python如何导入opencv_手把手教你用OpenCV和Python实现图像和视频神经风格迁移（代码）...

原标题：手把手教你用OpenCV和Python实现图像和视频神经风格迁移（代码）

新智元推荐

来源：pyimagesearch

编译：Bing

【新智元导读】在这篇教程中，作者Adrian Rosebrock将教你如何用OpenCV、Python和深度学习技术对图像和实时视频进行神经风格迁移。

2015年，Gatsys等人在论文A Neural Algorithm of Artistic Style中提出了最初的神经风格迁移算法。2016年，Johnson等人发表了Perceptual Losses for Real-Time Style Transfer and Super-Resolutioin一文，将神经网络迁移作为用感知损失处理超分辨率问题的框架。结果表明该算法比Gatys等人的方法快了三倍。接下来，我将介绍如何在自己的图像和视频流中应用神经风格迁移。

用OpenCV进行神经风格迁移

首先说明的一点是，今天讨论的方法在一个CPU上可以达到近乎实时的效果，如果在GPU上则完全可以实现实时效果。

首先我们会简单塔伦下什么是神经风格迁移，以及它是如何运作的。之后我们会用OpenCV和Python动手操作。

什么是神经风格迁移？

从左至右：我们的内容图像；风格图像；输出的风格迁移图像

神经风格迁移主要有两个过程：

提取某张图片的风格

将该种风格应用到另一张图片上

上图就是将梵高著名的画作《星夜》的风格应用到普通的生活照上，我们保留了原照片中的山、人物和啤酒等所有内容，但全部替换成了梵高的油画风格。

问题就是，我们应该如何定义一个神经网络，让它执行神经风格迁移呢？

神经风格迁移如何工作？

在Gatys等人提出的首篇论文中，神经风格迁移算法不需要新的架构。相反，我们可以用一个预训练网络（通常在ImageNet上进行的预训练），并且定义一个损失函数，能让我们达到风格迁移的目标，然后对损失函数不断优化。

那么，这里的问题就不是“该用什么神经网络”了，而是“该用什么损失函数”。

答案包括：内容损失、风格损失和总变差损失。每个部分都是单独计算，然后在一个元损失函数中结合。通过将元损失函数最小化，我们将依次对内容、风格和总变差损失进行优化。

虽然Gatys等人的方法能生成不错的神经风格迁移结果，但是它的速度非常慢。2016年，Johnson等人在Gatys的基础上提出的全新算法速度快了三倍，但同时也存在着缺点，即用户不能随机选择想要应用的风格图像。用户首先要训练一个网络，生成你想要的风格。网络训练好后，你可以将它应用到任意内容图像上。

然而到了2017年，Ulyanov等人发表了Instance Normalization: The Missing Ingredient for Fast Stylization一文，他们表示将batch normalization替换成instance normalization（然后在训练和测试时都应用instance normalization），可以达到更快的效果，并且艺术效果也更好。

项目结构

在开始今天的教程前，请先下载我提供的资料（点击文末原文地址获取资料）。准备好了脚本、模型和图像后，你可以用tree指令检查项目的结构：

1$ tree --dirsfirst

2.

3├── images

4│ ├── baden_baden.jpg

5│ ├── giraffe.jpg

6│ ├── jurassic_park.jpg

7│ └── messi.jpg

8├── models

9│ ├── eccv16

10│ │ ├── composition_vii.t7

11│ │ ├── la_muse.t7

12│ │ ├── starry_night.t7

13│ │ └── the_wave.t7

14│ └── instance_norm

15│ ├── candy.t7

16│ ├── feathers.t7

17│ ├── la_muse.t7

18│ ├── mosaic.t7

19│ ├── starry_night.t7

20│ ├── the_scream.t7

21│ └── udnie.t7

22├── neural_style_transfer.py

23├── neural_style_transfer_examine.py

24└── neural_style_transfer_video.py

如果你从下载了.zip文件，就无需上网找其他素材了。我在其中提供了很多测试用的图像和模型。同时还有三种Python脚本。

开始神经风格迁移

接下来让我们用OpenCV和Python进行神经风格迁移的实践。

首先打开neural_style_transfer.py文件，插入如下代码：

1# import the necessary packages

2importargparse

3importimutils

4importtime

5importcv2

6

7# construct the argument parser and parse the arguments

8ap = argparse.ArgumentParser()

