分形图形风格融合方法、装置、电子设备及存储介质

专利名称：分形图形风格融合方法、装置、电子设备及存储介质

专利类型：发明专利

专利申请号：CN202010790765.5

专利申请（专利权）人：中移(杭州)信息技术有限公司,中国移动通信集团有限公司
权利人地址：浙江省杭州市五常街道余杭塘路1600号A01号楼

专利发明（设计）人：刘兆辉,朱群,陈凯,陈志浩

专利摘要：本发明实施例涉及图像处理领域，公开了一种分形图形风格融合方法。本发明利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片的第一图片特征及风格图片的第二图片特征，融合所述第一图片特征及所述第二图片特征得到融合图片。本发明还提出一种分形图形风格融合装置、电子设备以及计算机可读存储介质。本发明实施例利用空洞卷积操作，有效地解决了分行图片融合过程中计算复杂的问题。

主权利要求：
1.一种分形图形风格融合方法，其特征在于，所述方法包括：构建包括内容损失函数、风格损失函数及总全差损失函数的目标损失函数；
利用预先获取的图形训练集训练风格生成网络，并根据所述目标损失函数调整所述风格生成网络的内部参数值，得到预先训练完成的风格生成网络；
利用所述预先训练完成的风格生成网络的空洞卷积操作，提取分形图片的第一图片特征及风格图片的第二图片特征；
融合所述第一图片特征及所述第二图片特征得到融合图片；
其中，所述目标损失函数为：
其中， 表示所述图形训练集内的分形图片， 表示所述图形训练集内的风格图片，表示利用所述图形训练集训练得到的融合图片，l为所述风格生成网络的模型层数，表示内容损失函数， 表示风格损失函数， 表示总全差损失函数，α，β，θ为权重参数， 及 表示在所述图形训练集内的分形图片p在所述风格生成网络第l层的卷积特征，xi,j‑1,xi,j及xi+1,j表示所述图形训练集训练得到的融合图片内的不同像素值，其中i和j表示像素值的位置编号，κ及λ表示预设的调节值。
2.根据权利要求1所述的分形图形风格融合方法，其特征在于，所述利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片及风格图片的图片特征之前，该方法还包括：根据预设的模型层数，构建卷积层、残差层及反褶积层，其中，所述卷积层采用空洞卷积；
按照预设的组建顺序，根据所述卷积层、所述残差层及所述反褶积层生成所述风格生成网络。
3.根据权利要求2所述的分形图形风格融合方法，其特征在于，所述风格生成网络的模型层数包括：3层所述卷积层、5层所述残差层及3层所述反褶积层。
4.根据权利要求1所述的分形图形风格融合方法，其特征在于，所述构建包括内容损失函数、风格损失函数及总全差损失函数的目标损失函数，包括：设置所述内容损失函数的初始权重及所述总全差损失函数的初始权重参数，根据所述内容损失函数的初始权重参数，计算所述风格损失函数的初始权重参数；
根据所述内容损失函数、所述总全差损失函数、所述风格损失函数，以及所述内容损失函数、所述总全差损失函数、所述风格损失函数的初始权重参数，构建得到所述目标损失函数。
5.根据权利要求4所述的分形图形风格融合方法，其特征在于，所述根据所述内容损失函数的初始权重参数，计算所述风格损失函数的初始权重参数，包括：接收用户输入的原始第一权重、原始第二权重及设置的所述内容损失函数的初始权重参数；
根据所述原始第一权重及所述原始第二权重，计算所述内容损失函数及所述风格损失函数的权重比值，根据所述权重比值及所述内容损失函数的初始权重，计算所述风格损失函数的初始权重参数。
6.一种分形图形风格融合装置，其特征在于，所述装置包括：图片特征提取模块，用于利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片的第一图片特征及风格图片的第二图片特征；
图片融合模块，用于融合所述第一图片特征及所述第二图片特征得到融合图片；
其中，所述预先训练完成的风格生成网络通过以下方式得到：
构建包括内容损失函数、风格损失函数及总全差损失函数的目标损失函数；
利用预先获取的图形训练集训练风格生成网络，并根据所述目标损失函数调整所述风格生成网络的内部参数值，得到预先训练完成的风格生成网络；
所述目标损失函数为：
其中， 表示所述图形训练集内的分形图片， 表示所述图形训练集内的风格图片，表示利用所述图形训练集训练得到的融合图片，l为所述风格生成网络的模型层数，表示内容损失函数， 表示风格损失函数， 表示总全差损失函数，α，β，θ为权重参数， 及 表示在所述图形训练集内的分形图片p在所述风格生成网络第l层的卷积特征，xi,j‑1,xi,j及xi+1,j表示所述图形训练集训练得到的融合图片内的不同像素值，其中i和j表示像素值的位置编号，κ及λ表示预设的调节值。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的分形图形风格融合方法。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的分形图形风格融合方法。 说明书 : 分形图形风格融合方法、装置、电子设备及存储介质技术领域[0001] 本发明实施例涉及图像处理领域，特别涉及一种分形图形风格融合的方法、装置、电子设备及存储介质。