技巧tips|图像风格迁移实战

【技巧tips|图像风格迁移实战】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 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(Conent。之前比较火的修图软件Prisma就提供了这个功能。我觉得这一说法可以改成风格迁移,将一张图的风格迁移到另一张图片上,也可以理解为生成问题,根据两种图片,生成第三种(风格)图片,具体看怎么理解怎么做吧《(不喜勿喷,纯个人观点)。比如下图,把一张图片的风格"迁移"到另一张图片上。论文地址:thtp slani oag odi1508.065762.pd然而,原始的风格迁移的速度是非常慢的。在GPU上,生成一张图片都需要10分钟左右,而如果只使用CPU而不使用GPU运行程序,甚至需要几个小时。这个时间还会驰着图片尺寸的增大而迅速增大。这其中的原因在于,在原始的风格迁移过程中,把生成图片的过程当做一个训练的过程。每生成一张图片,都相当于要训练一次模型,这中间可能会迭代几百几千次。如果你了解过一点机器学习的知识,就会知道,从头训练一个模型要比执行一个已经训练好的模型要责时太多。而这也正是原始的风格迁移速度缓慢的原因。(出处: https://zhuanlan.zhihu.com/p/24383274 )

技巧tips|图像风格迁移实战
文章图片

下面就开始我们的风格迁移:
首先我们要引入一些工具包:
这些工具包都可以通过pycharm直接安装或者通过pip install来安装。

import tensorflow_hub as hub import tensorflow as tf import matplotlib.pyplot as plt import numpy as np

接下来,我们要确定我们的风格迁移的步骤,首先是我们要拿到一个原始图片(记得修改一下路径):
#原始图片 img=plt.imread('./picture/xxx证件照.jpg') img=img/255. #plt.imshow(img) #plt.show() #print(img)

这里随便拿一张网络证件照为例子:
技巧tips|图像风格迁移实战
文章图片

接下来需要拿到风格图片,同样我们可以在网络上下载:
这里需要注意,我们的网络模型对输入的图像的初始大小(像素)有要求,所以使用了resize方法。
#风格图片 style_img=plt.imread('./picture/彩色.jpg') style_img=style_img/255. style_img = tf.image.resize(style_img, (256, 256))

同样我们从网上下载几张图片:
技巧tips|图像风格迁移实战
文章图片

技巧tips|图像风格迁移实战
文章图片

很出名的星空和向日葵。
接下来就需要到最关键的风格迁移部分:
#风格迁移hub_model = hub.load("C:\\Users\\Administrator\\Desktop\\imagenet")

诶,很多小伙伴就要问了,怎么最难的部分最简单啊,就一行代码,哈哈哈哈,那是因为我们已经把需要的东西下载到本地了,就是很厉害的风格迁移的模型(别人已经做好了)。其实真实的代码应该是:
hub_model = hub.load('https://tfhub.dev/google/magenta/arbitrary-image-stylization-v1-256/2')

但是,很多小伙伴翻不了墙,加载不了模型,而且,即使你可以,程序运行时候加载模型真的会很慢很慢,所以这里推荐大家直接下载好模型,直接去用就行了!记得修改本地地址就行。
下载的东西我已经准备好了,在这里,大家直接去下载就行了:
tensorflowhub中的风格迁移模型-机器学习文档类资源-CSDN下载
下面是官网的界面:
技巧tips|图像风格迁移实战
文章图片

而你需要的是复制下面那一行绿色的:
技巧tips|图像风格迁移实战
文章图片

好的,加载完模型,我们就可以训练,然后输出了:
# 把输入规范一下, # 改变维度 before_img_ = before_img[np.newaxis,:,:,:] style_img_ = style_img[np.newaxis,:,:,:]# 传入的是Tensor对象 before_img_ = tf.convert_to_tensor(before_img_,dtype=tf.float32) style_img_ = tf.convert_to_tensor(style_img_,dtype=tf.float32)outputs = hub_model(before_img_,style_img_)# 输出有趣的图片[[[]]] # print(outputs[0][0])# 创建子图 plt.subplot(1,3,1) plt.xlabel('before') plt.xticks([]) plt.yticks([]) plt.imshow(before_img)plt.subplot(1,3,2) plt.xlabel('style') plt.xticks([]) plt.yticks([]) plt.imshow(style_img)plt.subplot(1,3,3) plt.xlabel("after") plt.xticks([]) plt.yticks([]) plt.imshow(outputs[0][0])plt.show()# 图片的保存 X = (outputs[0][0]) * 255 print(X) # 将X转化为Tensor对象 img = tf.cast(X,dtype=tf.uint8) # 编码回图片,二进制 img = tf.image.encode_png(img)print(img) # 图片保存的路径 save_path = './data/1.jpg'# 文件的保存 with tf.io.gfile.GFile(save_path,'wb') as file: file.write(img.numpy())

最后得到的图片:
技巧tips|图像风格迁移实战
文章图片
技巧tips|图像风格迁移实战
文章图片
技巧tips|图像风格迁移实战
文章图片
技巧tips|图像风格迁移实战
文章图片

哈哈哈哈,是不是很好玩,还有点好看嘞!
喜欢的小伙伴点赞加关注哦!

    推荐阅读