CN109886248B - 一种图像生成方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明实施例公开了一种图像生成方法、装置、存储介质及电子设备。该图像生成方法包括：获取待预测用户的当前脸部图像和第一预测等级；根据待预测用户的当前脸部图像以及第一预测等级，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像。通过执行本发明所提供的技术方案，可以基于待预测用户的当前脸部图像，利用模型生成用户某个等级所对应的脸部预测图像，从而使用户对未来某个等级所对应的脸部情况有所了解，实现对用户脸部情况的预测。

Description

一种图像生成方法、装置、存储介质及电子设备

技术领域

本发明实施例涉及医疗技术领域，尤其涉及一种图像生成方法、装置、存储介质及电子设备。

背景技术

面部疾病是指一类发病后会引起患者面部改变的疾病。患者在发病后，面部会发生改变如：嘴唇变大、额头发皱、眼睛突出、鼻子变大等。而面部改变的程度会随着病情的发展逐渐加深。

目前，患者只有自己处于了某个发病阶段，才能知道面部的改变情况，只能大概猜测自己未来的面部改变情况。

发明内容

本发明提供一种图像生成方法、装置、存储介质及电子设备，以实现对用户脸部情况的预测。

本发明实施例提供了一种图像生成方法，该方法包括：

获取待预测用户的当前脸部图像和第一预测等级；

根据所述待预测用户的当前脸部图像以及所述第一预测等级，利用对抗网络模型的生成器确定所述第一预测等级所对应的第一脸部预测图像。

进一步的，获取待预测用户的当前脸部图像包括：

利用图像生成装置的第一人脸取景框对所述待预测用户的脸部图像进行采集、定位和裁剪，以得到所述待预测用户的当前脸部图像。

进一步的，获取待预测用户的当前脸部图像还包括：

对所述图像生成装置的原始人脸取景框进行放大，以得到所述第一人脸取景框。

进一步的，利用对抗网络模型的生成器确定所述第一预测等级所对应的第一脸部预测图像之前，还包括：

通过如下方式训练所述对抗网络模型：

将样本脸部图像和设定预测等级输入至所述对抗网络模型的生成器，并将所述生成器生成的与所述设定预测等级对应的第一合成脸部图像和所述样本脸部图像输入至所述对抗网络模型的判别器；

通过所述判别器输出所述第一合成脸部图像的等级和真实度，以对所述对抗网络模型的生成器和判别器进行训练。

进一步的，所述生成器采用残差网络建立；所述判别器采用卷积神经网络建立。

进一步的，对所述对抗网络模型的生成器和判别器进行训练包括：

根据所述第一合成脸部图像的等级和真实度，更新所述生成器的参数，以使所述生成器生成可以使所述判别器打高分的第二合成脸部图像，并使所述生成器生成的第二合成脸部图像对应的等级与所述设定预测等级相同；

根据所述第一合成脸部图像和样本脸部图像，更新所述判别器的参数，以使所述判别器对所述第一合成脸部图像打低分，对所述样本脸部图像打高分，并判断所述第一合成脸部图像的等级。

基于同一发明构思，本发明实施例还提供了一种图像生成装置，该装置包括：

信息获取模块，用于获取待预测用户的当前脸部图像和第一预测等级；

图像预测模块，用于根据所述待预测用户的当前脸部图像以及所述第一预测等级，利用对抗网络模型的生成器确定所述第一预测等级所对应的第一脸部预测图像。

进一步的，所述信息获取模块，包括：

图像处理子模块，用于利用图像生成装置的第一人脸取景框对所述待预测用户的脸部图像进行采集、定位和裁剪，以得到所述待预测用户的当前脸部图像。

进一步的，所述信息获取模块，还包括：

取景框放大子模块，用于对所述图像生成装置的原始人脸取景框进行放大，以得到所述第一人脸取景框。

进一步的，所述装置还包括：

模型训练模块，用于训练所述对抗网络模型；

所述模型训练模块包括：

生成子模块，用于将样本脸部图像和设定预测等级输入至所述对抗网络模型的生成器，并将所述生成器生成的与所述设定预测等级对应的第一合成脸部图像和所述样本脸部图像输入至所述对抗网络模型的判别器；