9ap.add_argument("-m", "--model", required=True,

10help="neural style transfer model")

11ap.add_argument("-i", "--image", required=True,

12help="input image to apply neural style transfer to")

13args = vars(ap.parse_args())

首先，我们导入所需的包并解析命令行参数。

导入的有：

imutils：这个包可以通过pip install --upgrade imutils安装。最近我发布了imutils==0.5.1，所以不要忘记更新！

OpenCV：你需要一个OpenCV 3.4或者更高版本。

该脚本下需要两个命令行：

--model：神经风格迁移的模型路径。在“下载”区中，我加入了11中经过与训练的模型。

--image：需要进行风格迁移的图像（输入图像）。在其中我放入了四张图片。

你不需要改变命令行代码，参数会在运行过程中进行处理。如果你不熟悉这一过程，可以阅读我另一篇文章：

www.pyimagesearch.com/2018/03/12/python-argparse-command-line-arguments/

接下来的部分比较有趣，我们要下载图像和模型，然后计算神经风格迁移：

15# load the neural style transfer model from disk

16print("[INFO] loading style transfer model...")

17net = cv2.dnn.readNetFromTorch(args["model"])

18

19# load the input image, resize it to have a width of 600 pixels, and

20# then grab the image dimensions

21image = cv2.imread(args["image"])

22image = imutils.resize(image, width=600)

23(h, w) = image.shape[:2]

24

25# construct a blob from the image, set the input, and then perform a

26# forward pass of the network

27blob = cv2.dnn.blobFromImage(image, 1.0, (w, h),

28(103.939, 116.779, 123.680), swapRB=False, crop=False)

29net.setInput(blob)

30start = time.time()

31output = net.forward()

32end = time.time()

在这部分代码中，我们进行了：

将下载的预训练神经风格迁移模型称为net（第17行）；

下载输入图像并调整尺寸（21和22行）；

用均值减法创建blob（27和28行）；

执行forward，获取output图像（31行）。

接下来，重要的是对输出图像进行后处理：

34# reshape the output tensor, add back in the mean subtraction, and

35# then swap the channel ordering

36output = output.reshape((3, output.shape[2], output.shape[3]))

37output[0] += 103.939

38output[1] += 116.779

39output[2] += 123.680

40output /= 255.0

41output = output.transpose(1, 2, 0)

最后一步是将输出图像显示在屏幕上：

43# show information on how long inference took

44print("[INFO] neural style transfer took {:.4f} seconds".format(

45end - start))

46

47# show the images

48cv2.imshow("Input", image)

49cv2.imshow("Output", output)

50cv2.waitKey(0)

神经风格迁移结果

当你下载好文件后，打开终端执行以下命令：

1$ python neural_style_transfer.py --image images/giraffe.jpg

2--model models/eccv16/the_wave.t7

3[INFO] loading style transfer model...

4[INFO] neural style transfer took 0.3152seconds

现在，对命令行参数做简单改变，然后用《侏罗纪公园》中的截图作为内容图像，进行风格迁移：

1$ python neural_style_transfer.py --image images/jurassic_park.jpg

2--model models/instance_norm/the_scream.t7

3[INFO] loading style transfer model...

4[INFO] neural style transfer took 0.1202seconds

另一个例子：

1$ python neural_style_transfer.py --image images/messi.jpg

2--model models/instance_norm/udnie.t7

3[INFO] loading style transfer model...

4[INFO] neural style transfer took 0.1495seconds

这是我最喜欢的案例，感觉都能当做酒吧的装饰画了。

实时神经风格迁移

上面我们讲了如何在单一图像上应用风格迁移，现在我们要把这一过程放在视频上。

大致流程和图像处理差不多，在这一脚本中，我们将：

利用一个特殊的Python迭代器，它可以让我们在模型路径中循环使用所有可用的神经风格迁移模型。

启动网络摄像头视频流，我们会（近乎）实时处理摄像头的帧。对于某些较大的模型，系统可能会慢一些。

在每一帧上应用风格迁移，对输出进行后处理，并将结果显示在屏幕上。

如果用户按下“n”键，我们将把迭代器循环运用到下一个神经风格迁移模型上，不用重启脚本。

首先，打开neural_style_transfer_video.py文件，插入以下代码：

1# import the necessary packages

2fromimutils.video importVideoStream

3fromimutils importpaths

4importitertools

5importargparse

6importimutils

7importtime

8importcv2

9

10# construct the argument parser and parse the arguments

11ap = argparse.ArgumentParser()

