python风格迁移_CNN 风格迁移实战（附python代码）

最新推荐文章于 2022-12-02 17:16:07 发布
最新推荐文章于 2022-12-02 17:16:07 发布
阅读量792 收藏 1
点赞数
文章标签： python风格迁移
本文详述如何使用Python和CNN实现风格迁移，通过VGG16模型结合内容损失、风格损失和总变差损失，将指定风格应用到输入图像上，保留内容并转换风格。
摘要由CSDN通过智能技术生成

c0de9884968b?from=groupmessage

在今天的文章中，我们会建立一个很棒的风格迁移网络。为了做到这一点，我们需要深入地了解 CNN 和卷积层的工作原理。在文章结束时，你将会创建一个风格迁移网络，这个网络能够在保留原始图像的同时将新样式应用到它上面。

c0de9884968b?from=groupmessage

波士顿天际线和梵高的繁星之夜混合效果

风格迁移

在开始之前，先明确一下我们的目标。

我们将风格迁移定义为改变图像风格同时保留它的内容的过程。

给定一张输入图像和样式图像，我们就可以得到既有原始内容又有新样式的输出图像。在 Leon A. Gaty 的论文 A Neural Algorithm of Artistic Style 中有所描述。

输入图像 + 样式图像 -> 输出图像（风格化）

工作方式

准备输入图像和风格图像并将它们调整为相同的大小。

加载预训练的卷积神经网络（VGG16）。

区分负责样式的卷积（基本形状，颜色等）和负责内容的卷积（特定于图像的特征），将卷积分开可以单独地处理内容和样式。

优化问题，也就是最小化：

内容损失（输入和输出图像之间的距离 - 尽力保留内容）

风格损失（风格和输出图像之间的距离 - 尽力应用新风格）

总变差损失（正则化 - 对输出图像进行去噪的空间平滑度）

最后设置梯度并使用 L-BFGS 算法进行优化。

实现

输入

# 旧金山

san_francisco_image_path = "https://www.economist.com/sites/default/files/images/print-edition/20180602_USP001_0.jpg"

# 输入可视化

input_image = Image.open(BytesIO(requests.get(san_francisco_image_path).content))

input_image = input_image.resize((IMAGE_WIDTH, IMAGE_HEIGHT))

input_image.save(input_image_path)

input_image

这就是旧金山的天际线

c0de9884968b?from=groupmessage

风格

然后定义一个风格图像。

# Tytus Brzozowski

tytus_image_path = "http://meetingbenches.com/wp-content/flagallery/tytus-brzozowski-polish-architect-and-watercolorist-a-fairy-tale-in-warsaw/tytus_brzozowski_13.jpg"

