图像风格迁移方法、装置、电子设备及存储介质与流程

本申请涉及计算机技术领域，尤其涉及一种图像风格迁移方法、装置、电子设备及存储介质。

背景技术：

在图像处理和计算机图形学领域，图像风格迁移(ist，imagestyletransfer)是一项非常重要且富有挑战性的课题。根据实际处理的不同问题场景，ist又分为艺术风格迁移、保真风格迁移、语义风格迁移等子课题。ist具有广阔的应用场景，包括图像编辑、图像合成、图像特效等。

目前研究ist的方法一般运用卷积神经网络(cnn，convolutionalneuralnetworks)提取内容(content)和风格(style)图的特征并构建gram矩阵，从而定义内容损失和风格损失，然后优化求解得到风格化图。这种方法虽然可以得到不错的风格化结果，但往往求解优化问题需要很长时间，不能快速实现风格迁移。

技术实现要素：

为克服相关技术中存在的问题，本申请提供一种图像风格迁移方法、装置、电子设备及存储介质。

根据本申请的第一方面，提供一种图像风格迁移方法，所述方法包括：

获取待处理图像；

采用风格迁移模型，对所述待处理图像进行处理，得到第一风格化图像；所述风格迁移模型是预先根据内容图像、第二风格化图像以及第三风格化图像进行模型训练得到的，其中，所述第二风格化图像是对所述内容图像进行风格化处理得到的，所述第三风格化图像是采用神经网络模型对所述内容图像进行处理得到的。

在一个可选的实现方式中，在所述采用风格迁移模型，对所述待处理图像进行处理，得到第一风格化图像的步骤之前，还包括：获得所述风格迁移模型；

所述获得所述风格迁移模型的步骤，包括：

获取所述内容图像以及所述第二风格化图像；

采用神经网络模型，对所述内容图像进行处理，得到第三风格化图像；

根据所述内容图像、所述第二风格化图像以及所述第三风格化图像的关联特征，对所述神经网络模型进行训练，得到所述风格迁移模型；其中，所述关联特征包括内容特征、风格特征、像素点特征以及语义特征中的至少一种。

