图像风格转换Python

学校给的实践任务,才大一,这篇是处女作哦。

本着让和我一样的小白童鞋免遭配置环境的繁杂过程,我介绍下我尝试过的最简最快的方法。

1.什么是图像风格转换

观察这三张修勾的图片,大家应该能直观地看出来了吧~,具体原理大家可以搜索哦

2.快速上手

1.安装Vscode

因为用到python语言,也可以用pycharm,但vscode绝对是一款简洁高效的软件,建议大家都试一下。

下载地址:https://code.visualstudio.com/

2.下载python,安装扩展

python下载地址:Download Python | Python.org

建议选3.8或3.9的版本,下载安装即可,安装过程所有选项全打勾。

安装完成后点箭头指的图标安装扩展 。

搜索python,安装这两个扩展。

搜索code runner 安装第一个。

不习惯英语的同学可以装中文哦。

 

在setting(设置)中搜索run in terminal(终端运行代码)并打勾。 

3.下载源码及实例

我个人整理了一些网上的资料及改进版发布在自己的Gitcode里了

ChijansLewis / opencv_image_style_transfer · GitCode

下载压缩包即可

4.在Vscode中运行

新建一个terminal(终端),打开main.py文件

如果你没学过python,以下内容会难一点点 

先安装opencv

终端处输入如下命令即可,其余命令均类似,复制命令直接在终端右键自动粘贴 ,回车运行

pip install opencv-contrib-python

如果提示pip版本不够(一般第一次都会有这种情况),可以这样更新pip

python -m pip install --upgrade pip

然后安装numpy

pip install numpy

安装过程就告一段落了,接下来就可以运行啦!(源文件的images和saved文件夹有几张图片先删掉效果更明显)

比如先来一个

python main.py --input dog.jpg --model udnie.t7

等一会就可以看到saved文件夹下多一张修勾的照片

还有运行时间,761.6745ms 

如果转化单张图片,请确保图片在main.py的同级文件夹下,以命令

python main.py --input 文件名(带后缀) --model 某个.t7

如果要转化多张图片,请将图片放到images文件夹中(必须是图片,word,txt的别放)

命令为

python main.py --folder True --model 某个.t7 

在images里放3张图片试一下

 可以看到图片很快处理好了并保存在了saved文件夹中,就是第一张有些慢也不知道为什么。

这个过程中,你可能会遇到一些报错,不用着急,多上网看看吧。

好啦,现在你应该会很有成就感吧,如果你已经有了一定的python能力,你可以用一下其他的parse功能

你也可以改进代码功能

当然,如果您是大神(也感谢您能阅读到此,鞠躬) ,完全可以自己训练模型的话,也可以改进一下现有的模型,麻烦传到我的gitcode站上ChijansLewis / opencv_image_style_transfer · GitCode

谢谢大家的阅读,希望能帮助大家。

  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
实现图片风格转换可以使用深度学习模型,比较常用的是基于卷积神经网络的风格迁移(Style Transfer)模型。下面是一个简单的代码示例: 首先需要安装必要的库,包括tensorflow, numpy, scipy, matplotlib等。 ```python import tensorflow as tf import numpy as np import scipy.misc import matplotlib.pyplot as plt ``` 定义读取图片的函数,使用scipy库的imread函数。 ```python def load_image(path): img = scipy.misc.imread(path).astype(np.float) # 将图片缩放至合适的大小 img = scipy.misc.imresize(img, (256, 256)) # 减去均值,使图片的像素值在[-127.5, 127.5]之间 img = img - np.mean(img) return img ``` 定义保存图片的函数。 ```python def save_image(image, path): # 加上均值,还原像素值 image = image + np.mean(image) # 裁剪像素值,使其在[0, 255]之间 image = np.clip(image, 0, 255).astype(np.uint8) # 保存图片 scipy.misc.imsave(path, image) ``` 加载内容图片和风格图片。 ```python content_image = load_image("content.jpg") style_image = load_image("style.jpg") ``` 定义模型中间层的名称和权重。 ```python # VGG19模型中间层的名称和权重 content_layers = ["block5_conv2"] style_layers = ["block1_conv1", "block2_conv1", "block3_conv1", "block4_conv1", "block5_conv1"] content_weight = 1 style_weight = 0.2 ``` 加载VGG19模型,并提取指定的中间层的特征。 ```python def get_features(image, model): # 将图片输入模型,得到各个中间层的输出 outputs = [layer.output for layer in model.layers] # 构建新的模型,以中间层的输出作为输出 feature_model = tf.keras.models.Model(model.input, outputs) # 将图片预处理,使其符合模型的输入要求 image = np.expand_dims(image, axis=0) image = tf.keras.applications.vgg19.preprocess_input(image) # 将图片输入模型,得到各个中间层的输出 features = feature_model(image) # 将不同层的特征拼接起来 features = [np.reshape(feature[0], (-1, feature.shape[3])) for feature in features] features = np.concatenate(features, axis=0) return features ``` 定义Gram矩阵的计算函数。 ```python def gram_matrix(features): # 计算Gram矩阵 gram = np.matmul(features.T, features) return gram ``` 定义内容损失的计算函数。 ```python def content_loss(content_features, generated_features): # 计算内容损失 loss = tf.reduce_mean(tf.square(content_features - generated_features)) return content_weight * loss ``` 定义风格损失的计算函数。 ```python def style_loss(style_features, generated_features): # 计算Gram矩阵 style_gram = gram_matrix(style_features) generated_gram = gram_matrix(generated_features) # 计算风格损失 loss = tf.reduce_mean(tf.square(style_gram - generated_gram)) return style_weight * loss ``` 定义总损失的计算函数。 ```python def total_loss(model, content_image, style_image, generated_image): # 提取内容图片、风格图片和生成图片的特征 content_features = get_features(content_image, model) style_features = get_features(style_image, model) generated_features = get_features(generated_image, model) # 计算内容损失和风格损失 content_loss_value = content_loss(content_features, generated_features) style_loss_value = style_loss(style_features, generated_features) # 计算总损失 total_loss_value = content_loss_value + style_loss_value return total_loss_value ``` 定义梯度下降函数,使用Adam优化器。 ```python def train_step(model, content_image, style_image, generated_image): with tf.GradientTape() as tape: # 计算总损失 loss = total_loss(model, content_image, style_image, generated_image) # 计算梯度 gradients = tape.gradient(loss, generated_image) # 使用Adam优化器更新生成图片 optimizer = tf.keras.optimizers.Adam(learning_rate=0.02, beta_1=0.99, epsilon=1e-1) optimizer.apply_gradients([(gradients, generated_image)]) # 将像素值裁剪到[0, 255]之间 generated_image.assign(tf.clip_by_value(generated_image, 0, 255)) ``` 开始训练,迭代1000次。 ```python # 加载VGG19模型 model = tf.keras.applications.vgg19.VGG19(include_top=False, weights="imagenet") # 将内容图片作为初始值 generated_image = tf.Variable(content_image) # 训练1000次 for i in range(1000): train_step(model, content_image, style_image, generated_image) if i % 100 == 0: # 每100次保存一次生成图片 save_image(generated_image.numpy(), "generated_%d.jpg" % i) ``` 代码中的超参数可以根据具体的需求进行调整。实现图片风格转换需要一定的计算资源,建议在GPU环境下运行。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值