OpenCV4.0 运行快速风格迁移（Torch）
从《Python 图像风格迁移(模仿名画)》一文中看到 OpenCV 可以运行Torch 模型。也来试试，
先用vs2008编译一个cv3.3,
再下一个"fast-neural-style-master"包，按包中地址下载几个模型，下面是其中一个：
"http://cs.stanford.edu/people/jcjohns/fast-neural-style/models/instance_norm/candy.t7"
运行：
// 加载模型
dnn::Net net = cv::dnn::readNetFromTorch("candy.t7");
这里出错了，candy.t7中的部分Torch层在CV3.3不支持。
先来看一下模型的各层名称，和 fast-neural-style-tensorflow-master 比一比、有什么不同：
，
nn.Sequential
nn.SpatialReflectionPadding 补边
nn.SpatialConvolution 卷积 3-->16扩维
nn.InstanceNormalization 实例正则化
nn.SpatialBatchNormalization 批正则化
nn.ReLU relu激励
nn.SpatialConvolution 卷积 16-->32扩维，并2倍下采样
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
nn.SpatialConvolution 卷积 32-->64扩维，并2倍下采样
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
--------------------------------残差块 1
nn.Sequential
nn.ConcatTable
nn.Sequential
nn.SpatialConvolution 卷积 64-->64维不变
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
nn.SpatialConvolution 卷积 64-->64维不变
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ShaveImage 去边（边宽=补边宽/残差块数）
nn.CAddTable 矩阵相加
--------------------------------残差块 2
nn.Sequential
nn.ConcatTable
nn.Sequential
nn.SpatialConvolution
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
nn.SpatialConvolution
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ShaveImage
nn.CAddTable
--------------------------------残差块 3
nn.Sequential
nn.ConcatTable
nn.Sequential
nn.SpatialConvolution
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
nn.SpatialConvolution
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ShaveImage
nn.CAddTable
--------------------------------残差块 4
nn.Sequential
nn.ConcatTable
nn.Sequential
nn.SpatialConvolution
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
nn.SpatialConvolution
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ShaveImage
nn.CAddTable
--------------------------------残差块 5
nn.Sequential
nn.ConcatTable
nn.Sequential
nn.SpatialConvolution
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
nn.SpatialConvolution
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ShaveImage
nn.CAddTable
nn.SpatialFullConvolution 全卷积 64-->32减维，并2倍上采样
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
nn.SpatialFullConvolution 全卷积 32-->16减维，并2倍上采样
nn.InstanceNormalization
nn.SpatialBatchNormalization
nn.ReLU
nn.SpatialConvolution 卷积 16-->3减维
nn.Tanh
nn.MulConstant
nn.TotalVariation
相差不是很大，中间层维数是哪个tensorflow的一半，这个速度应该会快一点。
看来要编译CV4.0了,4.0对于vs2008已经没办法了，由于空间不足，就用mingw32编译吧
下了一个mingw32-4.92,费了一点波折，成功了
《Python OpenCV 图像风格迁移(模仿名画)》一文是、Python调用OpenCV, 这个暂时还不会，先搞一个C++的吧：
//核心代码： 加载模型 -> 读取图片 -> 前传计算 -> 输出图片
#include
#include
#include
using namespace cv;
using namespace std;
//----------------cv中取出 -----------------开始
const int CV_MAX_DIM = 32;
Mat getPlane(const Mat &m, int n, int cn)
{
CV_Assert(m.dims > 2);
int sz[CV_MAX_DIM];
for(int i = 2; i < m.dims; i++)
{
sz[i-2] = m.size.p[i];
}
return Mat(m.dims - 2, sz, m.type(), (void*)m.ptr(n, cn));
}
//用于单图，如果多图还要再修改
void imagesFromBlob(const cv::Mat& blob_, OutputArrayOfArrays images_)
{
//blob 是浮点精度的4维矩阵
//blob_[0] = 批量大小 = 图像数
//blob_[1] = 通道数
//blob_[2] = 高度
//blob_[3] = 宽度
CV_Assert(blob_.depth() == CV_32F);
CV_Assert(blob_.dims == 4);
//images_.create(cv::Size(1, blob_.size[0]),blob_.depth() );//多图，不明白为什么？
images_.create(blob_.size[2],blob_.size[3],blob_.depth() );//创建一个图像
std::vector vectorOfChannels(blob_.size[1]);
//for (int n = 0; n < blob_.size[0]; ++n) //多个图
{int n = 0; //只有一个图
for (int c = 0; c < blob_.size[1]; ++c)
{
vectorOfChannels[c] = getPlane(blob_, n, c);
}
//cv::merge(vectorOfChannels, images_.getMatRef(n));//这里会出错，是前面的create的原因？
cv::merge(vectorOfChannels, images_);//通道合并
}
}
//----------------cv中取出 -----------------结束
int main(int argc, char *argv[])
{
char jpgname[256];//图像名
if( argc == 2 )
strcpy_s(jpgname, argv[1]);
else
strcpy_s(jpgname, "5c6.jpg");
double time1 = static_cast(getTickCount()); //记录起始时间
// 加载模型
dnn::Net net = cv::dnn::readNetFromTorch("mosaic.t7");
// 读取图片
Mat image = cv::imread(jpgname);
size_t h=image.rows;// 行数(高度)
size_t w=image.cols;// 列数（宽度）
cout<< w <
效果图：
这是mosaic风格的
和《fast-neural-style-master》一文比有点暗，应该是后处理有点不同吧，原文相当于做了一个归一化。