本篇文章给大家带来的内容是关于python+opencv图像风格迁移的实现方法讲解，有一定的参考价值，有需要的朋友可以参考一下，希望对你有所帮助。
现在很多人都喜欢拍照（自拍）。有限的滤镜和装饰玩多了也会腻，所以就有 APP 提供了 模仿名画风格 的功能，比如 prisma、versa 等，可以把你的照片变成 梵高、毕加索、蒙克 等大师的风格。
这种功能叫做“ 图像风格迁移 ”，几乎都是基于 CVPR 2015 的论文《 A Neural Algorithm of Artistic Style 》和 ECCV 2016 的论文《 Perceptual Losses for Real-Time Style Transfer and Super-Resolution 》中提出的算法，以及后续相关研究的基础上开发出来的。
通俗来讲，就是借助于 神经网络 ，预先将名画中的风格训练成出模型，在将其应用在不同的照片上，生成新的风格化图像。
来自《A Neural Algorithm of Artistic Style》
立即学习“Python免费学习笔记（深入）”；
而因为神经网络在计算机视觉方面的应用越来越广，著名的视觉开发库 OpenCV 在 3.3 版本中正式引入 DNN（深度神经网络） ，支持 Caffe、TensorFlow、Torch/PyTorch 等主流框架的模型，可用以实现图像的识别、检测、分类、分割、着色等功能。
我最近才发现在 OpenCV 的 Sample 代码中就有图像风格迁移的 Python 示例（原谅我的后知后觉），是基于 ECCV 2016 论文中的网络模型实现。所以，即使作为人工智能的菜鸟，也可以拿别人训练好的模型来玩一玩，体会下神经网络的奇妙。
（相关代码和模型的获取见文末）
OpenCV 官方代码地址： https://github.com/opencv/opencv/blob/3.4.0/samples/dnn/fast_neural_style.py
目录下通过执行命令运行代码：
python fast_neural_style.py --model starry_night.t7
model 参数是提供预先训练好的模型文件路径，OpenCV 没有提供下载，但给出的参考项目 https://github.com/jcjohnson/fast-neural-style 中可以找到
其他可设置参数有：
input可以指定原始图片/视频，如果不提供就默认使用摄像头实时采集。width、height，调整处理图像的大小，设置小一点可以提高计算速度。在我自己的电脑上，300x200 的转换视频可以达到 15 帧/秒。median_filter中值滤波的窗口大小，用来对结果图像进行平滑处理，这个对结果影响不大。
执行后的效果（取自 jcjohnson/fast-neural-style）：
原始图像
ECCV16 models
instance_norm models
核心代码其实很短，就是 加载模型 - > 读取图片 -> 进行计算 -> 输出图片，我在官方示例基础上进一步简化了一下：
import cv2
# 加载模型
net = cv2.dnn.readNetFromTorch('the_scream.t7')
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV);
# 读取图片
image = cv2.imread('test.jpg')
(h, w) = image.shape[:2]
blob = cv2.dnn.blobFromImage(image, 1.0, (w, h), (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)
# 输出图片
cv2.imshow('Styled image', out)
cv2.waitKey(0)另外还改了个多效果实时对比的版本（计算量大了，很卡顿），也一并上传在代码中。
PS：前两天看赵雷演唱会的时候我还说：他演唱会的背景 MV 大量使用了 图像二值化、边缘检测 等操作，让我想到以前数字图像处理课的大作业……现在图像风格迁移的效率达到了实时，想必以后也会经常被使用吧。
