先来看下效果：

上图是小编在甘南合作的米拉日巴佛阁外面拍下的一张照片，采用风格迁移技术后的效果为：

一些其它效果图：

下面进入正题。

近年来，由深度学习所引领的人工智能(AI)技术浪潮，开始越来越广泛地应用到生活各个领域。这其中，人工智能与艺术的交叉碰撞，在相关技术领域和艺术领域引起了高度关注。就在上个月，由电脑生成的艺术品在佳士得(Christie’s)的拍卖价竟高达43.25万美元，证明人工智能不仅可以具有创造性，还可以创作出世界级的艺术品。

早些时候，有些人坚信艺术的创造力是人工智能无法替代的，艺术将是人类最后一片自留地！这不，没过多久，这片唯一的自留地也逐渐被人工智能所取代。

在这各种神奇的背后，最核心的就是基于深度学习的风格迁移(style transfer)技术。我将在这篇博客带领大家学习如何使用Python来快速实现图片的风格迁移。阅读完本博客后，相信你也能够创造出漂亮的艺术品。

1. 什么是图片的风格迁移？

所谓图片风格迁移，是指利用程序算法学习著名画作的风格，然后再把这种风格应用到另外一张图片上的技术。

举个例子，见上图。左边是我们的原始图片(也称内容图像)：小编在苏州甪直古镇的一座小桥上拍下的一张照片。

中间是我们的风格图片：挪威表现派画家爱德华·蒙克的代表作《呐喊》(The Scream)。

右边是将爱德华·蒙克的《呐喊》的风格应用于原始图片后生成的风格化结果图。仔细观察，图片是如何保留了流水、房屋、房屋在水中的倒影，甚至远处树木的内容，但却运用了《呐喊》的风格，就好像爱德华·蒙克在我们的景色中运用了他高超的绘画技巧一样！

问题是，我们应该定义一个什么样的神经网络来执行图片的风格迁移？

这可能吗？

答案是：可以的。我将在下一节简单讨论如何基于神经网络来实现图片风格的迁移。

2. 基本原理

Gatys等人在2015年发表了第一篇基于深度学习的风格迁移算法文章，原文链接为https://arxiv.org/abs/1508.06576，随后文章收录于2016年的CVPR顶会。

有趣的是，他们提出了一种完全不需要新网络架构的风格迁移算法，其使用的网络构架是在前人的VGG19基础上稍加改造而成的，而且网络参数也使用预训练(通常在ImageNet上)网络的参数。我们来看下它的原理：

我们知道，卷积神经网络(CNN)具有很强的图像特征(feature/representation)提取能力，如上图所示。

对于内容图片，深层网络(d和e)提取的是高维特征，同时也丢弃了细节信息；浅层网络(a, b和c)提取的是低维特征，图片的细节大多都保留下来了。

对于风格图片，通过包含多层的特征相关性(Gram矩阵)，可获得多尺度图像风格的重构，捕获其纹理信息。这样构建的网络可以忽略图像的具体细节，保留风格。

为了将内容图片和风格图片融合在一起(见下图)，我们应该使风格化结果图(初始为一张白噪声图片)的特征同时与内容图片和风格图片的特征之间的距离最小化，最终获取我们所需的风格化结果图。

因此生成目标图片的损失函数可定义为：

其中α和β分别是内容图片和风格图片的特征所占的权重，通过最小化这个损失函数就可以获得我们想要的结果。来看个动态示意图：

值得注意的是，这里优化的参数不再是网络的权重ω和偏差b，而是初始输入的一张白噪声图片。

虽然上述方法可产生非常漂亮的风格迁移效果，但是速度很慢。

2016年，Johnson等人基于Gatys等人的工作，提出了一种速度可提高三个数量级的风格迁移算法。虽然算法的速度很快，但最大的缺点是不能像Gatys等人那样随意选择你的风格图片。针对每张风格图片，你都需要训练一个网络来重现这个风格。一旦网络模型训练好之后，你就可将它应用于你想要的任何内容图片了。

这篇博客我们将使用Johnson等人的方法，其算法实现和预训练模型可参考https://github.com/jcjohnson/fast-neural-style。

3. 基于OpenCV的快速实现

下面利用OpenCV来快速实现图片的风格迁移，我将其封装成一个叫 style_transfer()的函数，其使用说明可参考函数内部的注释。目前只有11个预训练模型可用，所有模型和相应风格图片都已上传至百度网盘。

