利用Python实现图片风格迁移

本篇内容主要讲解“利用Python实现图片风格迁移”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“利用Python实现图片风格迁移”吧!

网站建设哪家好，找创新互联！专注于网页设计、网站建设、微信开发、微信平台小程序开发、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了灵川免费建站欢迎大家使用！

1. 什么是图片的风格迁移？

所谓图片风格迁移，是指利用程序算法学习著名画作的风格，然后再把这种风格应用到另外一张图片上的技术。

举个例子，见上图。左边是我们的原始图片(也称内容图像)：小编在苏州甪直古镇的一座小桥上拍下的一张照片。

中间是我们的风格图片：挪威表现派画家爱德华·蒙克的代表作《呐喊》(The Scream)。

右边是将爱德华·蒙克的《呐喊》的风格应用于原始图片后生成的风格化结果图。仔细观察，图片是如何保留了流水、房屋、房屋在水中的倒影，甚至远处树木的内容，但却运用了《呐喊》的风格，就好像爱德华·蒙克在我们的景色中运用了他高超的绘画技巧一样！

问题是，我们应该定义一个什么样的神经网络来执行图片的风格迁移？

这可能吗？

答案是：可以的。我将在下一节简单讨论如何基于神经网络来实现图片风格的迁移。

2. 基本原理

Gatys等人在2015年发表了第一篇基于深度学习的风格迁移算法文章，原文链接为 https://arxiv.org/abs/1508.06576，随后文章收录于2016年的CVPR顶会。

有趣的是，他们提出了一种完全不需要新网络架构的风格迁移算法，其使用的网络构架是在前人的VGG19基础上稍加改造而成的，而且网络参数也使用预训练(通常在ImageNet上)网络的参数。我们来看下它的原理：

我们知道，卷积神经网络(CNN)具有很强的图像特征(feature/representation)提取能力，如上图所示。

对于内容图片，深层网络(d和e)提取的是高维特征，同时也丢弃了细节信息；浅层网络(a, b和c)提取的是低维特征，图片的细节大多都保留下来了。

对于风格图片，通过包含多层的特征相关性(Gram矩阵)，可获得多尺度图像风格的重构，捕获其纹理信息。这样构建的网络可以忽略图像的具体细节，保留风格。

为了将内容图片和风格图片融合在一起(见下图)，我们应该使风格化结果图(初始为一张白噪声图片)的特征同时与内容图片和风格图片的特征之间的距离最小化，最终获取我们所需的风格化结果图。

因此生成目标图片的损失函数可定义为：

其中α和β分别是内容图片和风格图片的特征所占的权重，通过最小化这个损失函数就可以获得我们想要的结果。来看个动态示意图：

值得注意的是，这里优化的参数不再是网络的权重ω和偏差b，而是初始输入的一张白噪声图片。

虽然上述方法可产生非常漂亮的风格迁移效果，但是速度很慢。

2016年，Johnson等人基于Gatys等人的工作，提出了一种速度可提高三个数量级的风格迁移算法。虽然算法的速度很快，但最大的缺点是不能像Gatys等人那样随意选择你的风格图片。针对每张风格图片，你都需要训练一个网络来重现这个风格。一旦网络模型训练好之后，你就可将它应用于你想要的任何内容图片了。

这篇博客我们将使用Johnson等人的方法，其算法实现和预训练模型可参考 https://github.com/jcjohnson/fast-neural-style。

3. 基于OpenCV的快速实现

下面利用OpenCV来快速实现图片的风格迁移，我将其封装成一个叫 style_transfer()的函数，其使用说明可参考函数内部的注释。目前只有11个预训练模型可用。

