳＮＳ内で友人関係にある他のユーザの個人ＩＤ情報の一覧である。

次にステップＳ５０６で印刷コンテンツ評価部２０５は、ステップＳ５０４で入手した各画像に関連するＳＮＳ情報を用いて各画像を評価する。具体的な手順を以下に示す。

まず、全画像の「いいね」を対象に、各「いいね」を入力した人物の個人ＩＤとログインユーザの個人ＩＤ及び友人の個人ＩＤを照合する。そして、各画像に付けられた各「いいね」が、ログインユーザによるものか、ログインユーザの友人によるものか、その他のユーザによるものかを分類する。次に、対象アルバム内の画像に評価をしている全ＳＮＳユーザを、ログインユーザ、ログインユーザの友人、その他のユーザの３つに分類し、各々の人数を求める。その後、各人数に応じて、分類毎の「いいね」の基礎点を算出する。最後に、各画像に付けられた各「いいね」の分類結果と、分類毎の「いいね」の基礎点とに基づいて、各画像における「いいね」の合計点を算出する。

その後に続くステップＳ５０７の画像解析による画像評価以降の処理は第２実施形態と同様である。なお、ログインユーザの個人ＩＤ情報は、ステップＳ５０１のログイン時に取得しても構わない。

次に、上述した「いいね」の基礎点を算出する処理と、その基礎点を変更することで出力結果が変わる様子を、具体的な例を挙げてより詳細に説明する。

例として、ＳＮＳ上にある６枚の画像（画像ａ、画像ｂ、画像ｃ、画像ｄ、画像ｅ、画像ｆ）からレイアウトに使用する２枚を選び出す場合を考える。効果を分かりやすく示すために、選ばれる画像は「いいね」による評価結果のみを用いて決められるものとする。６枚の画像には、１０人のＳＮＳユーザ（ユーザＡ、ユーザＢ、ユーザＣ、ユーザＤ、ユーザＥ、ユーザＦ、ユーザＧ、ユーザＨ、ユーザＩ、ユーザＪ）の何れかによって「いいね」が付けられている。

図１９はどのユーザがどの画像に「いいね」を付けたかを一覧表として示す図である。図１９において、“○”は「いいね」を付けたことを表わしていて、“−”は付けていないことを表わしている。また、図１９の一番下の欄には各画像の「いいね」の合計数が示されている。今、ユーザＡとユーザＢがそれぞれＳＮＳにおける自らのアカウントにログインし、アルバムレイアウトの自動作成を実行する場合を考える。

図２０はユーザＡとユーザＢと他のユーザとの人間関係を表わした図である。

図２０（ａ）は円２００１の円内に含まれるユーザがユーザＡの友人であり、同円の外にあるユーザはユーザＡと友人関係でないことを示す（ここでは他人と呼ぶことにする）。同様に、円２００２はユーザＢの友人の範囲を示している。また、図２０（ｂ）はユーザＡとユーザＢ夫々が他のユーザとどのような関係にあるのかを表として示す図である。これらから分かるように、ユーザＡとユーザＢとは互いに対しては他人であるが、ユーザＡとユーザＢの両方を友人とするユーザがいる。ユーザＦ、ユーザＧ、ユーザＨがこれに該当する。

以上のような人間関係を例として、ユーザＡとユーザＢがそれぞれレイアウトを作成する例について説明する。

図２１は４つのケース（Ｃａｓｅ１〜４）夫々についての基礎点を表として示す図であり、図２２は図２１に示す４つのケース（Ｃａｓｅ１〜４）夫々についての合計点を表として示す図である。

［１］Ｃａｓｅ１（ユーザ本人の評価のみを反映させる場合）
まず、比較のため、アルバムレイアウトを作成するユーザ本人の「いいね」のみ反映する場合を考える。これは実質的には、ＳＮＳ上での第三者による画像評価情報を利用しない場合に相当する。即ち、ローカルアプリケーション等でユーザ本人が各画像に対して「お気に入り」の設定を行う従来の技術（例えば、特開２００６−１２００７６号公報）と同じである。

