Deep Dream图像生成案例实践

Deep Dream图像生成案例实践：

按课程案例，生成DeepDream图像。

提交要求：

1、你认为按评分标准能得分最高的一次带运行结果的源代码文件（.ipynb 格式）

2、作为附件上传

评分标准：

1、完成DeepDream图像生成案例，有完整的代码，模型能运行；以噪音图像为优化起点，利用单通道特征，得6分；

2、以噪音图像为优化起点，利用多通道特征，得7分；

3、以背景图像（mountain风景画）为优化起点，利用单通道特征，得8分；

4、以背景图像（mountain风景画）为优化起点，利用多通道特征，得9分；

5、以背景图像（mountain风景画）为优化起点，利用多通道特征，并对图像生成质量进行改善，得10分。

注意：运行代码的时候出现了这个错误——AttributeError: module ‘scipy.misc’ has no attribute ‘imresize’,使用pip install scipy==1.2.1和pip install Pillow = =6.0.0命令成功解决！

源代码：

#coding:utf-8
from __future__ import print_function
import os
from io import BytesIO
import numpy as np
from functools import partial
import PIL.Image
import scipy.misc
import tensorflow as tfclass Deepdream:def __init__(self):self.name = "mixed4c"self.model_fn = r"D:\编程代码\python程序\tensorflow_inception_graph.pb"self.img0 = PIL.Image.open("D:\\Photo\\mountain.jpg")self.img0 = np.float32(self.img0)#导入Inception模型def Inception(self):#创建图和会话self.graph = tf.Graph()self.sess = tf.InteractiveSession(graph=self.graph)#导入Inception网络with tf.gfile.FastGFile(self.model_fn,"rb") as f:graph_def = tf.GraphDef()graph_def.ParseFromString(f.read())#定义输入图像的占位符self.t_input = tf.placeholder(np.float32,name="input")#图像的预处理--减均值imagenet_mean = 117.0#图像的预处理—增加维度t_preprocessed = tf.expand_dims(self.t_input-imagenet_mean,0)#导入模型并将经处理的图像送入网络中tf.import_graph_def(graph_def,{"input":t_preprocessed})self.layer_output = self.graph.get_tensor_by_name("import/%s:0" %self.name)#图像的拉普拉斯金字塔分解def render_deepdream(self,t_obj,img0,iter_n=10,step=1.5,octave_n=4,octave_scale=1.4):t_score = tf.reduce_mean(t_obj)t_grad = tf.gradients(t_score,self.t_input)[0]img = img0.copy()#将图像进行金字塔分解#从而分为高频、低频部分octaves = []for i in range(octave_n-1):hw = img.shape[:2]lo = self.resize(img,np.int32(np.float32(hw)/octave_scale))hi = img - self.resize(lo,hw)img = looctaves.append(hi)#首先生成低频的图像，再依次放大并加上高频for octave in range(octave_n):if octave > 0:hi = octaves[-octave]img = self.resize(img,hi.shape[:2]) + hifor i in range(iter_n):g = self.calc_grad_tiled(img,t_grad)img += g*(step/(np.abs(g).mean()+1e-7))img = img.clip(0,255)self.savearray(img,r"C:\Users\kxy\Desktop\mountain_deepdream.jpg")im = PIL.Image.open(r"C:\Users\kxy\Desktop\mountain_deepdream.jpg").show()def savearray(self,img_arry,img_name):scipy.misc.toimage(img_arry).save(img_name)print("img saved:%s" %img_name)#生成更大尺寸的图像#原始图像尺寸可能很大，从而导致内存耗尽问题def calc_grad_tiled(self,img,t_grad,tile_size=512):sz = tile_sizeh,w = img.shape[:2]sx,sy = np.random.randint(sz,size=2)#先在行作整体运动，再在列作整体运动img_shift = np.roll(np.roll(img,sx,1),sy,0)grad = np.zeros_like(img)for y in range(0,max(h-sz//2,sz),sz):for x in range(0,max(w-sz//2,sz),sz):sub = img_shift[y:y+sz,x:x+sz]g = self.sess.run(t_grad,{self.t_input:sub})grad[y:y+sz,x:x+sz] = greturn np.roll(np.roll(grad,-sx,1),-sy,0)#将图像放大ratio倍def resize_ratio(self,img,ratio):min = img.min()max = img.max()img = (img - min)/(max - min)*255img = np.float32(scipy.misc.imresize(img,ratio))img = img/255*(max-min)+minreturn img#调整图像尺寸def resize(self,img,hw):min = img.min()max = img.max()img = (img - min)/(max - min)*255img = np.float32(scipy.misc.imresize(img,hw))#img = np.float32(np.array(PIL.Image.fromarray(img,mode="RGB").resize(hw)))img = img/255*(max-min) + minreturn imgif __name__ == "__main__":D = Deepdream() #生成Deepdream对象D.Inception()  #导入Inception模型D.render_deepdream(tf.square(D.layer_output),D.img0)

利用DeepDream生成的效果图片：

原图1：

效果1：

原图2：

效果图2：

原图3：

效果图3:

Deep Dream图像生成案例实践相关推荐

MATLAB环境下基于AlexNet网络的Deep Dream图像生成
本文主要讲解如何使用预训练的卷积神经网络AlexNet生成Deep Dream图像 2015年Google发布了一个比较有意思的东西,Deep Dream,关于Deep Dream,可参考查看如下文章 ...
对抗生成网络GAN系列——DCGAN简介及人脸图像生成案例
CV之IG之Inception：基于TF框架利用Inception模型+GD算法的某层网络图像生成更高质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用
CV之IG之Inception:基于TF框架利用Inception模型+GD算法的某层网络图像生成更高质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用目录基于TF框架利 ...
CV之IG之Inception：基于TF框架利用Inception模型+GD算法的某层网络图像生成更大尺寸的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用
CV之IG之Inception:基于TF框架利用Inception模型+GD算法的某层网络图像生成更大尺寸的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用目录基于TF框架利 ...
CV之IE之Inception：基于TF框架利用Inception模型+GD算法的某层网络图像生成不同尺寸和质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)—五个架构设计思维导图
CV之IE之Inception:基于TF框架利用Inception模型+GD算法的某层网络图像生成不同尺寸和质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)-五个架构设计思维导图 ...
TF之DD：利用Inception模型+GD算法生成带背景的大尺寸、高质量的Deep Dream图片——五个架构设计思维导图
TF之DD:利用Inception模型+GD算法生成带背景的大尺寸.高质量的Deep Dream图片--五个架构设计思维导图目录 TF中的Deep Dream实践:利用Inception模型+GD算 ...
TF之DD：利用Inception模型+GD算法生成更高质量的Deep Dream高质量图片
TF之DD:利用Inception模型+GD算法生成更高质量的Deep Dream高质量图片目录输出结果设计思路部分代码输出结果设计思路部分代码 # coding:utf-8#TF之DD ...
TF之DD：利用Inception模型+GD算法生成更大尺寸的Deep Dream精美图片
TF之DD:利用Inception模型+GD算法生成更大尺寸的Deep Dream精美图片目录输出结果设计思路部分代码输出结果设计思路部分代码 TF之TFDeepDream:生成更大尺寸 ...
Deep Dream模型
Deep Dream 是Google 公司在2015 年公布的一顶有趣的技术.在训练好的卷积神经网络中,只需要设定几个参数,就可以通过这项技术生成一张图像.生成出的图像不仅令人印象深刻,而且还能帮助我 ...

Deep Dream图像生成案例实践

Deep Dream图像生成案例实践相关推荐

最新文章

热门文章