判别子模块，用于通过所述判别器输出所述第一合成脸部图像的等级和真实度，以对所述对抗网络模型的生成器和判别器进行训练。

进一步的，所述生成子模块，具体用于根据所述第一合成脸部图像的等级和真实度，更新所述生成器的参数，以使所述生成器生成可以使所述判别器打高分的第二合成脸部图像，并使所述生成器生成的第二合成脸部图像对应的等级与所述设定预测等级相同；

所述判别子模块，具体用于根据所述第一合成脸部图像和样本脸部图像，更新所述判别器的参数，以使所述判别器对所述第一合成脸部图像打低分，对所述样本脸部图像打高分，并判断所述第一合成脸部图像的等级。

基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序处理器执行时实现如上所述的图像生成方法。

基于同一发明构思，本发明实施例提供了电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的图像生成方法。

本发明实施例提供的技术方案，通过获取待预测用户的当前脸部图像和第一预测等级；根据待预测用户的当前脸部图像以及第一预测等级，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像，解决现有技术中患者无法预知自己在未来某个发病阶段的面部改变情况的问题，基于待预测用户的当前脸部图像，利用模型生成用户某个等级所对应的脸部预测图像，从而使用户对未来某个等级所对应的脸部情况有所了解，实现对用户脸部情况预测的效果。

附图说明

图1是本发明实施例一提供的一种图像生成方法的流程图；

图2是本发明实施例二提供的一种图像生成装置的结构示意图；

图3是本发明实施例三中提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的一种图像生成方法的流程图，本实施例可适用于对图像进行生成的情况，该方法可以由本发明实施例所提供的图像生成装置来执行，该装置可以由软件和/或硬件的方式来实现，并可集成于电子设备中。

如图1所示，该图像生成方法包括如下步骤：

S110、获取待预测用户的当前脸部图像和第一预测等级。

其中，待预测用户可以是患有面部疾病的患者，如处于第一发病阶段的患者或者处于第二发病阶段的患者等。面部疾病可以根据患者病情的发展来划分发病等级，如零等级可以是没有面部疾病，一等级可以是面部疾病轻微的情况，二等级是面部疾病非常严重的情况。在本实施例中第一预测等级可以是待预测用户的未来的某个发病阶段，即用户想知道在此未来的发病阶段时的脸部图像。

需要说明的是，根据患者病情的发展来划分发病等级的数量本实施例不进行具体限定，可以划分为三个等级或者多个等级。

获取待预测用户的当前脸部图像具体可以采用高清数码相机等来完成。在本实施例中，不限于高清数码相机，只要能够获取到待预测用户的当前脸部图像的设备都是可以的。

S120、根据待预测用户的当前脸部图像以及第一预测等级，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像。

其中，对抗网络模型是有生成器和判别器两部分构成的，生成器与判别器两者相互对抗训练，从而可以得到较好的训练效果，在实际应用的过程中，不需要训练好的判别器，只需要训练好的生成器。本实施例中，将待预测用户的当前脸部图像以及第一预测等级输入至已经训练好的对抗网络模型的生成器中，对抗网络模型的生成器输出的就是该用户的第一预测等级所对应的第一脸部预测图像。

示例性的，待预测用户可以是患有嘴唇变大的脸部疾病患者，但是此用户目前的发病等级为一等级，可是此用户想知道其在二等级时的脸部情况是什么样的，所以可以通过本实施例的对抗网络模型的生成器，将用户的当前脸部图像以及第一预测等级即二等级输入至对抗网络模型的生成器，对抗网络模型的生成器输出的就是此用户当发病等级处于二等级时的脸部图像。由于生成器是在对抗网络模型中训练过的，所以生成器的输出结果，即二等级时的脸部图像也是准确度高且稳定的。

本发明实施例提供的技术方案，通过获取待预测用户的当前脸部图像和第一预测等级；根据待预测用户的当前脸部图像以及第一预测等级，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像，解决现有技术中患者无法预知自己在未来某个发病阶段的面部改变情况的问题，基于待预测用户的当前脸部图像，利用模型生成用户某个等级所对应的脸部预测图像，从而使用户对未来某个等级所对应的脸部情况有所了解，实现对用户脸部情况预测的效果。