「いいね」の基礎点は図２１のＣａｓｅ１の欄に示されるように、本人によるものが１点、他は０点となる。この結果、各画像の「いいね」の合計点及び選ばれる画像（＝出力結果）は、図２２のＣａｓｅ１の欄に示された通りになる。ユーザＡがレイアウト作成を行った場合もユーザＢがレイアウト作成を行った場合も、共にユーザ本人が「いいね」を付けた画像のみが選ばれる。注目すべきは、図１９から分かるように「いいね」数が最も少ない画像ｂもしくは画像ｄが選ばれ、「いいね」数が最も多い画像ｅが選ばれていない点である。

このように、「いいね」数が多い、即ち、（第三者が評価すれば）潜在的に良い画像である可能性の高い画像をレイアウトに使用できないのである。ユーザＡ及びユーザＢがそもそも画像ｅ、画像ｆを閲覧していない、もしくは閲覧したが「いいね」を付け忘れた等の可能性も十分考えられる。しかしながら、ユーザ本人の評価のみを使用する場合、これらの事態にも対応はできない。

［２］Ｃａｓｅ２（全員の評価を反映させ、基礎点に重み付けをしない場合）
ここでは、全ユーザ１０人の「いいね」を反映させ、且つ基礎点に重み付けをしない場合を考える。これは、第２実施形態の例に相当する。「いいね」の基礎点は図２１のＣａｓｅ２の欄に示される通り、一律１点となる。この結果、各画像の「いいね」の合計点及び出力結果は、図２２のＣａｓｅ２の欄に示された通りになる。ユーザＡがレイアウト作成を行った場合もユーザＢがレイアウト作成を行った場合も、共に「いいね」総数が多い順に２つの画像（画像ｅと画像ｆ）選ばれる。注目すべきは、ユーザ本人の「いいね」が付いた画像ａ及び画像ｂが選ばれず、ユーザ本人の「いいね」が付いていない画像ｆが選ばれている点である。また、画像ａ及び画像ｂと、画像ｆとの「いいね」総数の差は僅かに１である。

このように、「いいね」の総数が拮抗しているにも関わらず、ユーザ本人が「いいね」を付けた画像が選ばれず、付けていない画像が選ばれてしまうのである。基礎点に重みがないと、このような事態が生じえる。

［３］Ｃａｓｅ３（全員の評価を反映させ、ユーザ本人の評価の基礎点を重み付けする場合）
ここでは、全ユーザ１０人の「いいね」を反映させ、且つ、ユーザ本人の「いいね」の基礎点に重み付けをする場合を考える。友人と他人は区別せず、一律で「他ユーザ」とする。

基礎点の算出を次のようにする。ここでは、ユーザ本人の「いいね」の点数と、他ユーザ全員の「いいね」の合計点数のバランスを考えることにする。この例ではユーザ総数は１０人であり、ユーザ本人の１人に対して他ユーザは９人である。他ユーザによる「いいね」の基礎点を１点とすると、他ユーザ全員の「いいね」の合計点数は９点となる。これに対して、ユーザ本人の「いいね」の点数を何点にするかを考える。例えば、ユーザ本人の「いいね」の基礎点を他ユーザ全員の「いいね」の合計点数の５０％、即ち、４．５点に設定することを考慮する。

この設定は、次のような理由のためにユーザ本人の評価が強く反映され過ぎてしまう可能性がある。図１９の例では、画像６個に対して合計２１個の「いいね」が付けられていることが分かる。この評価において、ユーザＡもユーザＢも自ら付けた「いいね」は２個であるから、どちらの場合においても他ユーザによる「いいね」総数は１９個であり、他ユーザによる１画像あたりの平均「いいね」数は約３．１個であることが分かる。