背景技术[0002] 分形图形主要以数学方法模拟自然界存在的、及科学研究中出现的看似无规律现象的图形，广义上的分形图形包括简单的几何图乃至用色复杂的油画图等。目前将分形图形融合至其他图片的方法有多种，如基于迭代计算与放射变换的融合方法、借助图形绘制工具的融合方法以及调整迭代模型参数的融合方法等。[0003] 但发明人发现，迭代计算与放射变换法以及借助图形绘制工具在融合过程中计算复杂繁琐，产生占用过多计算资源的问题。发明内容[0004] 本发明实施方式的目的在于提供一种分形图形风格融合方法、装置、电子设备及存储介质，能够解决分行图片融合过程中计算复杂的问题。[0005] 为解决上述技术问题，本发明的实施方式提供了一种分形图形风格融合方法，所述方法包括：[0006] 利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片及风格图片的图片特征；融合所述图片特征得到融合图片。[0007] 为了解决上述问题，本发明还提供一种分形图形风格融合装置，所述装置包括：[0008] 图片特征提取模块，用于利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片的第一图片特征及风格图片的第二图片特征；图片融合模块，用于融合所述第一图片特征及所述第二图片特征得到融合图片。[0009] 为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：[0010] 存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现上述所述的分形图形风格融合方法。[0011] 为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的分形图形风格融合方法。[0012] 本发明实施例利用预先训练完成的风格生成网络所包括的空洞卷积操作，提取出分形图片及风格图片的图片特征，由于空洞卷积操作主要在卷积核中填充数字0，在扩大卷积过程感受野的情况下，同时利用数字0相乘依然为0的原理，减少在图片特征提取过程的计算复杂度，解决分行图片在融合过程中计算复杂的问题。[0013] 优选地，所述利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片及风格图片的图片特征之前，该方法还包括：[0014] 根据预设的模型层数，构建卷积层、残差层及反褶积层，其中，所述卷积层采用空洞卷积；按照预设的组建顺序，根据所述卷积层、所述残差层及所述反褶积层生成所述风格生成网络。[0015] 优选地，所述风格生成网络的模型层数包括：3层所述卷积层、5层所述残差层及3层所述反褶积层。[0016] 优选地，所述按照预设的组建顺序，根据所述卷积层、所述残差层及所述反褶积层生成所述风格生成网络之后，该方法还包括：[0017] 构建包括内容损失函数、风格损失函数及总全差损失函数的目标损失函数；利用预先获取的图形训练集训练所述风格生成网络，并根据所述目标损失函数调整所述风格生成网络的内部参数值，得到所述预先训练完成的风格生成网络。[0018] 优选地，所述目标损失函数为：[0019][0020][0021][0022][0023] 其中， 表示所述图形训练集内的分形图片， 表示所述图形训练集内的风格图片， 表示利用所述图形训练集训练得到的融合图片，l为所述风格生成网络的模型层数，表示内容损失函数， 表示风格损失函数， 表示总全差损失函数，α，β，θ为权重参数， 及 表示在所述图形训练集内的分形图片p在所述风格生成网络第l层的卷积特征，xi,j‑1,xi,j及xi+1,j表示所述图形训练集训练得到的融合图片内的不同像素值，其中i和j表示像素值的位置编号，κ及λ表示预设的调节值。[0024] 本发明实施例采用内容损失函数、风格损失函数及总全差损失函数构建出目标损失函数，且内容损失函数内的函数参数主要是卷积特征，故计算的是卷积特征之间的损失值，风格损失函数内的函数参数主要是风格图片和融合图片，故计算的是风格图片和融合图片之间的损失值，总全差损失函数内的函数参数主要是像素值，因此计算的是不同像素值之间的损失值，由于采用三个不同的函数分别计算对应的损失值，相较于单一的损失函数构建方法，损失函数的分工更明确，因此在风格生成网络训练阶段时，通过损失函数调节网络内部参数的调节效果更加明显，进而改善网络的训练效果，从而提高风格生成网络的鲁棒性，提高使用风格生成网络生成融合图片的融合效果。[0025] 优选地，所述构建包括内容损失函数、风格损失函数及总全差损失函数的目标损失函数，包括：[0026] 设置所述内容损失函数的初始权重及所述总全差损失函数的初始权重参数，根据所述内容损失函数的初始权重参数，计算所述风格损失函数的初始权重参数；根据所述内容损失函数、所述总全差损失函数、所述风格损失函数，以及所述内容损失函数、所述总全差损失函数、所述风格损失函数的初始权重参数，构建得到所述目标损失函数。[0027] 优选地，根据所述内容损失函数的初始权重，计算所述风格损失函数的初始权重参数，包括：[0028] 接收用户输入的原始第一权重、原始第二权重及设置的所述内容损失函数的初始权重参数；根据所述原始第一权重及所述原始第二权重，计算所述内容损失函数及所述风格损失函数的权重比值，根据所述权重比值及所述内容损失函数的初始权重，计算所述风格损失函数的初始权重参数。