12ap.add_argument("-m", "--models", required=True,

13help="path to directory containing neural style transfer models")

14args = vars(ap.parse_args())

之后，创建模型路径迭代器：

16# grab the paths to all neural style transfer models in our 'models'

17# directory, provided all models end with the '.t7' file extension

18modelPaths = paths.list_files(args["models"], validExts=(".t7",))

19modelPaths = sorted(list(modelPaths))

20

21# generate unique IDs for each of the model paths, then combine the

22# two lists together

23models = list(zip(range(0, len(modelPaths)), (modelPaths)))

24

25# use the cycle function of itertools that can loop over all model

26# paths, and then when the end is reached, restart again

27modelIter = itertools.cycle(models)

28(modelID, modelPath) = next(modelIter)

一旦我们开始在while循环中处理帧，“n”按键就会在迭代器中下载“下一个”模型。

为了创建模型迭代器，我们：

搜集所有神经风格迁移模型并分类（18和19行）

为每种模型分配ID（23行）

利用itertools和cycle创建迭代器（27行）。

让我们开始下载第一个模型并对视频进行处理：

30# load the neural style transfer model from disk

31print("[INFO] loading style transfer model...")

32net = cv2.dnn.readNetFromTorch(modelPath)

33

34# initialize the video stream, then allow the camera sensor to warm up

35print("[INFO] starting video stream...")

36vs = VideoStream(src=0).start()

37time.sleep(2.0)

38print("[INFO] {}. {}".format(modelID + 1, modelPath))

在32行，我们读取了第一个模型利用的路径。在36和37行，启动了视频，从摄像头中采集帧。

之后在帧与帧之间进行循环：

40# loop over frames from the video file stream

41whileTrue:

42# grab the frame from the threaded video stream

43frame = vs.read()

44

45# resize the frame to have a width of 600 pixels (while

46# maintaining the aspect ratio), and then grab the image

47# dimensions

48frame = imutils.resize(frame, width=600)

49orig = frame.copy()

50(h, w) = frame.shape[:2]

51

52# construct a blob from the frame, set the input, and then perform a

53# forward pass of the network

54blob = cv2.dnn.blobFromImage(frame, 1.0, (w, h),

55(103.939, 116.779, 123.680), swapRB=False, crop=False)

56net.setInput(blob)

57output = net.forward()

接着进行后处理并将输出图像展示出来：

59# reshape the output tensor, add back in the mean subtraction, and

60# then swap the channel ordering

61output = output.reshape((3, output.shape[2], output.shape[3]))

62output[0] += 103.939

63output[1] += 116.779

64output[2] += 123.680

65output /= 255.0

66output = output.transpose(1, 2, 0)

67

68# show the original frame along with the output neural style

69# transfer

70cv2.imshow("Input", frame)

71cv2.imshow("Output", output)

72key = cv2.waitKey(1) & 0xFF

对按键的处理：

74# if the `n` key is pressed (for "next"), load the next neural

75# style transfer model

76ifkey == ord("n"):

77# grab the next neural style transfer model model and load it

78(modelID, modelPath) = next(modelIter)

79print("[INFO] {}. {}".format(modelID + 1, modelPath))

80net = cv2.dnn.readNetFromTorch(modelPath)

81

82# otheriwse, if the `q` key was pressed, break from the loop

83elifkey == ord("q"):

84break

85

86# do a bit of cleanup

87cv2.destroyAllWindows()

88vs.stop()

两种不同的按键会对脚本运行产生不同的影响：

“n”：抓取下一个模型的路径和ID，并进行下载。如果我们已经获取上一个模型，迭代器就会从头开始循环。

“q”：按下q会退出while循环。

实时风格迁移的结果

执行以下命令就可以在视频上运用风格迁移啦：

1$ python neural_style_transfer_video.py --models models

可以看到，只需要按一个按键就能轻松地进行循环。下面是我自己做的demo视频：

结语

今天的教程是教大家如何用OpenCV和Python在图片和视频上运用神经风格迁移。具体来说，我们用的模型是Johnson等人于2016年提出的，你可以在我提供的链接中下载。希望这篇教程对你有用！

（本文经授权转载自公众号“论智 ID：jqr_AI”）

http://www.aiworld2018.com/返回搜狐，查看更多

责任编辑：