他ユーザによる「いいね」の基礎点を１点とすると、他ユーザの「いいね」による１画像あたりの平均点数は３．１点となる。従って、４．５点はこの値を大きく上回ってしまう。この実施形態では、ユーザ本人の評価と他ユーザの評価を共に生かしたレイアウト作成を行うことを目的としているため、ユーザ本人の「いいね」の基礎点は、他ユーザによる１画像あたりの平均「いいね」数である３．１点を下回るよう設定する。

この実施形態では、ユーザ本人の「いいね」の基礎点を、以下の式で表わされる関係が満たされるように決定する。即ち、
ユーザ本人の「いいね」の点数：他ユーザ全員分の「いいね」の点数＝１：３
と設定する。

これに従うと、図２１のＣａｓｅ３の欄に示される通り、ユーザ本人の「いいね」の基礎点は３点、他ユーザの「いいね」の基礎点は１点となる。この結果、各画像の「いいね」の合計点及び出力結果は、図２２のＣａｓｅ３の欄に示された通りになる。即ち、ユーザＡがレイアウト作成を行った場合は画像ａと画像ｅが選ばれ、ユーザＢがレイアウト作成を行った場合は画像ｂと画像ｅが選ばれている。画像ａはユーザＡが「いいね」を付け且つ複数の他ユーザも「いいね」を付けている画像である。画像ｂはユーザＢが「いいね」を付け且つ複数の他ユーザも「いいね」を付けている画像である。画像ｅはユーザ本人は「いいね」を付けていないが他ユーザによる「いいね」が最も多い画像である。

このように、ユーザ本人の評価の基礎点を重み付けすることで、ユーザ本人の評価と本人以外のユーザの評価が共に生かされた結果を得ることができる。

［４］Ｃａｓｅ４（全員の評価を反映させ、ユーザ本人の評価の基礎点と友人の評価の基礎点に重み付けをする場合）
Ｃａｓｅ３では、ユーザＡがレイアウト作成を行った場合も、ユーザＢがレイアウト作成を行った場合も、共に画像ｅが選ばれているが、画像ｅはユーザＡもユーザＢも「いいね」を付けていない。このように、Ｃａｓｅ３によれば、ユーザ本人が「いいね」を付けていない画像が選ばれる場合、常に同じ画像が選ばれてしまうのである。これは、ある画像群からアルバムレイアウトを自動生成する場合、その画像群に「いいね」を付けていないユーザ間では常に同じレイアウトが出来てしまうことを意味する。

ここで、ユーザ本人が「いいね」を付けていない画像がそのユーザにとってどのような意味合いを持つかを検討する。

図２２によると、ユーザＡがレイアウト作成を行った場合とユーザＢがレイアウト作成を行った場合の両方において、２番目に点数が高い画像が画像ｅ、画像３番目に点数の高い画像が画像ｆとなっている。ここで、ユーザＡ及びユーザＢにとって、画像ｅと画像ｆの意味合いを比較検討する。

ユーザＡにとって、画像ｅは友人６人が「いいね」を付けた画像であるのに対し、画像ｆは友人３人と他人２人が「いいね」を付けた画像である。「いいね」を付けたユーザが全員友人であり、且つ「いいね」の総数も多い画像ｅの点数が高いことは合理的であるように思える。一方、ユーザＢにとって、画像ｅは友人３人と他人３人が「いいね」を付けた画像であるのに対し、画像ｆは友人５人が「いいね」を付けた画像である。画像ｅは「いいね」の総数は多いが、それを付けたユーザの半数はユーザＢにとって他人である。これに対し、画像ｆは「いいね」の総数が画像ｅのそれに比べて１個少ないが、「いいね」を付けたユーザ全員がユーザＢの友人である。