在一个可选的实现方式中，所述根据所述内容图像、所述第二风格化图像以及所述第三风格化图像的关联特征，对所述神经网络模型进行训练，得到所述风格迁移模型的步骤，包括：

根据所述第三风格化图像以及所述内容图像的内容特征差异，确定内容损失函数；

根据所述第三风格化图像以及所述第二风格化图像的风格特征差异，确定风格损失函数；

根据所述第三风格化图像以及所述第二风格化图像的像素点特征差异，确定像素损失函数；

根据所述内容损失函数、所述风格损失函数以及所述像素损失函数，确定所述神经网络模型的参数，得到所述风格迁移模型。

在一个可选的实现方式中，所述根据所述内容图像、所述第二风格化图像以及所述第三风格化图像的关联特征，对所述神经网络模型进行训练，得到所述风格迁移模型的步骤，包括：

对所述内容图像、所述第二风格化图像以及所述第三风格化图像进行语义分割，得到多个语义类别；

根据所述内容图像、所述第二风格化图像以及所述第三风格化图像，计算各所述语义类别对应的损失函数；

根据各所述语义类别对应的损失函数，确定所述神经网络模型的参数，得到所述风格迁移模型。

在一个可选的实现方式中，所述根据所述内容图像、所述第二风格化图像以及所述第三风格化图像的关联特征，对所述神经网络模型进行训练，得到所述风格迁移模型的步骤，包括：

对所述内容图像、所述第二风格化图像以及所述第三风格化图像进行语义分割，得到多个语义类别；

根据所述第三风格化图像以及所述内容图像中各语义类别对应的内容特征差异，确定内容损失函数；

根据所述第三风格化图像以及所述第二风格化图像中各语义类别对应的风格特征差异，确定风格损失函数；

根据所述第三风格化图像以及所述第二风格化图像中各语义类别对应的像素点特征差异，确定像素损失函数；

根据所述内容损失函数、所述风格损失函数以及所述像素损失函数，确定所述神经网络模型的参数，得到所述风格迁移模型。

根据本申请的第二方面，提供一种图像风格迁移装置，所述装置包括：

获取模块，被配置为获取待处理图像；

风格化模块，被配置为采用风格迁移模型，对所述待处理图像进行处理，得到第一风格化图像；所述风格迁移模型是预先根据内容图像、第二风格化图像以及第三风格化图像进行模型训练得到的，其中，所述第二风格化图像是对所述内容图像进行风格化处理得到的，所述第三风格化图像是采用神经网络模型对所述内容图像进行处理得到的。

在一个可选的实现方式中，所述装置还包括：模型训练模块，被配置为获得所述风格迁移模型；

所述模型训练模块，包括：

获取单元，被配置为获取所述内容图像以及所述第二风格化图像；

风格化单元，被配置为采用神经网络模型，对所述内容图像进行处理，得到第三风格化图像；

训练单元，被配置为根据所述内容图像、所述第二风格化图像以及所述第三风格化图像的关联特征，对所述神经网络模型进行训练，得到所述风格迁移模型；其中，所述关联特征包括内容特征、风格特征、像素点特征以及语义特征中的至少一种。

在一个可选的实现方式中，所述训练单元还被配置为：

根据所述第三风格化图像以及所述内容图像的内容特征差异，确定内容损失函数；

根据所述第三风格化图像以及所述第二风格化图像的风格特征差异，确定风格损失函数；

根据所述第三风格化图像以及所述第二风格化图像的像素点特征差异，确定像素损失函数；

根据所述内容损失函数、所述风格损失函数以及所述像素损失函数，确定所述神经网络模型的参数，得到所述风格迁移模型。

在一个可选的实现方式中，所述训练单元还被配置为：

对所述内容图像、所述第二风格化图像以及所述第三风格化图像进行语义分割，得到多个语义类别；

根据所述内容图像、所述第二风格化图像以及所述第三风格化图像，计算各所述语义类别对应的损失函数；

根据各所述语义类别对应的损失函数，确定所述神经网络模型的参数，得到所述风格迁移模型。

在一个可选的实现方式中，所述训练单元还被配置为：

对所述内容图像、所述第二风格化图像以及所述第三风格化图像进行语义分割，得到多个语义类别；

根据所述第三风格化图像以及所述内容图像中各语义类别对应的内容特征差异，确定内容损失函数；

根据所述第三风格化图像以及所述第二风格化图像中各语义类别对应的风格特征差异，确定风格损失函数；

根据所述第三风格化图像以及所述第二风格化图像中各语义类别对应的像素点特征差异，确定像素损失函数；

根据所述内容损失函数、所述风格损失函数以及所述像素损失函数，确定所述神经网络模型的参数，得到所述风格迁移模型。

根据本申请的第三方面，提供一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行如第一方面所述的图像风格迁移方法。

根据本申请的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的图像风格迁移方法。

根据本申请的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的图像风格迁移方法。

本申请提供的技术方案可以包括以下有益效果：

在本申请中，提供了一种图像风格迁移方法、装置、电子设备及存储介质，其中图像风格迁移方法包括：获取待处理图像；采用风格迁移模型，对待处理图像进行处理，得到第一风格化图像；风格迁移模型是预先根据内容图像、第二风格化图像以及第三风格化图像进行模型训练得到的，其中，第二风格化图像是对内容图像进行风格化处理得到的，第三风格化图像是采用神经网络模型对内容图像进行处理得到的。本申请技术方案采用预先训练得到的风格迁移模型对待处理图像进行风格迁移处理，避免在执行风格迁移的过程中对损失函数进行求解优化等过程，从而实现快速风格迁移；并且，风格迁移模型是采用成对的输入输出样本如内容图像和第二风格化图像，对神经网络模型进行监督训练得到的，通过有标签样本的引入，可以提升模型的风格化效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请示出的一种图像风格迁移方法的步骤流程图。

