本发明实施例涉及图像处理技术领域，尤其涉及一种图像风格迁移模型生成方法及移动终端。
背景技术：
图像风格迁移的研究由来已久，将参考风格图像的风格转换到另一个图像中。现有技术中主要通过基于神经网络的风格迁移算法对图像风格进行迁移，该算法虽然可以学习到图像的整体色彩变换以及结构性元素，但是对于像素细节的学习能力差，导致风格迁移后所生成的风格迁移图像模糊，并且所生成的风格迁移图像会存在直线弯曲，纹理扭曲等空间扭曲的问题。
为解决上述图像空间扭曲的问题，本领域技术人员提供了一种去除图像空间扭曲的方法，该方法将变换操作只作用在色彩空间上。该种方法虽然可以抑制图像空间扭曲的问题，但该种方法需要执行繁琐的迭代运算，耗时长且处理器工作负荷重。
技术实现要素：
本发明实施例提供一种图像风格迁移模型生成方法，以解决现有技术中在进行图像风格迁移时耗时长且处理器工作负荷重的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种图像风格迁移模型生成方法，其中，所述方法包括：构建风格训练数据对，其中，每个数据对包含一个训练原图和一个风格图；搭建结构顺序依次为输入层、前置层、至少两个残差特征构建层、后置层以及输出层的神经网络；基于训练原图和风格图的均方差损失和深度感知特征的均方差损失，构建损失函数；按照所述风格训练数据对和所述构建损失函数，对所述神经网络进行训练，生成图像风格迁移模型。
第二方面，本发明实施例提供了一种移动终端，其中，所述移动终端包括：构建模块，用于构建风格训练数据对，其中，每个数据对包含一个训练原图和一个风格图；搭建模块，用于搭建结构顺序依次为输入层、前置层、至少两个残差特征构建层、后置层以及输出层的神经网络；损失函数构建模块，用于基于训练原图和风格图的均方差损失和深度感知特征的均方差损失，构建损失函数；训练模块，用于按照所述风格训练数据对和所述构建损失函数，对所述神经网络进行训练，生成图像风格迁移模型。
第三方面，本发明实施例提供了一种移动终端，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现本发明实施例中所述的任一种图像风格迁移模型生成方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现本发明实施例中所述的任一种图像风格迁移模型生成方法的步骤。
在本发明实施例中，通过将神经网络搭建成输入层、前置层、至少一个残差特征构建层、后置层以及输出层的结构，基于训练原图图和风格图的均方差损失和深度感知特征的均方差损失构建损失函数，将训练原图和风格图构成风格训练数据对，基于构建的风格训练数据对、损失函数对神经网络进行训练，生成图像风格迁移模型，所生成的图像风格迁移模型在对待处理图像进行风格迁移处理时，仅需将待处理图像输入图像风格迁移模型中即可快速得到风格迁移后的高保真图像，无需执行繁琐的迭代操作，耗时短处理器工作负荷轻，且能够避免所得风格迁移图像空间扭曲。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
图1是根据本发明实施例提供的图像风格迁移模型生成方法的流程图之一；
图2是根据本发明实施例提供的图像风格迁移模型生成方法的流程图之二；
图3是本发明实施例的移动终端的结构框图之一；
图4是本发明实施例的移动终端的结构框图之二；
图5是本发明实施例的移动终端的训练模块的结构框图；
图6是根据本发明实施例提供的移动终端的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，示出了本发明实施例提供的图像风格迁移模型生成方法的流程图之一。
本发明实施例的图像风格迁移模型生成方法包括以下步骤：
步骤101：构建风格训练数据对。
其中，每个数据对包含一个训练原图和一个风格图。
具体地可以采用康奈尔大学fujunluan博士提出的深度摄影风格转换方法来构建训练数据，对某一种真实风格图，使用该方法得到预设数量的图像对，每个图像对则为一个数据对，包括一个训练原图和一个风格图。使用包含训练原图和风格图的数据对，对所搭建的神经网络进行训练，训练得到的图像风格迁移模型能够充分保留风格转移效果以及和原图一直的细节精度。