# 风格图像可视化

st

最低0.47元/天 解锁文章
weixin_39854681
关注
【实战】图像风格迁移：Keras和TensorFlow在风格迁移中的应用
No_Name_Cao_Ni_Mei的博客
05-17 847
风格迁移的概念最早由提出。该技术通过优化一个目标函数来实现，该函数由三部分组成：内容损失(content loss)、风格损失(style loss)和总变分损失(total variation loss)。内容损失确保生成的图像在内容上与原始图像相似。风格损失确保生成的图像在风格上与参考图像相似。总变分损失添加了一个正则项，以保持生成图像的局部空间连续性，从而提高其视觉质量。
深度学习实战（一）快速理解实现风格迁移
热门推荐
天空下的斌的博客
01-27 2万+
前言 Gatys大神之前发表了一篇利用风格迁移进行作画的文章，让普通的照片具有名人的画风，效果如下： 让一篇普通的图片有了梵高的风格，厉害了。 文章链接：A Neural Algorithm of Artistic Style 其实我们也可以利用风格迁移实现自己的风格，比如本文实现的国画风格。难点在于很多国画背景与内容色差并没西方画作那么明显，有的仅用淡墨，黑白两色就可以完成
图像风格迁移实战
weixin_44603934的博客
03-31 1万+
最近看了一些基于深度学习的Style Transfer, 也就是风格迁移相关的paper，感觉挺有意思的。 所谓风格迁移，其实就是提供一幅画(Reference style image)，将任意一张照片转化成这个风格，并尽量保留原照的内容(Content)。之前比较火的修图软件Prisma就提供了这个功能 一、图像风格迁移(Neural Style)简史 可以参考文章： 图像风格迁移(Neural Style)简史 二、实战 所谓风格迁移，其实就是提供一幅画(Reference tye imag
风格迁移实战
qq_42798343的博客
12-02 491
风格迁移实战
Keras实现风格迁移
weixin_30258027的博客
09-02 447
风格迁移 风格迁移算法经历多次定义和更新，现在应用在许多智能手机APP上。 风格迁移在保留目标图片内容的基础上，将图片风格引用在目标图片上。 风格本质上是指在各种空间尺度上图像中的纹理，颜色和视觉图案;内容是图像的高级宏观结构。 实现风格迁移背后的关键概念与所有深度学习算法的核心相同：定义了一个损失函数来指定想要实现的目标，并最大限度地减少这种损失。 知道自己想要实现的目标：在采用参考图像的样式...
photo_transfer_imageprocessing_风格迁移_CNN_python_
10-02
标题中的"photo_transfer_imageprocessing_风格迁移_CNN_python_"揭示了我们要探讨的主题是关于使用Python进行图像处理，特别是风格迁移技术，它涉及到卷积神经网络（CNN）的应用。风格迁移是一种人工智能技术，允许...
cnn风格迁移_CNN 风格迁移实战（附python代码）
weixin_39638464的博客
12-20 234
在今天的文章中，我们会建立一个很棒的风格迁移网络。为了做到这一点，我们需要深入地了解 CNN 和卷积层的工作原理。在文章结束时，你将会创建一个风格迁移网络，这个网络能够在保留原始图像的同时将新样式应用到它上面。波士顿天际线和梵高的繁星之夜混合效果风格迁移在开始之前，先明确一下我们的目标。我们将风格迁移定义为改变图像风格同时保留它的内容的过程。给定一张输入图像和样式图像，我们就可以得到既有原始内容又...
使用 Jupyter 笔记本在 Python 中实现许多迁移学习算法_python_代码_下载
06-08
描述中的“Python 代码_下载”表明资源包含了可执行的 Python 代码，这为读者提供了一个实际操作的例子，以便他们可以亲自实践和理解迁移学习的各种算法。 标签进一步明确了主题：“python”指代编程语言，...
7.图像风格迁移 基于深度学习 python代码实现
05-08
图像风格迁移是一种创新的技术，它将一幅图像的内容与另一幅图像的风格相结合，创造出全新的艺术作品。...通过Python和深度学习框架，你可以实现自己的风格迁移算法，为图像添加各种独特的艺术风格。
实战| 一行命令对你的图像视频进行风格迁移-附件资源
03-02
实战| 一行命令对你的图像视频进行风格迁移-附件资源
风格迁移模型实例
04-03
风格迁移模型的实现例子，有兴趣的可以看看，虽然只是个简单的例子，但对初学者还是比较友好的
深度学习风格迁移(style transfer)
04-06
深度学习风格迁移(style transfer)，python代码，可直接运行run.py
（计算机视觉实战）图片风格迁移
weixin_52668444的博客
04-13 773
在导入图像的时候出现了一个神奇的问题：明明文件夹中有符合格式的图片，但是会得到以下报错： 图片存储的路径结构如下图所示： 我使用的是ImageFolder来读取图片： images = datasets.ImageFolder(root='pic_subject/content_/1', transform=transform_) 最初怀疑是自己的路径出现了问题，但是我使用一下代码确定，我所输入的路径是准确无误的： print(os.list
第八章 图像风格迁移实战
weixin_41802429的博客
12-12 513
简介：本章基于卷积神经网络实现图像风格迁移（Style Transfer）。和之前基于卷积神经网络的图像分类有所不同，这次是神经网络与艺术的碰撞。 1.风格迁移入门 图像风格迁移算法的实现逻辑并不复杂： 首先选取一幅图像作为基准图像，也可以将其叫作内容图像，然后选取另一幅或多幅图像作为我们希望获取相应风格的图像，也可以叫作风格图像。图像风格迁移的算法就是在保证内容图像的内容完整性的前提下，将风格图像的风格融入内容图像中，使得内容图像的原始风格最后发生了转变，最终的输出图像呈现的将是输入的内容图像的内容和风格
《深度学习之pytorch实战计算机视觉》第8章 图像风格迁移实战（代码可跑通）
csdn_xmj的博客
04-24 7156
本章将完成一个有趣的应用：图像风格迁移算法。
实战二：手把手教你图像风格迁移
Mind_programmonkey的博客
04-06 1万+
实战二：手把手教你图像风格迁移 一、简介 图像风格迁移是指，将一幅内容图的内容，和一幅或多幅风格图融合在一起，从而生成一些有意思的图片。 有兴趣的可以看一下外文文献Leon A. Gatys' paper, A Neural Algorithm of Artistic Style https://arxiv.org/abs/1508.06576（...
图像风格快速迁移tensorflow实战
weixin_49095779的博客
10-26 2167
利用tensorflow的快速风格迁移功能，把一张qq的logo图片转换成《星空》油画的风格并输出。
小结7：目标检测基础、图像风格迁移、图像分类案例1
wehung的博客
02-25 621
文章目录目标检测基础边界框瞄框交并比图像风格迁移图像分类案例1图像增强训练测试 目标检测基础 边界框 包含 x,y,w,h 瞄框 标检测算法通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整区域边缘从而更准确地预测目标的真实边界框（ground-truth bounding box）。不同的模型使用的区域采样方法可能不同。这里我们介绍其中的一种方法：它以每个像素...
图像风格迁移python代码
最新发布
12-01
以下是一个基于PyTorch实现的图像风格迁移的Python代码示例： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision.transforms as transforms import torchvision.models as models from PIL import Image import matplotlib.pyplot as plt # 定义图像处理函数 loader = transforms.Compose([ transforms.Resize((512, 512)), # 调整图像大小 transforms.ToTensor() # 转换为张量 ]) unloader = transforms.ToPILImage() # 将张量转换为图像 # 定义图像加载函数 def image_loader(image_name): image = Image.open(image_name) image = loader(image).unsqueeze(0) return image.to(device, torch.float) # 定义模型 class ContentLoss(nn.Module): def __init__(self, target): super(ContentLoss, self).