仮に、自分自身が写っている画像に各ユーザが「いいね」を付ける場合を考えると、ユーザＢにとって、画像ｅは友人３人と他人３人が写る画像であり、画像ｆは友人５人が写る画像となる。この場合、ユーザＢが作成するアルバムレイアウトにより相応しいのは、より多くの友人が写っている画像ｆであると考えることができる。これは、ユーザ本人が「いいね」を付けていない画像がレイアウトに用いられる際に、常に同じ画像が選ばれてしまうことには問題があることを示唆している。

上記を踏まえて、Ｃａｓｅ４では、全ユーザ１０人の「いいね」を反映させ、且つユーザ本人の「いいね」の基礎点と友人の「いいね」の基礎点を重み付けする。Ｃａｓｅ４では基礎点の算出を次のようにする。基本的な考え方はＣａｓｅ３と同様であるが、ここでは、各基礎点を、以下の式で表わされる関係が満たされるように決定する。即ち、
ユーザ本人の「いいね」の点数：友人全員分の「いいね」の点数＝１：３
他人全員分の「いいね」の点数：友人全員分の「いいね」の点数＝１：３
と設定する。

これに従うと、図２１のＣａｓｅ４の欄に示される値が基礎点として求められる。ユーザＡがレイアウト作成を行う場合、ユーザ本人の「いいね」の基礎点は３点、友人の「いいね」の基礎点は１．５点、他人の「いいね」の基礎点は１点となる。また、ユーザＢがレイアウト作成を行う場合、ユーザ本人の「いいね」の基礎点は４点、友人の「いいね」の基礎点は２．４点、他人の「いいね」の基礎点は１点となる。具体的な計算は省略するが、ここでもユーザ本人の「いいね」の基礎点は、友人及び他人の「いいね」による１画像あたりの平均点数を下回るよう設定されている。

この結果、画像の「いいね」の合計点及び出力結果は、図２２のＣａｓｅ４の欄に示された通りになる。ユーザＡがレイアウト作成を行った場合は画像ａと画像ｅが選ばれ、ユーザＢがレイアウト作成を行った場合は画像ｂと画像ｆが選ばれている。ユーザＡにとって、画像ａはユーザ本人が「いいね」を付け且つ複数の友人も「いいね」を付けている画像、画像ｅはユーザ本人は「いいね」を付けていないが多くの友人が「いいね」を付けている画像である。ユーザＢにとって、画像ｂはユーザＢ本人が「いいね」を付け且つ複数の友人も「いいね」を付けている画像、画像ｆはユーザ本人は「いいね」を付けていないが多くの友人が「いいね」を付けている画像である。

このように、全員の評価を反映させ、ユーザ本人の評価の基礎点と友人の評価の基礎点に重み付けをすることで、ユーザ本人の評価と本人以外のユーザの評価が共に生かされ、かつ本人以外の評価において友人の評価をより重視した結果を得ることができる。

従って、以上説明した実施形態に従えば、評価の基礎点にユーザ本人、その友人、他人などその人間関係に従った重み付けを行うことで、ユーザ自身と他のＳＮＳユーザの評価を利用しつつ、適切なレイアウトを作成することができる。

また、以上説明した実施形態では、レイアウト作成者がＳＮＳにログインすることで、そのレイアウト作成者が誰であるかをＳＮＳ上で一意に特定することができる。さらに、そのレイアウト作成者の友人情報と、レイアウト対象画像に関する主観評価（「いいね」と同じ）を行った人物の個人ＩＤ情報を取得することで、その主観評価の設定者を識別することができる。これにより、従来は設定者に依らず一律に扱われていた主観評価情報の重みを、その設定者に応じて変更することが可能になる。

従って、従来は誰が作成を実行しても同じレイアウト結果しか得られなかった自動レイアウトの出力結果を、レイアウトを作成するユーザに応じて変えることができるようになる。また、他のＳＮＳユーザの評価を利用しつつ、ユーザ本人による評価も生かしたレイアウトの作成も可能になる。