步骤102：搭建结构顺序依次为输入层、前置层、至少一个残差特征构建层、后置层以及输出层的神经网络。
其中，前置层、后置层以及各残差特征构建层均由多层卷积层组成，本发明实施例中对于各层包含的卷积层的具体层数不做具体限制。
例如：设置前置层包含五层卷积层；后置层包含五层卷积层；各残差特征构建层均包含三层卷积层。
将输入层、前置层的最后一层、各残差特征构建层的最后一层、后置层的第一层包含的特征图层数相同，能够保持图像尺寸在神经网络结构中保持不变，避免图像失真。
步骤103：基于训练原图和风格图的均方差损失和深度感知特征的均方差损失，构建损失函数。
现有技术中仅基于训练原图和风格图的均方差损失构建损失函数，所构建的损失函数训练得到的图像风格迁移模型在处理图像时，所生成的风格迁移图像模糊。本发明实施例中，基于训练原图和风格图的均方差损失和深度感知特征的均方差损失，构建损失函数来训练所搭建的神经网络，训练生成的图像风格迁移模型在对图像进行风格迁移时，能够提升所生成的风格迁移图像的精细度。
步骤104：按照风格训练数据对和所构建的损失函数，对神经网络进行训练，生成图像风格迁移模型。
对于基于训练数据、损失函数对神经网络进行训练的具体方式，参照现有相关技术即可，本发明实施例中对此不做具体限制。例如：分别将各风格训练数据对输入所创建的神经网络和预先训练好的图像识别模型中，基于所得参数调整损失函数，基于调整后的损失函数调整神经网络参数，直至神经网络收敛性达到预设标准后，完成对神经网络的训练生成图像风格迁移模型。
本发明实施例提供的图像风格迁移模型生成方法，通过将神经网络搭建成输入层、前置层、至少一个残差特征构建层、后置层以及输出层的结构，基于训练原图和风格图的均方差损失和深度感知特征的均方差损失构建损失函数，将训练原图和风格图构成风格训练数据对，基于构建的风格训练数据对、损失函数对神经网络进行训练，生成图像风格迁移模型，所生成的图像风格迁移模型在对待处理图像进行风格迁移处理时，仅需将待处理图像输入图像风格迁移模型中即可快速得到风格迁移后的高保真图像，无需执行繁琐的迭代操作，耗时短处理器工作负荷轻，且能够避免所得风格迁移图像空间扭曲。
参照图2，示出本发明实施例提供的图像风格迁移模型生成方法的流程图之二。
本发明实施例中的图像风格迁移模型生成方法具体包括以下步骤：
步骤201：构建风格训练数据对。
其中，每个数据对包含一个训练原图和一个风格图。
在构建风格训练数据对时，可以通过如下步骤实现：
首先，基于johnson博士提出的基于构建前馈全卷积网络的方法作为风格图生成方法。
其次，选择微软的图片数据集作为训练原图集，该训练原图集包含的图片场景丰富、内容各样且图像大小适中。采用johnson博士提出的基于构建前馈全卷积网络的方法对各训练原图进行处理，得到各训练原图对应的风格图，该种方法训练得到的风格图可保持与训练原图一致的梯度信息，能够保证生成的风格训练数据对的真实度。
步骤202：搭建结构顺序依次为输入层、前置层、至少一个残差特征构建层、后置层以及输出层的神经网络。
输入层为待风格处理的训练原图，大小为heightxwidthxchannel，其中，width、height分别为图像的宽和高，channel为图像的颜色通道数，通常为rgb及红、绿、蓝三个颜色通道。输出层为风格化后的风格图，大小和输入层一致为heightxwidthxchannel。
前置层、后置层以及中间残差特征构建层，均由至少重复一次的卷积层、实例归一化层以及非线性激活层组成，实例归一化层对于图像风格化具有更好的效果，非线性激活层可以采用relu即rectifiedlinearunits激活函数。
具体地，本发明实施例中的卷积神经网络中，前置层可以由5层重复的卷积层构成，相邻卷积层间设置有实例归一化层与非线性激活层。残差特征构建层为5层，后置层由5层重复的卷积层构成，相邻卷积层间设置有实例归一化层与非线性激活层。其中，group表示分组卷积的数量，dilation表示空洞卷积的尺寸。