[0029] 综上所述，本发明实施例采用风格生成网络所包括的空洞卷积操作，提取出分形图片及风格图片的图片特征，由于空洞卷积操作利用数字0相乘依然为0的原理，可解决分行图片在融合过程中计算复杂的问题；其次，由于内容损失函数、风格损失函数及总全差损失函数在训练过程中负责不同的训练部分，分工更明确，因此可改善网络的训练效果，提高风格生成网络的鲁棒性；同时在训练过程中为不同的损失函数分配出合适的权重，可有效防止其中一个损失函数在训练过程中占比过大，导致风格生成网络产生渲染过度的问题。附图说明[0030] 图1为本发明第一实施例提供的分形图形风格融合方法流程示意图；[0031] 图2为本发明第一实施例提供的分形图形风格融合方法中其中一个步骤的详细实施流程示意图；[0032] 图3为本发明第一实施例提供的分形图形风格融合方法中风格生成网络架构的详细实施流程示意图；[0033] 图4为本发明第一实施例提供的分形图形风格融合方法中另一个步骤的详细实施流程示意图；[0034] 图5为本发明第二实施例提供的分形图形风格融合装置的模块示意图；[0035] 图6为本发明第三实施例提供的实现分形图形风格融合方法的电子设备的内部结构示意图；[0036] 本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式[0037] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。[0038] 本发明的实施方式涉及一种分形图形风格融合方法，本实施方式的核心在于利用空洞卷积操作解决分行图片融合过程中计算复杂的问题。下面对本实施方式的分形图形风格融合实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。[0039] 参阅图1所示，图1是本发明第一实施方式中分形图形风格融合的流程图，包括：[0040] S1、利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片的第一图片特征及风格图片的第二图片特征。[0041] 分形图片指的是具有分形特征的图片，其中，分形特征是指具有以非整数维形式充填空间的形态特征，即具有自相似的性质。风格图片又称为目标图像，是分形图片的分形特征的融入目标，例如将一张普通的小狗图片作为风格图片，一张油画作为分形图片，本发明目的是将油画内的分形特征融入至普通的小狗图片中得到包括小狗实体的融合图片。[0042] 不同的分形图形具有不同的分形特征，称为第一图片特征，不同的风格图片具有不同的目标图像特征，称为第二图片特征。优选地，本发明实施例利用一个预先训练完成的风格生成网络，融合或迁移分形图形中不同的第一图片特征至风格图片的第二图片特征中，从而得到融合图片。[0043] 优选地，本发明实施例还包括构建所述风格生成网络。详细地，参阅图2所示，所述构建所述风格生成网络，包括：[0044] S100、根据预设模型层数，构建卷积层、残差层及反褶积层，其中，所述卷积层采用空洞卷积；[0045] S101、按照预设的组建顺序，将所述卷积层、所述残差层及所述反褶积层组建得到所述风格生成网络。[0046] 不同的模型层数及组建顺序所得到的风格生成网络是不同的，优选地，请参照图3所示的架构示意图，本发明较佳实施例中，所述风格生成网络的模型层数共11层，包括3层卷积层、5层残差层及3层反褶积层；组建顺序按照卷积层在风格生成网络的最前端，残差层在风格生成网络的中端，反褶积层在风格生成网络的后端的形式，构建得到风格生成网络。[0047] 进一步地，本发明较佳实施例的卷积层采用空洞卷积的形式进行卷积操作。空洞卷积主要通过增大卷积核大小，并将部分卷积核内数值用0代替的卷积操作形式。空洞卷积可降低卷积过程中生成的分形图形特征图的数量级，减小卷积操作中的计算复杂度。本发明较佳实施例的残差层可增加网络深度，主要使用跳跃连接，缓解在风格生成网络中由于增加网络深度带来的梯度消失问题。所述反褶积层又称解卷积，与上述卷积操作对应实现反卷积操作。[0048] 进一步地，本发明实施例还包括训练所述风格生成网络。参阅图4所示，所述训练所述风格生成网络包括：[0049] S110、构建包括内容损失函数、风格损失函数及总全差损失函数的损失函数；[0050] S111、利用预先获取的图形训练集训练所述风格生成网络，并根据所述损失函数调整所述风格生成网络的内部参数值，得到所述预先训练完成的风格生成网络。[0051] 本发明较佳实施例中，所述内容损失函数主要是用来衡量融合图片中所存在的实体的完整度，如上述小狗的风格图片，在加入油画分形特征后，得到的融合图片是否还具有小狗实体的特征。优选地，所述内容损失函数的主要计算公式包括：[0052][0053] 其中 表示所述图形训练集内的分形图片， 表示利用所述图形训练集训练得到的融合图片， 及 表示在所述图形训练集内的分形图片p，在所述风格生成网络第l层的卷积特征， 表示所述内容损失函数。[0054] 本发明较佳实施例中，所述风格损失函数主要是衡量融合图片中实体与风格图片的相似度，从颜色与纹理上来讲，主要计算融合图片是否具有与风格图片具有近似的颜色纹理。