1.  `## 载入所需库`
2.  `import cv2`
3.  `import time` 
4.  `def style_transfer(pathIn='',`
5.  `pathOut='',`
6.  `model='',`
7.  `width=None,`
8.  `jpg_quality=80):`
9.  `'''`
10.  `pathIn: 原始图片的路径`
11.  `pathOut: 风格化图片的保存路径`
12.  `model: 预训练模型的路径`
13.  `width: 设置风格化图片的宽度，默认为None, 即原始图片尺寸`
14.  `jpg_quality: 0-100，设置输出图片的质量，默认80，越大图片质量越好`
15.  `'''`
16.  `## 读入原始图片，调整图片至所需尺寸，然后获取图片的宽度和高度`
17.  `img = cv2.imread(pathIn)`
18.  `(h, w) = img.shape[:2]`
19.  `if width is  not  None:`
20.  `img = cv2.resize(img, (width, round(width*h/w)), interpolation=cv2.INTER_CUBIC)`
21.  `(h, w) = img.shape[:2]` 
23.  `## 从本地加载预训练模型`
24.  `print('加载预训练模型......')`
25.  `net = cv2.dnn.readNetFromTorch(model)` 
26.  `## 将图片构建成一个blob：设置图片尺寸，将各通道像素值减去平均值（比如ImageNet所有训练样本各通道统计平均值）`
27.  `## 然后执行一次前馈网络计算，并输出计算所需的时间`
28.  `blob = cv2.dnn.blobFromImage(img, 1.0, (w, h), (103.939, 116.779, 123.680), swapRB=False, crop=False)`
29.  `net.setInput(blob)`
30.  `start = time.time()`
31.  `output = net.forward()`
32.  `end = time.time()`
33.  `print("风格迁移花费：{:.2f}秒".format(end - start))` 
35.  `## reshape输出结果, 将减去的平均值加回来，并交换各颜色通道`
36.  `output = output.reshape((3, output.shape[2], output.shape[3]))`
37.  `output[0] += 103.939`
38.  `output[1] += 116.779`
39.  `output[2] += 123.680`
40.  `output = output.transpose(1, 2, 0)` 
42.  `## 输出风格化后的图片`
43.  `cv2.imwrite(pathOut, output, [int(cv2.IMWRITE_JPEG_QUALITY), jpg_quality])`

来测试一下：

1.  `>>> models = glob.glob('./*/*/*.t7')`
2.  `>>> models      ## 列出所有可用的预训练模型`
3.  `['.\\models\\eccv16\\composition_vii.t7',`
4.  `'.\\models\\eccv16\\la_muse.t7',`
5.  `'.\\models\\eccv16\\starry_night.t7',`
6.  `'.\\models\\eccv16\\the_wave.t7',`
7.  `'.\\models\\instance_norm\\candy.t7',`
8.  `'.\\models\\instance_norm\\feathers.t7',`
9.  `'.\\models\\instance_norm\\la_muse.t7',`
10.  `'.\\models\\instance_norm\\mosaic.t7',`
11.  `'.\\models\\instance_norm\\starry_night.t7',`
12.  `'.\\models\\instance_norm\\the_scream.t7',`
13.  `'.\\models\\instance_norm\\udnie.t7']` 
15.  `>>> pathIn = './img/img01.jpg'`
16.  `>>> pathOut = './result/result_img01.jpg'`
17.  `>>> model = './models/instance_norm/the_scream.t7'`
18.  `>>> style_transfer(pathIn, pathOut, model, width=500)`
19.  `加载预训练模型......`
20.  `风格迁移花费：1.18秒` 
22.  `>>> pathIn = './img/img02.jpg'`
23.  `>>> pathOut = './result/result_img02.jpg'`
24.  `>>> model = './models/instance_norm/starry_night.t7'`
25.  `>>> style_transfer(pathIn, pathOut, model, width=500)`
26.  `加载预训练模型......`
27.  `风格迁移花费：3.17秒` 
29.  `>>> pathIn = './img/img03.jpg'`
30.  `>>> pathOut = './result/result_img03.jpg'`
31.  `>>> model = './models/instance_norm/the_scream.t7'`
32.  `>>> style_transfer(pathIn, pathOut, model, width=500)`
33.  `加载预训练模型......`
34.  `风格迁移花费：0.90秒` 
36.  `>>> pathIn = './img/img04.jpg'`
37.  `>>> pathOut = './result/result_img04.jpg'`
38.  `>>> model = './models/eccv16/the_wave.t7'`
39.  `>>> style_transfer(pathIn, pathOut, model, width=500)`
40.  `加载预训练模型......`
41.  `风格迁移花费：2.68秒` 
43.  `>>> pathIn = './img/img05.jpg'`
44.  `>>> model = './models/instance_norm/mosaic.t7'`
45.  `>>> style_transfer(pathIn, pathOut, model, width=500)`
46.  `加载预训练模型......`
47.  `风格迁移花费：1.23秒`

从运行结果可知，在CPU上，一张图片的风格迁移所花的时间大概也就几秒。如果使用GPU，完全可以实时对视频/摄像头进行风格迁移处理。

4. 目前的相关进展

自Gatys等人第一次(2015年)实现基于深度学习的风格迁移以来，风格迁移技术仍一直在发展，如今在速度和质量上都有了很大提高。目前的一些进展可以通过下面的链接来了解：

• https://github.com/jcjohnson/fast-neural-style

• https://github.com/DmitryUlyanov/texture_nets

• https://github.com/luanfujun/deep-painterly-harmonization

• https://junyanz.github.io/CycleGAN/

他们的一些作品：

1. 风格迁移

2. 外来图片的融合

3. 图片季节的变换

4. 图片背景的虚化

5. 角色互换

到此，相信大家对“利用Python实现图片风格迁移”有了更深的了解，不妨来实际操作一番吧！这里是创新互联网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！