图2是本申请示出的一种获得风格迁移模型的步骤流程图。

图3是本申请示出的一种风格迁移模型的原理框图。

图4是本申请示出的一种获得风格迁移模型实现方式的步骤流程图。

图5是本申请示出的另一种获得风格迁移模型实现方式的步骤流程图。

图6是本申请示出的一种图像风格迁移装置的框图。

图7是本申请示出的一种电子设备的框图。

图8是本申请示出的一种电子设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

图像风格迁移(ist，imagestyletransfer)研究的是自然图片之间的风格转换，其任务是以原始图的内容为基础，将参考图的风格迁移上去，得到风格化图。图1是本申请示出的一种图像风格迁移方法的流程图，如图1所示，该方法应用于电子设备中，该方法包括以下步骤。

在步骤s101中，获取待处理图像。

具体地，获取待进行风格化迁移的图像。

在步骤s102中，采用风格迁移模型，对待处理图像进行处理，得到第一风格化图像；风格迁移模型是预先根据内容图像、第二风格化图像以及第三风格化图像进行模型训练得到的，其中，第二风格化图像是对内容图像进行风格化处理得到的，第三风格化图像是采用神经网络模型对内容图像进行处理得到的。

具体地，采用预先训练好的风格迁移模型，对待处理图像进行风格迁移处理，得到第一风格化图像。由于本实施例采用的是预先训练好的风格迁移模型，因此，在进行风格迁移的过程中无需对损失函数进行梯度迭代计算，直接将待处理图像输入到风格迁移模型，即可输出得到第一风格化图像，这样就把现有生成风格化图像的“训练”的过程变成了一个“执行”预先训练好的风格迁移模型的过程，因此可以大大加快生成风格化图像的速度。

其中，风格迁移模型例如可以根据标签样本预先训练得到，标签样本包括内容图像以及根据内容图像预先进行风格化处理的第二风格化图像，采用神经网络模型对内容图像进行处理得到第三风格化图像，再根据内容图像、第二风格化图像以及第三风格化图像的关联特征对神经网络模型进行训练，得到风格迁移模型。其中，内容图像为未进行风格化处理的原始图像样本。

本实施例提供的图像风格迁移方法，采用预先训练得到的风格迁移模型对待处理图像进行风格迁移处理，无需在执行风格迁移的过程中对损失函数进行求解优化，从而实现快速风格迁移；并且，风格迁移模型是采用成对的输入输出样本如内容图像和第二风格化图像，对神经网络模型进行监督训练得到的，通过有标签样本的引入，可以提升模型的风格化效果。

在本实施例的一种实现方式中，在步骤s102之前，还可以包括：获得风格迁移模型的步骤，参照图2，获得风格迁移模型的步骤具体可以包括：

在步骤s201中，获取内容图像以及第二风格化图像。

具体地，第二风格化图像(stylized图)可以预先对内容图像(content图)进行风格化处理得到，例如可以通过画家完成风格化处理的过程。

在实际应用中，由于我们只能获得少量的标签样本(成对的内容图像和第二风格化图像)，因此，可以采用单样本学习(one-shotlearning)或少样本学习(few-shotlearning)的方法监督机器学习，少样本学习是利用一对或几对输入输出样本进行模型训练，其任务是通过借助大量无标签样本或先验知识，从而实现根据少量标签样本完成模型训练。

根据实际可用的有标签样本的数量，借助无标签数据如大量的无标签内容图像帮助学习，即使用半监督学习算法的方式进行模型训练。

在实际应用中，例如可以采用1000张内容图像ic进行模型训练，其中1张为有标签的内容图像ic^os，对应有1张第二风格化图像is^os，剩余999张内容图像为无标签的内容图像辅助进行机器学习。需要说明的是，有标签的内容图像和对应的第二风格化图像可以有多对，在后续模型训练过程中，只需要遍历每一张内容图像和每一张第二风格化图像即可。