在上述技术方案的基础上，优选的，获取待预测用户的当前脸部图像包括：利用图像生成装置的第一人脸取景框对待预测用户的脸部图像进行采集、定位和裁剪，以得到待预测用户的当前脸部图像。可选的，获取待预测用户的当前脸部图像还包括：对图像生成装置的原始人脸取景框进行放大，以得到第一人脸取景框。

其中，可以采用Face Recognition深度学习人脸识别库进行人脸定位。即图像生成装置中的Face Recognition人脸识别库会定位出原始人脸取景框，此时的原始人脸取景框内不包括待预测用户的额头信息以及部分下巴信息。由于面部患者的面部疾病特征中额头和下巴也是重要的表现特征，因此，本实施例的在Face Recognition定位出的原始人脸取景框的基础中，在边框的上下两区域分别增加人脸大小五分之一的高度，以得到第一人脸取景框，然后利用第一人脸取景框对待预测用户的脸部图像进行采集、定位，确保裁剪后的脸部图像保留额头和下巴信息。然后只保留脸部图像的第一人脸取景框内的部分，裁剪掉其余部分，从而得到待预测用户的当前脸部图像。本技术方案由于得到的待预测用户的当前脸部图像包括待预测用户的额头和下巴信息，使获取的待预测用户的当前脸部图像更准确，从而得到的用户某个等级所对应的脸部预测图像更准确。

在上述方案的基础上，可选的，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像之前，还包括：通过如下方式训练对抗网络模型：将样本脸部图像和设定预测等级输入至对抗网络模型的生成器，并将生成器生成的与设定预测等级对应的第一合成脸部图像和样本脸部图像输入至对抗网络模型的判别器；通过判别器输出第一合成脸部图像的等级和真实度，以对对抗网络模型的生成器和判别器进行训练。可选的，生成器采用残差网络建立；判别器采用卷积神经网络建立。可选的，对生成器和判别器进行训练包括：根据第一合成脸部图像的等级和真实度，更新生成器的参数，以使生成器生成可以使判别器打高分的第二合成脸部图像，并使生成器生成的第二合成脸部图像对应的等级与设定预测等级相同；根据第一合成脸部图像和样本脸部图像，更新判别器的参数，以使判别器对第一合成脸部图像打低分，对样本脸部图像打高分，并判断第一合成脸部图像的等级。

其中，样本脸部图像可以是各个等级的用户的脸部图像，如发病等级为一等级的100个患者的脸部图像和发病等级为二等级的100个患者的脸部图像。设定预测等级可以是一等级或者二等级等。生成器采用残差网络建立，并利用反卷积进行上采样操作，使输出图像尺寸与原始输入图像相同。判别器采用卷积神经网络建立。

具体的，将样本脸部图像和设定预测等级输入至对抗网络模型的生成器，生成器根据样本脸部图像和设定预测等级生成一个与设定预测等级对应的第一合成脸部图像，将第一合成脸部图像和样本脸部图像输入至对抗网络模型的判别器，判别器通过更新自己的参数，尽可能识别出生成器生成的第一合成脸部图像，即判别器会给第一合成脸部图像一个很低分，给样本脸部图像一个很高分，且输出第一合成脸部图像的等级，而生成器根据判别器给出的分数和等级来更新自己的参数，从而使自己生成可以让判别器打高分的第二合成图像。即训练时生成器和判别器形成对抗，判别器尽可能识别出生成器生成的第一合成图像，并给第一合成图像一个很低的分数，而对样本脸部图像给出一个很高的分数；生成器则尽可能生成和真实的样本脸部图像接近的图像以使判别器给出一个很高的真实度分数，这样两者就会相互对抗从而促进学习。

本技术方案，通过对生成器的训练，可以得到能够准确地生成第一预测等级所对应的第一脸部预测图像的生成器，这样就可以应用在得到用户某个等级所对应的脸部预测图像或者其他实际场景中，充分发挥生成器的生成能力，实现基于待预测用户的当前脸部图像，就能得到用户某个等级所对应的脸部预测图像的效果。除此之外，在对对抗网络模型的生成器和判别器进行训练时，训练数据只需要各个等级的用户的脸部图像，并不需要提供每个用户在每个等级的对应脸部图像，这大大减少了数据的采集成本。