优选地，所述风格损失函数的主要计算公式包括：[0055][0056] 其中， 表示所述图形训练集内的风格图片， 表示所述风格损失函数，κ表示预设的调节值。[0057] 本发明较佳实施例中，所述总全差损失函数是一种正则项，主要用来抑制融合图像在融合过程中的噪声。优选地，所述总全差损失函数主要计算公式包括：[0058][0059] 其中， 表示所述总全差损失函数，xi,j‑1,xi,j及xi+1,j表示所述图形训练集训练得到的融合图片内的不同像素值，其中i和j表示像素值的位置编号，λ表示预设的调节值。[0060] 进一步地，所述目标损失函数为：[0061][0062] 其中， 表示所述图形训练集内的分形图片， 表示所述图形训练集内的风格图片， 表示利用所述图形训练集训练得到的融合图片，l为所述风格生成网络的层数，表示内容损失函数， 表示风格损失函数， 表示总全差损失函数，α，β，θ为权重参数。[0063] 相比于当前已公开技术中一般仅采用单个函数形式构建出损失函数而言，本发明实施例采用三个不同的函数构建出损失函数，由于三个不同的函数在模型训练过程中负责不同的作用，如总全差损失函数主要用来抑制在训练过程中，产生融合图像过程中所生成的噪声，风格损失函数主要是衡量融合图片中实体与风格图片的相似度等，因此采用三个不同的函数构建出损失函数的方法，可以有效提高风格生成网络的训练效果，改善后续融合过程中产生大量噪声、相似度低情况，进而导致渲染效果差的现象。[0064] 进一步地，本发明较佳实施例所述图形训练集可采用当前已公开的训练数据集，如采用视觉对象识别研究的大型可视化数据库IMAGENET所提供的训练数据集。[0065] 详细地，所述构建包括内容损失函数、风格损失函数及总全差损失函数的损失函数，包括：[0066] 设置所述内容损失函数的初始权重及所述总全差损失函数的初始权重，根据所述内容损失函数的初始权重，计算所述风格损失函数的初始权重；[0067] 根据所述内容损失函数的初始权重、所述总全差损失函数的初始权重及所述风格损失函数的初始权重，构建得到所述损失函数。[0068] 其中，所述根据所述内容损失函数的初始权重，计算所述风格损失函数的初始权重，包括：[0069] 接收用户输入的原始第一权重、原始第二权重及设置的所述内容损失函数的初始权重；[0070] 根据所述原始第一权重及所述原始第二权重，计算所述内容损失函数及所述风格损失函数的权重比值，根据所述权重比值及所述内容损失函数的初始权重，计算所述风格损失函数的初始权重。[0071] 详细地，如将原始第一权重表示为ω1，原始第二权重表示为ω2，则权重比值C为：[0072] C＝ω1ValueL+ω2Ent[0073] 其中，ValueL表示利用灰度共生矩阵从风格图片中提取的能量值，Ent表示利用灰度共生矩阵从风格图片中提取的熵。通过计算求得的权重比值C介于(0,1)之间，当得知所述内容损失函数的初始权重后，根据如下公式计算得到所述风格损失函数的初始权重：[0074][0075] 其中，C为所述权重比值，α为内容损失函数的初始权重，β为所述风格损失函数的初始权重。[0076] 结合上述关于损失函数的权重计算可知，本发明较佳实施例考虑到在训练过程中，为不同的损失函数分配出合适的权重，因此可有效防止其中一个损失函数在训练过程中占比过大，导致风格生成网络产生渲染过度的问题。[0077] 当得到损失函数后，本发明实施例根据用户预先设定的训练学习率、批尺寸和所述图形训练集训练所述风格生成网络，并在训练过程中，根据所述损失函数调整所述风格生成网络的卷积核大小、卷积核数值等内部参数，直至满足训练要求得到训练完成的风格生成网络。该调整过程详细地包括：预设设定一个损失阈值，当风格生成网络进行训练时，会利用损失函数计算得到损失值，判断所述损失值与所述损失阈值的大小关系，若所述损失值大于所述损失阈值，则调整所述风格生成网络的卷积核大小、卷积核数值等内部参数，并重新利用损失函数计算得到损失值，直至损失值小于所述损失阈值，从而得到训练完成的风格生成网络。[0078] 当构建及训练风格生成网络完成后，本发明实施例可以利用所述训练完成的风格生成网络提取分形图片及风格图片的图片特征，详细包括：利用所述卷积层对所述分形图片及所述风格图片进行空洞卷积操作，得到卷积特征；利用所述残差层对所述卷积特征进行残差计算得到残差特征；利用所述反褶积层对所述残差特征进行解卷积得到所述图片特征。[0079] S2、融合所述第一图片特征及所述第二图片特征得到融合图片。[0080] 由S1所述，当得到分形图片及风格图片的图片特征后，可继续使用已训练完成的风格生成网络，将分形图片的图片特征和风格图片的图片特征融合至一起得到融合图片，如将油画内的分形特征融入至普通的小狗图片中，得到油画风格的小狗实体融合图片。[0081] 如图5所示，是本发明分形图形风格融合装置的功能模块图。[0082] 本发明所述分形图形风格融合装置100可以安装于电子设备中。根据实现的功能，所述分形图形风格融合装置可以包括图片特征提取模块101、图片融合模块102。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。