具体地，前置层的5层具体参数为：
前置第一层的卷积层采用24个特征图，卷积核大小为3x3，group＝1，dilation＝1；
前置第二层的卷积层采用24个特征图，卷积核大小为3x3，group＝24，dilation＝2；
前置第三层的卷积层采用48个特征图，卷积核大小为1x1，group＝1，dilation＝1；
前置第四层的卷积层采用48个特征图，卷积核大小为3x3，group＝48，dilation＝4；
前置第五层的卷积层采用96个特征图，卷积核大小为1x1，group＝1，dilation＝1。
具体地，后置层的5层具体参数为：
后置第一层的卷积层采用96个特征图，卷积核大小为3x3，group＝96，dilation＝4；
后置第二层的卷积层采用48个特征图，卷积核大小为1x1，group＝1，dilation＝1；
后置第三层的卷积层采用48个特征图，卷积核大小为3x3，group＝48，dilation＝2；
后置第四层的卷积层采用24个特征图，卷积核大小为1x1，group＝1，dilation＝1；
前置第五层的卷积层采用3个特征图，卷积核大小为3x3，group＝1，dilation＝1。
具体地，残差特征构建层个数为5，5个残差特征构建层相同。每层残差特征构建层包含3层卷积层，相邻卷积层之间设置有实例归一化层以及非线性激活层，每层残差特征构建层所包含的卷积层具体参数如下：
第一层卷积层采用48个特征图，卷积核大小为1x1，group＝1，dilation＝1；
第二层卷积层采用48个特征图，卷积核大小为3x3，group＝48，dilation＝4；
第三层卷积层采用96个特征图，卷积核大小为1x1，group＝1，dilation＝1。
该种结构的神经网络，可以在不缩放图像尺寸保证生成图像细节的同时，逐渐放大卷积的空洞尺寸从而放大感受视野，从而保证风格转换后的图像质量。
优选地，分别对神经网络中的前置层、后置层以及各残差特征构建层进行深度可分离卷积和点卷积处理，进行参数调整，能够提高通过神经网络训练生成的图像风格迁移模型的性能。
步骤203：基于训练原图和风格图的均方差损失和深度感知特征的均方差损失，构建损失函数。
所构建的损失函数如下所示：
其中，θ为卷积神经网络的所有参数集合，ys为风格训练数据对中的风格图，y为风格训练数据对中的训练原图经过神经网络处理后得到的结果图，chw分别对应图像的宽、高以及颜色通道数，φj为深层感知特征网络的第j层的特征图，cjhjwj分别对应为深层感知特征网络第j层的特征图的宽、高以及特征通道数，λ为两个损失的权重系数，λ为超参数数值可以设置为1。
步骤204：依据风格训练数据对和所构建的损失函数，对神经网络进行训练，生成图像风格迁移模型。
一种优选地对神经网络进行训练的方式如下：
首先，逐个将每个风格训练数据对输入至神经网络中；
其次，对于输入的每个风格训练数据对，通过神经网络对风格训练数据对中的训练原图进行处理，得到结果图；
再次，通过预先训练好的深层感知特征网络，对结果图和风格训练数据对中的风格图进行感知特征提取，得到感知特征图；
其中，可以将深层感知特征网络的relu1_2,relu2_2,relu3_3,relu4_3四层特征作为感知特征，通过感知特征确定感知特征图，所得感知特征图为深层感知特征网络的第j层的特征图。
最后，将感知特征图、结果图依据风格图代入损失函数，生成目标损失函数；依据目标损失函数调整神经网络的参数，以提升神经网络收敛性。
步骤203中创建的损失函数中包含多个参数，在对神经网络进行训练时，每当输入一个数据对则需要针对该数据对适应性地调整损失函数得到目标损失函数。
本发明实施例中基于训练原图和风格图的均方差损失和深度感知特征的均方差损失，构建损失函数来训练所搭建的神经网络，训练生成的图像风格迁移模型在对图像进行风格迁移时，能够提升所生成的风格迁移图像的精细度。