实施例二

图2是本发明实施例二提供的图像生成装置的结构示意图。如图2所示，图像生成装置，包括：

信息获取模块210，用于获取待预测用户的当前脸部图像和第一预测等级；

图像预测模块220，用于根据待预测用户的当前脸部图像以及第一预测等级，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像。

本发明实施例提供的技术方案，通过获取待预测用户的当前脸部图像和第一预测等级；根据待预测用户的当前脸部图像以及第一预测等级，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像，解决现有技术中患者无法预知自己在未来某个发病阶段的面部改变情况的问题，基于待预测用户的当前脸部图像，利用模型生成用户某个等级所对应的脸部预测图像，从而使用户对未来某个等级所对应的脸部情况有所了解，实现对用户脸部情况预测的效果。

在上述方案的基础上，可选的，信息获取模块，包括：

图像处理子模块，用于利用图像生成装置的第一人脸取景框对待预测用户的脸部图像进行采集、定位和裁剪，以得到待预测用户的当前脸部图像。

在上述方案的基础上，可选的，信息获取模块，还包括：

取景框放大子模块，用于对图像生成装置的原始人脸取景框进行放大，以得到第一人脸取景框。

在上述方案的基础上，可选的，图像生成装置还包括：

模型训练模块，用于训练对抗网络模型；

所述模型训练模块包括：

生成子模块，用于将样本脸部图像和设定预测等级输入至对抗网络模型的生成器，并将生成器生成的与设定预测等级对应的第一合成脸部图像和样本脸部图像输入至对抗网络模型的判别器；

判别子模块，用于通过判别器输出第一合成脸部图像的等级和真实度，以对对抗网络模型的生成器和判别器进行训练。

在上述方案的基础上，可选的，生成器采用残差网络建立；判别器采用卷积神经网络建立。

在上述方案的基础上，可选的，生成子模块，具体用于根据第一合成脸部图像的等级和真实度，更新生成器的参数，以使生成器生成可以使判别器打高分的第二合成脸部图像，并使生成器生成的第二合成脸部图像对应的等级与设定预测等级相同；

判别子模块，具体用于根据第一合成脸部图像和样本脸部图像，更新判别器的参数，以使判别器对第一合成脸部图像打低分，对样本脸部图像打高分，并判断第一合成脸部图像的等级。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

实施例三

本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种图像生成方法，该方法包括：

获取待预测用户的当前脸部图像和第一预测等级；

根据待预测用户的当前脸部图像以及第一预测等级，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的图像生成操作，还可以执行本发明任意实施例所提供的图像生成方法中的相关操作。

实施例四

本发明实施例提供了一种电子设备，该电子设备中可集成本发明实施例提供的图像生成装置。图3是本发明实施例四提供的一种电子设备的结构示意图。如图3所示，本实施例提供了一种电子设备300，其包括：一个或多个处理器320；存储装置310，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器320执行，使得所述一个或多个处理器320实现本发明实施例所提供的图像生成方法，该方法包括：

获取待预测用户的当前脸部图像和第一预测等级；

根据待预测用户的当前脸部图像以及第一预测等级，利用对抗网络模型的生成器确定第一预测等级所对应的第一脸部预测图像。

当然，本领域技术人员可以理解，处理器320还可以实现本发明任意实施例所提供的图像生成方法的技术方案。

图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，该电子设备300包括处理器320、存储装置310、输入装置330和输出装置340；电子设备中处理器320的数量可以是一个或多个，图3中以一个处理器320为例；电子设备中的处理器320、存储装置310、输入装置330和输出装置340可以通过总线或其他方式连接，图3中以通过总线350连接为例。

存储装置310作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的图像生成方法对应的程序指令。

存储装置310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；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储装置310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、或其他非易失性固态存储器件。在一些实例中，存储装置310可进一步包括相对于处理器320远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置330可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏、扬声器等设备。

本发明实施例提供的电子设备，基于待预测用户的当前脸部图像，利用模型生成用户某个等级所对应的脸部预测图像，从而使用户对未来某个等级所对应的脸部情况有所了解，实现对用户脸部情况预测的效果。