なお、以上説明した実施形態におけるポイント数（点数）等の値は説明のための値であり、他のポイント数や演算式を用いたとしても、本発明の目的と合致するものであれば、他の値や式を用いても良い。また、この実施形態では、「いいね」の設定者を本人、友人、他人の３種類に分類して各々の基礎点の重みを変えたが、本発明はこれによって限定されるものではない。その他の分類方法を用いたとしても、同等の効果が得られる場合は、その分類方法も本発明の範疇に含まれる。

また以上の実施形態におけるＳＮＳサーバは、サーバ装置を限定するものではない。即ち、ＳＮＳサーバが１つのサーバ装置から構成されてもよいし、複数のサーバを含むサーバシステムがＳＮＳサーバとして動作してもよい。例えば、印刷対象の候補となる画像を格納し、情報処理装置に画像を提供するサーバ装置と、評価情報を格納し、情報処理装置に提供するサーバ装置が異なる場合であってもよい。さらに、上記のように画像、評価情報を格納するサーバ装置と、それを情報処理装置に提供するサーバ装置とが異なる場合であってもよい。

本発明は前述した実施形態の機能を実現するプログラムコードを記録した記録媒体をシステム又は装置に供給し、そのシステム又は装置のコンピュータが記録媒体に格納されたプログラムコードを読出し実行することによっても達成されることは言うまでもない。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することとなり、そのプログラムコードを記憶した記憶媒体は本発明を構成することになる。プログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭ、ＤＶＤなどを用いることができる。

また、本発明はコンピュータが読み出したプログラムコードを実行することにより、前述した実施形態の機能が実現されるだけでない。本発明にはそのプログラムコードの指示に基づき、コンピュータ上で稼動しているOperating System（ＯＳ）などが実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれる。

また、本実施形態の機能を実現するためのプログラムコードを、１つのコンピュータ（ＣＰＵ、ＭＰＵ）で実行する場合であってもよいし、複数のコンピュータが協働することによって実行する場合であってもよい。さらに、プログラムコードをコンピュータが実行する場合であってもよいし、プログラムコードの機能を実現するための回路等のハードウェアを設けてもよい。またはプログラムコードの一部をハードウェアで実現し、残りの部分をコンピュータが実行する場合であってもよい。

１００ ＣＰＵ、１０１ ＲＯＭ、１０２ ＲＡＭ、１０３ ２次記憶装置、
１０４ ディスプレイ、１０５ タッチセンサ、１１２ プリンタ、
１１３ ネットワーク、１１４ サーバ

Claims (18)