## 载入所需库
import cv2
import time
def style_transfer(pathIn='',    pathOut='',  model='',    width=None,    jpg_quality=80):   '''  pathIn: 原始图片的路径 pathOut: 风格化图片的保存路径 model: 预训练模型的路径 width: 设置风格化图片的宽度，默认为None, 即原始图片尺寸   jpg_quality: 0-100，设置输出图片的质量，默认80，越大图片质量越好 '''  ## 读入原始图片，调整图片至所需尺寸，然后获取图片的宽度和高度  img = cv2.imread(pathIn)   (h, w) = img.shape[:2] if width is not None:   img = cv2.resize(img, (width, round(width*h/w)), interpolation=cv2.INTER_CUBIC)   (h, w) = img.shape[:2] ## 从本地加载预训练模型   print('加载预训练模型......')    net = cv2.dnn.readNetFromTorch(model)      ## 将图片构建成一个blob：设置图片尺寸，将各通道像素值减去平均值（比如ImageNet所有训练样本各通道统计平均值）   ## 然后执行一次前馈网络计算，并输出计算所需的时间   blob = cv2.dnn.blobFromImage(img, 1.0, (w, h), (103.939, 116.779, 123.680), swapRB=False, crop=False)    net.setInput(blob)  start = time.time()    output = net.forward() end = time.time()  print("风格迁移花费：{:.2f}秒".format(end - start))    ## reshape输出结果, 将减去的平均值加回来，并交换各颜色通道  output = output.reshape((3, output.shape[2], output.shape[3])) output[0] += 103.939  output[1] += 116.779  output[2] += 123.680  output = output.transpose(1, 2, 0) ## 输出风格化后的图片    cv2.imwrite(pathOut, output, [int(cv2.IMWRITE_JPEG_QUALITY), jpg_quality])

来测试一下：

>>> models = glob.glob('./*/*/*.t7')
>>> models      ## 列出所有可用的预训练模型
['.\\models\\eccv16\\composition_vii.t7', '.\\models\\eccv16\\la_muse.t7',  '.\\models\\eccv16\\starry_night.t7', '.\\models\\eccv16\\the_wave.t7', '.\\models\\instance_norm\\candy.t7', '.\\models\\instance_norm\\feathers.t7',  '.\\models\\instance_norm\\la_muse.t7',   '.\\models\\instance_norm\\mosaic.t7',    '.\\models\\instance_norm\\starry_night.t7',  '.\\models\\instance_norm\\the_scream.t7',    '.\\models\\instance_norm\\udnie.t7'] >>> pathIn = './img/img01.jpg'
>>> pathOut = './result/result_img01.jpg'
>>> model = './models/instance_norm/the_scream.t7'
>>> style_transfer(pathIn, pathOut, model, width=500)
加载预训练模型......
风格迁移花费：1.18秒 >>> pathIn = './img/img02.jpg'
>>> pathOut = './result/result_img02.jpg'
>>> model = './models/instance_norm/starry_night.t7'
>>> style_transfer(pathIn, pathOut, model, width=500)
加载预训练模型......
风格迁移花费：3.17秒 >>> pathIn = './img/img03.jpg'
>>> pathOut = './result/result_img03.jpg'
>>> model = './models/instance_norm/the_scream.t7'
>>> style_transfer(pathIn, pathOut, model, width=500)
加载预训练模型......
风格迁移花费：0.90秒 >>> pathIn = './img/img04.jpg'
>>> pathOut = './result/result_img04.jpg'
>>> model = './models/eccv16/the_wave.t7'
>>> style_transfer(pathIn, pathOut, model, width=500)
加载预训练模型......
风格迁移花费：2.68秒 >>> pathIn = './img/img05.jpg'
>>> model = './models/instance_norm/mosaic.t7'
>>> style_transfer(pathIn, pathOut, model, width=500)
加载预训练模型......
风格迁移花费：1.23秒

从运行结果可知，在CPU上，一张图片的风格迁移所花的时间大概也就几秒。如果使用GPU，完全可以实时对视频/摄像头进行风格迁移处理。

4. 目前的相关进展

自Gatys等人第一次(2015年)实现基于深度学习的风格迁移以来，风格迁移技术仍一直在发展，如今在速度和质量上都有了很大提高。目前的一些进展可以通过下面的链接来了解：

• https://github.com/jcjohnson/fast-neural-style

• https://github.com/DmitryUlyanov/texture_nets

• https://github.com/luanfujun/deep-painterly-harmonization

• https://junyanz.github.io/CycleGAN/

他们的一些作品：

1. 风格迁移

2. 外来图片的融合

3. 图片季节的变换

4. 图片背景的虚化

5. 角色互换

为了方便在电脑上阅读，文章也同步更新到相应专栏：

• 知乎：

  https://www.zhihu.com/people/zoro-3-92/posts

• 简书：

  https://www.jianshu.com/u/981ba7d6b4a6

往期热门：

菜鸟学Python数据分析|文章汇总上篇

值得收藏|菜鸟学Python【入门文章大全】

菜鸟写Python程序，如何从新手变老手

学习群:

小密圈人气很高的两个实战项目

小密圈的趣味实战-微信主题

3个月还没入门Python,看这100名小密圈的同学3周学Python的杰作