Python图片风格迁移，让你瞬间成为艺术大师!(和猫妹学Python)

哈喽，我是猫妹，咱们今天来看看Python图片风格迁移。

啥是风格迁移呢？

简单来说，图片风格迁移，就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，把猫妹在苏州古镇的一座小桥上拍下的一张照片，与爱德华蒙克的《呐喊》相融合，效果就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！

看了这个例子，你是不是有些心动了呢？

那就跟着猫妹一起来学一学吧！

基本原理

基本原理是这样的：

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：

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。

牛刀小试

猫妹下载了模型数据，参考了一些大牛的代码。

做了一些图片，一起欣赏下吧！

这是原图：

candy.t7风格迁移效果：

la_muse.t7风格迁移效果：

mosaic.t7风格迁移效果：

starry_night.t7 风格迁移效果：

the_scream.t7风格迁移效果：

udnie.t7风格迁移效果：

猫妹的测试代码如下：

import os
import sys
import cv2

abs_path=os.path.abspath('./')
styles_path=abs_path+'\styles'
input_path=abs_path+r'\input\1.png'
output_path=abs_path+r'\output\9.png'

#print(styles_path)
#print(input_path)
#print(output_path)

type_list = ['candy.t7', 
'composition_vii.t7', 
'feathers.t7',
'la_muse (1).t7', 
'la_muse.t7', 
'mosaic.t7', 
'starry_night.t7', 
'the_scream.t7', 
'the_wave.t7', 
'udnie.t7']

#读取模型
net = cv2.dnn.readNetFromTorch(styles_path+'\\'+type_list[9])
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV);#设置后端

# 读取图片
img = cv2.imread(input_path)
row,colum, _= img.shape

blob = cv2.dnn.blobFromImage(img, 1.0, (colum, row), (103.939, 116.779, 123.680), swapRB=False, crop=False)

# 进行计算
net.setInput(blob)
out = net.forward()
out = out.reshape(3, out.shape[2], out.shape[3])
out[0] += 103.939
out[1] += 116.779
out[2] += 123.68
out /= 255
out = out.transpose(1, 2, 0)

cv2.imwrite(output_path,out*255)
print('complete finish')

这个程序需要安装cv2库，需要用pip安装。

另外这里的模型文件(*.t7)也需要事先下载并保存起来，模型数据比较大，猫妹把它们整理好放到了学习群中了。

当然，还有很多种Python风格迁移，如素描、漫画、动漫、黑白画等，下次，猫妹就和大家一起学习吧！

人生苦短，我用Python！

咱们下次见！

对了，我是猫妹，欢迎评论哦！