1. ユーザの指示に応じて、当該ユーザとは異なる第三者によるアクセスが可能なサーバから出力対象の画像をダウンロードするダウンロード手段と、
   前記ダウンロード手段によりダウンロードされる出力対象の画像に対して第三者により付与された情報を取得する取得手段と、
   前記取得手段により取得された情報に従って、前記出力対象の画像に対して評価を行い、当該評価の結果に基づいて前記出力対象の画像に対する画像処理方法を決定する決定手段と、
   前記出力対象の画像に対し、前記決定手段により決定された画像処理方法に従った画像処理を行う画像処理手段と、
   前記画像処理手段により画像処理された前記出力対象の画像を出力する出力手段と
   を有することを特徴とする情報処理装置。
2. 前記サーバは、ＳＮＳ（ソーシャル・ネットワーキング・サービス）を提供するサーバであることを特徴とする請求項１に記載の情報処理装置。
3. 前記取得手段は、前記ＳＮＳを用いる前記第三者によりなされた評価を示す情報を取得することを特徴とする請求項２に記載の情報処理装置。
4. 前記出力手段は前記出力対象の画像を記録媒体に印刷するプリンタに出力することを特徴とする請求項１乃至３のいずれか１項に記載の情報処理装置。
5. 前記画像処理は、前記ダウンロードした画像に対する補正処理を含むことを特徴とする請求項１乃至４のいずれか１項に記載の情報処理装置。
6. 前記決定手段は、前記補正処理を実行するか否かを決定することを特徴とする請求項５に記載の情報処理装置。
7. 前記取得手段は、人物を特定するための情報を取得し、
   前記決定手段は、
   前記取得手段により取得された情報に基づき、前記人物を含み且つ前記出力対象の画像とは異なる他の画像を前記サーバから取得し、
   当該取得された他の画像を解析することで、前記画像処理方法を決定することを特徴とする請求項１乃至６のいずれか１項に記載の情報処理装置。
8. 前記画像処理方法は、肌色補正または赤目補正を含むことを特徴とする請求項７に記載の情報処理装置。
9. 前記決定手段は、前記ダウンロードした、複数の画像を１枚の記録媒体に印刷するためのＮ−ＵＰ処理における、１枚の記録媒体に印刷する画像の数を決定することを特徴とする請求項１乃至４のいずれか１項に記載の情報処理装置。
10. 前記決定手段は、前記取得手段が取得した情報が示す前記ダウンロードを指示したユーザの年齢に基づいて、いくつの画像を１枚の記録媒体に印刷するのかを決定する決定手段を含むことを特徴とする請求項９に記載の情報処理装置。
11. 前記出力手段は、前記ダウンロード手段によりダウンロードされた複数の画像を用いたアルバムのレイアウトの自動作成を行うことを特徴とする請求項１乃至１０のいずれか１項に記載の情報処理装置。
12. 前記取得手段はさらに、前記取得手段により取得された情報を付与した前記第三者が、前記ダウンロードを指示したユーザの友人であるか、他人であるかを分類するための分類情報を取得し、
    前記決定手段は、前記第三者により付与された情報と前記分類情報とに従って、前記出力対象の画像に対する評価を行うことを特徴とする請求項１１に記載の情報処理装置。
13. 前記アルバムのレイアウトの自動作成には、予め定められたフォーマットのアルバムのテンプレートが備えられ、
    前記アルバムのテンプレートには、予め定められた数の画像が含まれることを特徴とする請求項１１又は１２に記載の情報処理装置。
14. 前記取得手段により取得された前記分類情報により前記友人と前記他人とに分類された、前記付与された情報に基づいて、前記アルバムのテンプレートに含められる画像を選択する選択手段を含むことを特徴とする請求項１２に記載の情報処理装置。
15. 前記取得手段により取得された前記分類情報により前記ダウンロードを指示したユーザ本人の分類が可能であり、
    前記選択手段は、当該ユーザの評価と前記友人の評価と前記他人の評価それぞれに重み付けを行い、当該重み付けの結果に基づいて、前記アルバムのテンプレートに含められる画像を選択することを特徴とする請求項１４に記載の情報処理装置。
16. 前記第三者により付与された情報は、当該第三者の属性情報および当該第三者により前記ダウンロードされた画像に付与された当該画像の構成を示す情報を含むことを特徴とする請求項１乃至１５のいずれか１項に記載の情報処理装置。
17. ユーザの指示に応じて、当該ユーザとは異なる第三者によるアクセスが可能なサーバから出力対象の画像をダウンロードするダウンロード工程と、
    前記ダウンロード工程にてダウンロードされる出力対象の画像に対して第三者により付与された情報を取得する取得工程と、
    前記取得工程において取得された情報に従って、前記出力対象の画像に対して評価を行い、当該評価の結果に基づいて前記出力対象の画像に対する画像処理方法を決定する決定工程と、
    前記出力対象の画像に対し、前記決定工程にて決定された画像処理方法に従った画像処理を行う画像処理工程と、
    前記画像処理工程により画像処理された前記出力対象の画像を出力する出力工程と
    を有することを特徴とする情報処理方法。
18. コンピュータを、請求項１乃至１６のいずれか１項に記載の情報処理装置の各手段として機能させるための、または請求項１７に記載の情報処理方法をコンピュータに実行させるためのプログラム。

Images