上述实施例中提供的图像生成装置、存储介质及电子设备可执行本发明任意实施例所提供的图像生成方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的图像生成方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种图像生成方法，其特征在于，包括：

获取待预测用户的当前脸部图像和第一预测等级；

根据所述待预测用户的当前脸部图像以及所述第一预测等级，利用对抗网络模型的生成器确定所述第一预测等级所对应的第一脸部预测图像；

利用对抗网络模型的生成器确定所述第一预测等级所对应的第一脸部预测图像之前，还包括：

通过如下方式训练所述对抗网络模型：

将样本脸部图像和设定预测等级输入至所述对抗网络模型的生成器，并将所述生成器生成的与所述设定预测等级对应的第一合成脸部图像和所述样本脸部图像输入至所述对抗网络模型的判别器；

通过所述判别器输出所述第一合成脸部图像的等级和真实度，以对所述对抗网络模型的生成器和判别器进行训练；

对所述对抗网络模型的生成器和判别器进行训练包括：

根据所述第一合成脸部图像的等级和真实度，更新所述生成器的参数，以使所述生成器生成可以使所述判别器打高分的第二合成脸部图像，并使所述生成器生成的第二合成脸部图像对应的等级与所述设定预测等级相同；

根据所述第一合成脸部图像和样本脸部图像，更新所述判别器的参数，以使所述判别器对所述第一合成脸部图像打低分，对所述样本脸部图像打高分，并判断所述第一合成脸部图像的等级；

在对所述对抗网络模型的生成器和判别器进行训练时，训练数据只需要各个等级的用户的脸部图像；

所述第一预测等级是预测的所述待预测用户的发病等级。

2.根据权利要求1所述的方法，其特征在于，获取待预测用户的当前脸部图像包括：

利用图像生成装置的第一人脸取景框对所述待预测用户的脸部图像进行采集、定位和裁剪，以得到所述待预测用户的当前脸部图像。

3.根据权利要求2所述的方法，其特征在于，还包括：

对所述图像生成装置的原始人脸取景框进行放大，以得到所述第一人脸取景框。

4.根据权利要求1所述的方法，其特征在于，所述生成器采用残差网络建立；所述判别器采用卷积神经网络建立。

5.一种图像生成装置，其特征在于，包括：

信息获取模块，用于获取待预测用户的当前脸部图像和第一预测等级；

图像预测模块，用于根据所述待预测用户的当前脸部图像以及所述第一预测等级，利用对抗网络模型的生成器确定所述第一预测等级所对应的第一脸部预测图像；

所述装置还包括：模型训练模块，用于训练所述对抗网络模型；

所述模型训练模块包括：

生成子模块，用于将样本脸部图像和设定预测等级输入至所述对抗网络模型的生成器，并将所述生成器生成的与所述设定预测等级对应的第一合成脸部图像和所述样本脸部图像输入至所述对抗网络模型的判别器；

判别子模块，用于通过所述判别器输出所述第一合成脸部图像的等级和真实度，以对所述对抗网络模型的生成器和判别器进行训练；

所述生成子模块，具体用于根据所述第一合成脸部图像的等级和真实度，更新所述生成器的参数，以使所述生成器生成可以使所述判别器打高分的第二合成脸部图像，并使所述生成器生成的第二合成脸部图像对应的等级与所述设定预测等级相同；

所述判别子模块，具体用于根据所述第一合成脸部图像和样本脸部图像，更新所述判别器的参数，以使所述判别器对所述第一合成脸部图像打低分，对所述样本脸部图像打高分，并判断所述第一合成脸部图像的等级；

在对所述对抗网络模型进行训练时，训练数据只需要各个等级的用户的脸部图像；

所述第一预测等级是预测的所述待预测用户的发病等级。

6.根据权利要求5所述的装置，其特征在于，所述信息获取模块，包括：

图像处理子模块，用于利用图像生成装置的第一人脸取景框对所述待预测用户的脸部图像进行采集、定位和裁剪，以得到所述待预测用户的当前脸部图像。

7.根据权利要求6所述的装置，其特征在于，所述信息获取模块，还包括：

取景框放大子模块，用于对所述图像生成装置的原始人脸取景框进行放大，以得到所述第一人脸取景框。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的图像生成方法。

9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的图像生成方法。

Images