[0083] 在本实施例中，关于各模块/单元的功能如下：[0084] 图片特征提取模块101，用于利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片的第一图片特征及风格图片的第二图片特征。[0085] 图片融合模块102，用于融合所述第一图片特征及所述第二图片特征得到融合图片。[0086] 本申请所提供的分形图形风格融合装置100中的模块能够根据空洞卷积操作提取分形图片及风格图片的图片特征，进而得到融合图片，其在具体运行时可以取得与上述的方法实施例一样的技术效果，即有效的利用空洞卷积操作解决分行图片融合过程中计算复杂的问题。[0087] 如图6所示，是本发明实现分形图形风格融合方法的电子设备的结构示意图。[0088] 所述电子设备1可以包括处理器12、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器12上运行的计算机程序，如分形图形风格融合程序10。[0089] 其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(FlashCard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如分形图形风格融合程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。[0090] 所述处理器12在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(CentralProcessingunit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器12是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行分形图形风格融合程序10等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。[0091] 所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称PCI)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器12等之间的连接通信。[0092] 图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。[0093] 例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器12逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi‑Fi模块等，在此不再赘述。[0094] 进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI‑FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。[0095] 可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight‑EmittingDiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。[0096] 应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。[0097] 所述电子设备1中的所述存储器11存储的分形图形风格融合程序10是多个指令的组合，在所述处理器12中运行时，可以实现上述实施例，在此不在赘述。[0098] 进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read‑OnlyMemory)。[0099] 所述计算机可读存储介质上存储有分形图形风格融合程序，所述分形图形风格融合程序可被一个或多个处理器执行，以实现如下操作：[0100] 利用预先训练完成的风格生成网络的空洞卷积操作，提取分形图片及风格图片的图片特征；[0101] 融合所述图片特征得到融合图片。[0102] 在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。[0103] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。[0104] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。[0105] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。[0106] 因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。[0107] 此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。[0108] 最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

专利地区：浙江

专利申请日期：2020-08-07

专利公开日期：2024-07-26

专利公告号：CN111985544B