在步骤s202中，采用神经网络模型，对内容图像进行处理，得到第三风格化图像。

具体地，将内容图像ic(包括有标签的内容图像ic^os)输入到神经网络模型如卷积神经网络cnn，如图3所示的推理网络(inferencenetwork)，进行风格化处理后得到第三风格化图像o。第三风格化图像o为内容图像ic对应的推理网络输出图，包括ic^os对应的推理网络输出图o^os。

在步骤s203中，根据内容图像、第二风格化图像以及第三风格化图像的关联特征，对神经网络模型进行训练，得到风格迁移模型；其中，关联特征包括内容特征、风格特征、像素点特征以及语义特征中的至少一种。

具体地，可以采用图3中示出的perceptualloss网络(如vgg19)评价内容图像ic(包括有标签的内容图像ic^os)、第二风格化图像is^os以及第三风格化图像o(包括有标签的内容图像ic^os对应的推理网络输出图o^os)之间的关联特征差异，确定损失函数，通过对损失函数进行优化求解，确定推理网络中的参数，得到风格迁移模型。

其中，关联特征至少包括以下至少一种内容特征、风格特征、像素点特征以及语义特征等。

一种实现方式中，参照图4，在步骤s203中可以进一步包括：

在步骤s401中，根据第三风格化图像以及内容图像的内容特征差异，确定内容损失函数。

具体地，可以采用第三风格化图像o以及内容图像ic的图像特征表征内容特征，因此，内容损失函数可以采用如下公式计算得到：

其中，l是cnn网络卷积层的总数，i索引表示第i层卷积层，在每一层中共有ni组滤波器，每组滤波器对应的特征图总像素数为di，fi(·)对应cnn第i层特征矩阵，(j,k)用于索引，αi用于平衡各层的权重。

在步骤s402中，根据第三风格化图像以及第二风格化图像的风格特征差异，确定风格损失函数。

具体地，可以采用第三风格化图像o以及第二风格化图像is^os的gram矩阵表征风格特征，因此，风格损失函数可以采用如下公式计算得到：

其中，l是cnn网络卷积层的总数，i索引表示第i层卷积层，在每一层中共有ni组滤波器，(j,k)用于索引，βi用于平衡各层的权重，gi(·)对应cnn第i层特征计算内积得到的gram矩阵，λs用于调节风格损失在总损失函数中所占的比例。

在步骤s403中，根据第三风格化图像以及第二风格化图像的像素点特征差异，确定像素损失函数。

具体地，可以采用第三风格化图像o中有标签的内容图像ic^os对应的推理网络输出图o^os以及第二风格化图像is^os的像素点数据(如灰度等)表征像素点特征，因此，像素损失函数可以采用如下公式计算得到：