在对构建的神经网络进行训练时，输入x即数据对中的训练原图经过全卷积网络得到结果图y，和数据对中的风格图ys一起分别计算内容均方差损失以及深度感知特征均方差损失，对两个损失以超参融合后反向传播更新全卷积网络，训练过程中深层感知特征网络的权重参数不更新，只用来参与感知特征图的提取。提取得到的感知特征图后，依据感知特征图调整损失函数，对神经网络进行训练。具体地，可以采用随机梯度下降法计算损失函数l(θ)对于卷积神经网络中的参数θ的梯度
步骤205：将待处理图像输入至图像风格迁移模型。
通过步骤204对神经网络进行训练后，将神经网络的收敛至预设标准后，完成对神经网络的训练生成图像风格迁移模型。
在图像风格迁移模型生成后，即可通过生成的模型对待处理图像进行风格迁移处理。具体地，将待处理图像作为输入数据输入至图像风格迁移模型后，该模型的输出则为风格迁移后的图像。
步骤206：通过图像风格迁移模型对待处理图像进行风格迁移，输出待处理图像对应的风格迁移图像。
本发明实施例中，只需要预先部署构建图像风格迁移模型，通过构建完成的图像风格迁移模型对待处理图像进行风格迁移处理时，只需要执行一次前馈传播就可以得到处理结果，无需执行繁琐的迭代操作，耗时短且可适用于任何风格的图像。
本发明实施例提供的图像风格迁移模型生成方法，通过将神经网络搭建成输入层、前置层、至少一个残差特征构建层、后置层以及输出层的结构，基于训练原图和风格图的均方差损失和深度感知特征的均方差损失构建损失函数，将训练原图和风格图构成风格训练数据对，基于构建的风格训练数据对、损失函数对神经网络进行训练，生成图像风格迁移模型，所生成的图像风格迁移模型在对待处理图像进行风格迁移处理时，仅需将待处理图像输入图像风格迁移模型中即可快速得到风格迁移后的高保真图像，无需执行繁琐的迭代操作，耗时短处理器工作负荷轻，且能够避免所得风格迁移图像空间扭曲。此外，本发明实施例中通过深度可分离卷积方法和点卷积方法，分别对神经网络中的前置层、后置层以及各残差特征构建层进行深度可分离卷积和点卷积处理，进行参数调整，能够提高通过神经网络训练生成的图像风格迁移模型的性能。
参照图3，示出了本发明实施例的移动终端的结构框图之一。移动终端30能实现前述实施例中的图像风格迁移模型生成方法的细节，并达到相同的效果。
本发明实施例的移动终端包括：构建模块301，用于构建风格训练数据对，其中，每个数据对包含一个训练原图和一个风格图；搭建模块302，用于搭建结构顺序依次为输入层、前置层、至少一个残差特征构建层、后置层以及输出层的神经网络；损失函数构建模块303，用于基于训练原图和风格图的均方差损失和深度感知特征的均方差损失，构建损失函数；训练模块304，用于按照所述风格训练数据对和所述构建损失函数，对所述神经网络进行训练，生成图像风格迁移模型。
参照图4，示出了本发明实施例的移动终端的结构框图之二，在图3的基础上，移动终端30还包括如下模块：
优化模块305，用于在所述搭建模块302搭建结构顺序依次为输入层、前置层、至少两个残差特征构建层、后置层以及输出层的神经网络之后，分别对所述神经网络中的所述前置层、所述后置层以及各残差特征构建层进行深度可分离卷积和点卷积处理，进行参数调整；
输入模块306，用于在所述训练模块304所述生成图像风格迁移模型之后，将待处理图像输入至所述图像风格迁移模型；通过所述图像风格迁移模型对所述待处理图像进行风格迁移，输出所述待处理图像对应的风格迁移图像。
优选地，所述前置层包含五层卷积层；所述后置层包含五层卷积层；每个残差特征构建层均包含三层卷积层。
优选地，所述训练模块304的结构框图如图5所示，训练模块304包括如下子模块：
输入子模块3041，用于逐个将每个所述风格训练数据对输入至所述神经网络中；调用子模块3042，用于对于输入的每个风格训练数据对，通过所述神经网络对所述风格训练数据对中的训练原图进行处理，得到结果图；分析子模块3043，用于通过预先训练好的深层感知特征网络，对所述结果图和所述数据对中的风格图进行感知特征提取，得到感知特征图；生成子模块3044，用于将所述感知特征图、所述结果图依据所述风格图代入所述损失函数，生成目标损失函数；调整子模块3045，用于按照目标损失函数，调整所述神经网络的参数，以提升所述神经网络收敛性.
