python怎么画人像_教你如何用Python画出心目中的自己

原标题：教你如何用Python画出心目中的自己

引言：人脸图像的生成在各个行业有着重要应用，例如刑事调查、人物设计、教育培训等。然而一幅逼真的人脸肖像，对于职业画家也要至少数小时才能绘制出来；对于从未接触过绘画的新手，就更是难如登天了。新手绘制出来的人脸草图往往非常简陋抽象，甚至有不匀称、不完整。但如果使用智能人脸画板，无疑是有如神助。

本项目主要来源于中科院和香港城市大学的一项研究DeepFaceDrawing，论文标题是《DeepFaceDrawing: DeepGeneration of Face Images from Sketches》

具体效果如下图可见：

实验前的准备

首先我们使用的python版本是3.6.5所用到的模块如下：

Pyqt5模块：PyQt5是基于Digia公司强大的图形程式框架Qt5的python接口，由一组python模块构成。PyQt5本身拥有超过620个类和6000函数及方法。在可以运行于多个平台，包括：Unix, Windows, and Mac OS。

opencv是将用来进行图像处理和生成。

numpy模块用来处理矩阵运算。

Jittor模块国内清华大学开源的深度学习框架。

_thread是多线程库。

网络模型的定义和训练

首先这个图像合成模块采用了一种利用发生器和鉴别器的GAN结构。从融合的特征图生成真实的人脸图像。鉴别器采用多尺度鉴别方式:对输入进行尺度划分，特征图和生成的图像在三个不同的层次上，经过三个不同的过程。：

(1)权重网络层和损失定义：

def weights_init_normal(m):

classname = m.__class__.__name__

ifclassname.find("Conv") != -1:

jt.init.gauss_(m.weight,0.0, 0.02)

elifclassname.find("BatchNorm") != -1:

jt.init.gauss_(m.weight,1.0, 0.02)

jt.init.constant_(m.bias,0.0)

def get_norm_layer(norm_type='instance'):

if (norm_type == 'batch'):

norm_layer = nn.BatchNorm

elif (norm_type == 'instance'):

norm_layer =nn.InstanceNorm2d

else:

raiseNotImplementedError(('normalization layer [%s] is not found' % norm_type))

return norm_layer

class MSELoss:

def __init__(self):

pass

def __call__(self, output,target):

from jittor.nn importmse_loss

return mse_loss(output,target)

class BCELoss:

def __init__(self):

pass

def __call__(self, output,target):

from jittor.nn importbce_loss

return bce_loss(output,target)

(2)模型特征编解码：

特征匹配模块包含5个译码网络，以compact作为输入由分量流形得到的特征向量，并将其转换为对应的特征向量为后续生成的特征图的大小。

def define_part_encoder(model='mouth', norm='instance', input_nc=1,latent_dim=512):

norm_layer =get_norm_layer(norm_type=norm)

image_size = 512

if 'eye' in model:

image_size = 128

elif 'mouth' in model:

image_size = 192

elif 'nose' in model:

image_size = 160

elif 'face' in model:

image_size = 512

else:

print("Whole Image!!")

net_encoder =EncoderGenerator_Res(norm_layer,image_size,input_nc, latent_dim) # input longsize 256 to 512*4*4

print("net_encoder of part"+model+" is:",image_size)

return net_encoder

def define_part_decoder(model='mouth', norm='instance', output_nc=1,latent_dim=512):

norm_layer =get_norm_layer(norm_type=norm)

image_size = 512

if 'eye' in model:

image_size = 128

elif 'mouth' in model:

image_size = 192

elif 'nose' in model:

image_size = 160

else:

print("Whole Image!!")

net_decoder =DecoderGenerator_image_Res(norm_layer,image_size,output_nc, latent_dim) # input longsize 256 to 512*4*4

print(