其中，(j,k)用于索引，λe用于调节像素损失在总损失函数中所占的比例，d^os为有标签的内容图像ic^os的总像素数。

在步骤s404中，根据内容损失函数、风格损失函数以及像素损失函数，确定神经网络模型的参数，得到风格迁移模型。

具体地，可以根据内容损失函数、风格损失函数以及像素损失函数之和，得到损失函数：

然后对损失函数进行优化求解，确定神经网络模型的参数，得到风格迁移模型。

一种实现方式中，参照图5，在步骤s203中可以进一步包括：

在步骤s501中，对内容图像、第二风格化图像以及第三风格化图像进行语义分割，得到多个语义类别。

具体地，语义分割是指将图像进行分割，根据分割结果确定物体的类别(语义类别)，比如猫、狗等等。在实际应用中，语义分割可以通过手动或者机器自动分割等方式实现。

在步骤s502中，根据内容图像、第二风格化图像以及第三风格化图像，计算各语义类别对应的损失函数。

例如，可以采用图4所示实施例提供的方法，分别计算各语义类别对应的内容损失函数、风格损失函数以及像素损失函数等，具体可以包括如下步骤：

根据第三风格化图像以及内容图像中各语义类别对应的内容特征差异，确定各语义类别对应的内容损失函数；

根据第三风格化图像以及第二风格化图像中各语义类别对应的风格特征差异，确定各语义类别对应的风格损失函数；

根据第三风格化图像以及第二风格化图像中各语义类别对应的像素点特征差异，确定各语义类别对应的像素损失函数。

在步骤s503中，根据各语义类别对应的损失函数，确定神经网络模型的参数，得到风格迁移模型。

具体地，可以将各语义类别对应的内容损失函数求和，得到内容损失函数；将各语义类别对应的风格损失函数求和，得到风格损失函数；将各语义类别对应的像素损失函数求和，得到像素损失函数；然后根据内容损失函数、风格损失函数以及像素损失函数，例如对内容损失函数、风格损失函数以及像素损失函数求和，得到损失函数，对损失函数进行优化求解，可以确定神经网络模型的参数，得到风格迁移模型。

本实施例提供的图像风格迁移方法，通过加入语义分割，可以更好地区分不同语义类别，从而针对不同的语义类别分别进行损失函数的计算和优化，避免违反语义信息的风格化结果，从而使训练得到的风格迁移模型能够实现精准迁移，进一步提升整体风格化效果。

图6是本申请示出的一种图像风格迁移装置的框图。参照图6，该装置可以包括：

获取模块61，被配置为获取待处理图像；

风格化模块62，被配置为采用风格迁移模型，对待处理图像进行处理，得到第一风格化图像；风格迁移模型是预先根据内容图像、第二风格化图像以及第三风格化图像进行模型训练得到的，其中，第二风格化图像是对内容图像进行风格化处理得到的，第三风格化图像是采用神经网络模型对内容图像进行处理得到的。

在一个可选的实现方式中，装置还可以包括：模型训练模块63，被配置为获得风格迁移模型。模型训练模块63具体可以包括：

获取单元，被配置为获取内容图像以及第二风格化图像；

风格化单元，被配置为采用神经网络模型，对内容图像进行处理，得到第三风格化图像；

训练单元，被配置为根据内容图像、第二风格化图像以及第三风格化图像的关联特征，对神经网络模型进行训练，得到风格迁移模型；其中，关联特征包括内容特征、风格特征、像素点特征以及语义特征中的至少一种。

在一个可选的实现方式中，训练单元还被配置为：

根据第三风格化图像以及内容图像的内容特征差异，确定内容损失函数；

根据第三风格化图像以及第二风格化图像的风格特征差异，确定风格损失函数；

根据第三风格化图像以及第二风格化图像的像素点特征差异，确定像素损失函数；

根据内容损失函数、风格损失函数以及像素损失函数，确定神经网络模型的参数，得到风格迁移模型。

具体地，训练单元可以根据内容损失函数、风格损失函数以及像素损失函数之和，得到如下损失函数：

其中，

然后对损失函数进行优化求解，确定神经网络模型的参数，得到风格迁移模型。

在一个可选的实现方式中，训练单元还被配置为：

对内容图像、第二风格化图像以及第三风格化图像进行语义分割，得到多个语义类别；

根据内容图像、第二风格化图像以及第三风格化图像，计算各语义类别对应的损失函数；

根据各语义类别对应的损失函数，确定神经网络模型的参数，得到风格迁移模型。

在一个可选的实现方式中，训练单元还被配置为：

对内容图像、第二风格化图像以及第三风格化图像进行语义分割，得到多个语义类别；

根据第三风格化图像以及内容图像中各语义类别对应的内容特征差异，确定内容损失函数；

根据第三风格化图像以及第二风格化图像中各语义类别对应的风格特征差异，确定风格损失函数；

根据第三风格化图像以及第二风格化图像中各语义类别对应的像素点特征差异，确定像素损失函数；

根据内容损失函数、风格损失函数以及像素损失函数，确定神经网络模型的参数，得到风格迁移模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式以及有益效果已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图7是本申请示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图像，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

图8是本申请示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。

参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。