本发明实施例提供的移动终端能够实现图1至图2的方法实施例中移动终端实现的各个过程，为避免重复，这里不再赘述。
本发明实施例提供的移动终端，通过将神经网络搭建成输入层、前置层、至少两个残差特征构建层、后置层以及输出层的结构，基于训练原图和风格图的均方差损失和深度感知特征的均方差损失构建损失函数，将训练原图和风格图构成风格训练数据对，基于构建的风格训练数据对、损失函数对神经网络进行训练，生成图像风格迁移模型，所生成的图像风格迁移模型在对待处理图像进行风格迁移处理时，仅需将待处理图像输入图像风格迁移模型中即可快速得到风格迁移后的高保真图像，无需执行繁琐的迭代操作，耗时短处理器工作负荷轻，且能够避免所得风格迁移图像空间扭曲。
参照图6，示出了本发明实施例的一种移动终端的硬件结构示意图。
图6为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端600包括但不限于：射频单元601、网络模块602、音频输出单元603、输入单元604、传感器605、显示单元6406、用户输入单元607、接口单元608、存储器609、处理器610、以及电源611等部件。本领域技术人员可以理解，图6中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，移动终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
处理器610，用于构建风格训练数据对，其中，每个数据对包含一个训练原图和一个风格图；搭建结构顺序依次为输入层、前置层、至少一个残差特征构建层、后置层以及输出层的神经网络；基于训练原图和风格图的均方差损失和深度感知特征的均方差损失，构建损失函数；按照所述风格训练数据对和所述构建损失函数，对所述神经网络进行训练，生成图像风格迁移模型。
本发明实施例提供的移动终端，通过将神经网络搭建成输入层、前置层、至少一个残差特征构建层、后置层以及输出层的结构，基于训练原图和风格图的均方差损失和深度感知特征的均方差损失构建损失函数，将训练原图和风格图构成风格训练数据对，基于构建的风格训练数据对、损失函数对神经网络进行训练，生成图像风格迁移模型，所生成的图像风格迁移模型在对待处理图像进行风格迁移处理时，仅需将待处理图像输入图像风格迁移模型中即可快速得到风格迁移后的高保真图像，无需执行繁琐的迭代操作，耗时短处理器工作负荷轻，且能够避免所得风格迁移图像空间扭曲。
应理解的是，本发明实施例中，射频单元601可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器610处理；另外，将上行的数据发送给基站。通常，射频单元601包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元601还可以通过无线通信系统与网络和其他设备通信。
移动终端通过网络模块602为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元603可以将射频单元601或网络模块602接收的或者在存储器609中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元603还可以提供与移动终端600执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元603包括扬声器、蜂鸣器以及受话器等。
输入单元604用于接收音频或视频信号。输入单元604可以包括图形处理器(graphicsprocessingunit，gpu)6041和麦克风6042，图形处理器6041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元606上。经图形处理器6041处理后的图像帧可以存储在存储器609(或其它存储介质)中或者经由射频单元601或网络模块602进行发送。麦克风6042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元601发送到移动通信基站的格式输出。
移动终端600还包括至少一种传感器6605，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板6061的亮度，接近传感器可在移动终端600移动到耳边时，关闭显示面板6061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器605还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元606用于显示由用户输入的信息或提供给用户的信息。显示单元606可包括显示面板6061，可以采用液晶显示器(liquidcrystaldisplay，lcd)、有机发光二极管(organiclight-emittingdiode,oled)等形式来配置显示面板6061。
用户输入单元607可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元607包括触控面板6071以及其他输入设备6072。触控面板6071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板6071上或在触控面板6071附近的操作)。触控面板6071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器610，接收处理器610发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板6071。除了触控面板6071，用户输入单元607还可以包括其他输入设备6072。具体地，其他输入设备6072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板6071可覆盖在显示面板6061上，当触控面板6071检测到在其上或附近的触摸操作后，传送给处理器610以确定触摸事件的类型，随后处理器610根据触摸事件的类型在显示面板6061上提供相应的视觉输出。虽然在图6中，触控面板6071与显示面板6061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板6071与显示面板6061集成而实现移动终端的输入和输出功能，具体此处不做限定。
接口单元608为外部装置与移动终端600连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(i/o)端口、视频i/o端口、耳机端口等等。接口单元608可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端600内的一个或多个元件或者可以用于在移动终端600和外部装置之间传输数据。
存储器609可用于存储软件程序以及各种数据。存储器609可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器609可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器610是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器609内的软件程序和/或模块，以及调用存储在存储器609内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器610可包括一个或多个处理单元；优选的，处理器610可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器610中。
移动终端600还可以包括给各个部件供电的电源611(比如电池)，优选的，电源611可以通过电源管理系统与处理器610逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，移动终端600包括一些未示出的功能模块，在此不再赘述。
优选的，本发明实施例还提供一种移动终端，包括处理器610，存储器609，存储在存储器609上并可在所述处理器610上运行的计算机程序，该计算机程序被处理器610执行时实现上述图像风格迁移模型生成方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述图像风格迁移模型生成方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。