基于OpenCV的DNN圖像風格遷移

圖像風格遷移已經(jīng)屬于比較成熟的領域了，現(xiàn)在連實時的風格遷移都不成問題。之前一直想出一篇這樣的文章，但無奈于大部分開源項目配置起來非常麻煩，比如 luanfujun/deep-photo-styletransfer 項目，需要安裝 CUDA、pytorch、cudnn等等，配置能花一天的時間。

不過最近我發(fā)現(xiàn)一個非常好的開源應用項目，那就是基于OpenCV的DNN圖像風格遷移。你只需要安裝OpenCV就可以使用。

它也有局限性，我們只能用別人訓練好的模型進行風格遷移，如果我們要自定義風格，那就必須配置cudn等工具，使用 deep-photo-styletransfer 等項目的方法進行訓練。

不過作為初學者，我們只需要體驗一下這樣的風格遷移算法即可。感興趣的同學可以再自己深入研究。今天的教程我們拿 fast-neural-style 訓練好的模型對下面的圖片做一次風格遷移。

1.準備

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上，如果沒有，可以訪問這篇文章：超詳細Python安裝指南 進行安裝。

**(可選1) **如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda：Python數(shù)據(jù)分析與挖掘好幫手—Anaconda，它內置了Python和pip.

**(可選2) **此外，推薦大家用VSCode編輯器，它有許多的優(yōu)點：Python 編程的最好搭檔—VSCode 詳細指南。

請選擇以下任一種方式輸入命令安裝依賴 ：

1. Windows 環(huán)境 打開 Cmd (開始-運行-CMD)。
2. MacOS 環(huán)境 打開 Terminal (command+空格輸入Terminal)。
3. 如果你用的是 VSCode編輯器 或 Pycharm，可以直接使用界面下方的Terminal.

pip install python-opencv

2.選擇模型

fast-neural-style放出的模型風格一共有9種，我們將一一嘗試，其中部分風格如下比如：
3.克隆OpenCV源碼

我們直接克隆OpenCV開源項目中關于DNN圖像遷移的例子，地址是：
https://github.com/opencv/opencv/blob/3.4.0/samples/dnn/fast_neural_style.py

代碼：

import cv2 as cv
import numpy as np
import argparse

parser = argparse.ArgumentParser(
        description='This script is used to run style transfer models from '
                    'https://github.com/jcjohnson/fast-neural-style using OpenCV')
parser.add_argument('--input', help='Path to image or video. Skip to capture frames from camera')
parser.add_argument('--model', help='Path to .t7 model')
parser.add_argument('--width', default=-1, type=int, help='Resize input to specific width.')
parser.add_argument('--height', default=-1, type=int, help='Resize input to specific height.')
parser.add_argument('--median_filter', default=0, type=int, help='Kernel size of postprocessing blurring.')
args = parser.parse_args()

net = cv.dnn.readNetFromTorch(args.model)

if args.input:
    cap = cv.VideoCapture(args.input)
else:
    cap = cv.VideoCapture(0)

cv.namedWindow('Styled image', cv.WINDOW_NORMAL)
while cv.waitKey(1) < 0:
    hasFrame, frame = cap.read()
    if not hasFrame:
        cv.waitKey()
        break

    inWidth = args.width if args.width != -1 else frame.shape[1]
    inHeight = args.height if args.height != -1 else frame.shape[0]
    inp = cv.dnn.blobFromImage(frame, 1.0, (inWidth, inHeight),
                              (103.939, 116.779, 123.68), swapRB=False, crop=False)

    net.setInput(inp)
    out = net.forward()

    out = out.reshape(3, out.shape[2], out.shape[3])
    out[0] += 103.939
    out[1] += 116.779
    out[2] += 123.68
    out /= 255
    out = out.transpose(1, 2, 0)

    t, _ = net.getPerfProfile()
    freq = cv.getTickFrequency() / 1000
    print t / freq, 'ms'

    if args.median_filter:
        out = cv.medianBlur(out, args.median_filter)

    cv.imshow('Styled image', out)

注意，源代碼是基于Python2的，所以第46行少了括號，如果你是Python3請注意補上括號。

這份代碼可以直接使用， parser 里定義了5個參數(shù)，--input輸入要遷移的圖像寬度和高度， median_filter 是中值濾波器， 基本思想是用像素點鄰域灰度值的中值來代替該像素點的灰度值 ，因此理論上數(shù)值越大，圖像越平滑，輸出的結果細節(jié)越好（不確定）。

親自試了一下median_filter對圖像的影響，發(fā)現(xiàn)改變微乎其微，因此直接為默認值即可。

4.開始遷移

將第二步的代碼保存到一個文件中，命名為1.py，在CMD/Terminal中帶參數(shù)運行腳本，其中input是源圖像路徑，model是遷移的風格模型文件，如運行：

python 1.py --input 1.jpg --model udnie.t7