__init__() self.target = target.detach() def forward(self, input): self.loss = nn.functional.mse_loss(input, self.target) return input class StyleLoss(nn.Module): def __init__(self, target_feature): super(StyleLoss, self).__init__() self.target = gram_matrix(target_feature).detach() def forward(self, input): G = gram_matrix(input) self.loss = nn.functional.mse_loss(G, self.target) return input def gram_matrix(input): a, b, c, d = input.size() features = input.view(a * b, c * d) G = torch.mm(features, features.t()) return G.div(a * b * c * d) class Normalization(nn.Module): def __init__(self, mean, std): super(Normalization, self).__init__() self.mean = torch.tensor(mean).view(-1, 1, 1) self.std = torch.tensor(std).view(-1, 1, 1) def forward(self, img): return (img - self.mean) / self.std # 定义模型 class StyleTransferModel(nn.Module): def __init__(self, content_img, style_img, cnn=models.vgg19(pretrained=True).features.to(device).eval(), content_layers=['conv_4'], style_layers=['conv_1', 'conv_2', 'conv_3', 'conv_4', 'conv_5']): super(StyleTransferModel, self).__init__() self.content_layers = content_layers self.style_layers = style_layers self.content_losses = [] self.style_losses = [] self.model = nn.Sequential(Normalization([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])) i = 0 for layer in cnn.children(): if isinstance(layer, nn.Conv2d): i += 1 name = 'conv_{}'.format(i) elif isinstance(layer, nn.ReLU): name = 'relu_{}'.format(i) layer = nn.ReLU(inplace=False) elif isinstance(layer, nn.MaxPool2d): name = 'pool_{}'.format(i) elif isinstance(layer, nn.BatchNorm2d): name = 'bn_{}'.format(i) else: raise RuntimeError('Unrecognized layer: {}'.format(layer.__class__.__name__)) self.model.add_module(name, layer) if name in content_layers: target = self.model(content_img).detach() content_loss = ContentLoss(target) self.model.add_module("content_loss_{}".format(i), content_loss) self.content_losses.append(content_loss) if name in style_layers: target_feature = self.model(style_img).detach() style_loss = StyleLoss(target_feature) self.model.add_module("style_loss_{}".format(i), style_loss) self.style_losses.append(style_loss) for i in range(len(self.model) - 1, -1, -1): if isinstance(self.model[i], ContentLoss) or isinstance(self.model[i], StyleLoss): break self.model = self.model[:(i + 1)] def forward(self, x): return self.model(x) # 定义图像风格迁移函数 def style_transfer(content_img_path, style_img_path, num_steps=300, style_weight=100000, content_weight=1): content_img = image_loader(content_img_path) style_img = image_loader(style_img_path) input_img = content_img.clone() optimizer = optim.LBFGS([input_img.requires_grad_()]) model = StyleTransferModel(content_img, style_img).to(device) print('Start style transfer...') run = [0] while run[0] <= num_steps: def closure(): input_img.data.clamp_(0, 1) optimizer.zero_grad() model(input_img) style_score = 0 content_score = 0 for sl in model.style_losses: style_score += sl.loss for cl in model.content_losses: content_score += cl.loss style_score *= style_weight content_score *= content_weight loss = style_score + content_score loss.backward() run[0] += 1 if run[0] % 50 == 0: print("run {}:".format(run)) print('Style Loss : {:4f} Content Loss: {:4f}'.format( style_score.item(), content_score.item())) print() return style_score + content_score optimizer.step(closure) input_img.data.clamp_(0, 1) return input_img # 定义图像显示函数 def imshow(tensor, title=None): image = tensor.cpu().clone() image = image.squeeze(0) image = unloader(image) plt.imshow(image) if title is not None: plt.title(title) plt.pause(0.001) # 设置设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 运行图像风格迁移 output = style_transfer('content.jpg', 'style.jpg') # 显示结果 plt.figure() imshow(output, title='Output Image') # 保存结果 output_img = unloader(output.cpu().clone().squeeze(0)) output_img.save('output.jpg') ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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