OpenCV代码实现摄像头风格迁移

---

---

前言

在社交媒体滤镜风靡全球的今天，那些实时变化的梵高星空滤镜或二次元动漫特效背后，究竟隐藏着怎样的技术魔法？摄像头风格迁移（Real-time Camera Style Transfer）正在重新定义我们与数字世界的互动方式。

---

一、从实验室到手机镜头：风格迁移的技术进化

1、神经风格迁移的诞生

2015年，Gatys等人用VGG网络分离图像内容与风格，开创了AI艺术创作的先河。但传统方法需对每帧迭代优化，处理单张图需数分钟，难以实时应用。

2、实时化突破之路

Johnson提出的快速风格迁移网络（2016）将处理速度提升1000倍，结合MobileNet等轻量架构，使手机端实时渲染成为可能。模型大小从500MB压缩到2MB，延时控制在15ms内。

3、工业级应用场景

1) 智能安防

• 人脸卡通化隐私保护（日本便利店已部署）

• 夜间监控→水墨画风格增强

2) 影视制作

• 实时场景预渲染：《曼达洛人》拍摄现场实时生成科幻场景

• 多机位风格统一系统

3) 医疗影像

• 内窥镜画面艺术化处理，降低医生视觉疲劳

• X光片→3D油画风格，增强病灶对比度

二、案例

1、下载训练好的模型

每个模型代表不同的风格

2、代码

1）读取帧

import cv2
img = cv2.VideoCapture(0)

while True:
    ret,frame = img.read()
    if not ret:
        break
    cv2.imshow('frame',frame)
    (h,w) = frame.shape[:2]
    blob = cv2.dnn.blobFromImage(frame,1,(w,h),(0,0,0),swapRB=False,crop=False)

代码逐行解析

• 导入OpenCV库，用于计算机视觉操作。
• 创建VideoCapture对象，参数0表示使用默认摄像头（第一个连接的摄像头）。
• img.read()读取摄像头帧，ret为是否读取成功的布尔值，frame是当前帧的图像数据。
• 若读取失败（如摄像头断开），break退出循环。
• 将当前帧显示在名为frame的窗口中。
• 提取帧的高度（h）和宽度（w）。
• 使用cv2.dnn.blobFromImage将帧转换为深度学习模型所需的输入格式（Blob）。

blobFromImage参数详解：

frame：输入图像。

1：缩放因子（像素值不缩放，若需归一化可设为1/255.0）。

(w, h)：目标尺寸（此处保持原图尺寸，但通常模型会指定固定尺寸如(224, 224)）。

(0, 0, 0)：均值减法（此处不应用，若模型需要需替换为特定均值）。

swapRB=False：不交换红蓝通道（OpenCV默认BGR格式，若模型需要RGB则设为True）。

crop=False：不裁剪图像，保持比例缩放。

2）加载模型

 '''--------------------加载模型----------------------'''
    # net = cv2.dnn.readNet(r'.\model\candy.t7')
    # net = cv2.dnn.readNet(r'.\model\composition_vii.t7')
    # net = cv2.dnn.readNet(r'.\model\feathers.t7')
    net = cv2.dnn.readNet(r'.\model\la_muse.t7')
    # net = cv2.dnn.readNet(r'.\model\mosaic.t7')
    # net = cv2.dnn.readNet(r'.\model\starry_night.t7')
    # net = cv2.dnn.readNet(r'.\model\the_scream.t7')
    # net = cv2.dnn.readNet(r'.\model\the_wave.t7')
    # net = cv2.dnn.readNet(r'.\model\udnie.t7')

    net.setInput(blob)# 将预处理后的Blob输入神经网络
    out = net.forward()# 执行前向传播，获取模型输出

每次只能加载一个模型，切换一个net即可更换风格。

3）输出处理

    out_new = out.reshape(out.shape[1],out.shape[2],out.shape[3])
    cv2.normalize(out_new,out_new,norm_type=cv2.NORM_MINMAX)

    result = out_new.transpose(1,2,0)

    cv2.imshow('Stylized Image',result)
    if cv2.waitKey(10)==27:
        break

img.release()
cv2.destroyAllWindows()

代码逐行解析

• 将模型输出从四维张量 (1, C, H, W) 转换为三维 (C, H, W)
  模型输出通常为 (Batch=1, Channels, Height, Width)
  out.shape[1] 是通道数，out.shape[2] 是高度，out.shape[3] 是宽度
• normalize关键参数
  src：输入数据（out_new）
  dst：输出数据（直接覆盖out_new）
  norm_type=cv2.NORM_MINMAX：线性缩放数据到[0,1]
• 维度变换：从 (C, H, W) → (H, W, C)
• 显示风格化结果。
• cv2.waitKey(10)：等待10ms的键盘输入
  27 是ESC键的ASCII码
  用户按下ESC时退出循环。
• img.release()：关闭摄像头连接
  cv2.destroyAllWindows()：销毁所有OpenCV窗口

3、效果

---

总结

当4K/120fps成为新常态，风格迁移技术正在突破艺术与现实的次元壁。从手机镜头到电影工业，从医疗影像到元宇宙构建，这项技术正在书写人机交互的新篇章。