本文主要介紹OpenCV的DNN模塊的使用。OpenCV的DNN模塊自從contrib倉庫開始，就是隻支持推理，不支持訓練。可是僅僅只是推理方面，也夠強大了。如今OpenCV已經支持TensorFlow、Pytorch/Torch、Caffe、DarkNet等模型的讀取。本文們就以風格遷移爲例，來看一下OpenCV DNN模塊的用法。
git
相比於複雜而耗時的模型訓練過程，模型推理就顯得簡單多了。簡單來講，過程就是：github
-
加載模型 -
輸入圖像預處理（跟訓練過程同樣的方式，加強除外） -
模型推理
1. 加載模型
由於OpenCV只支持推理，因此首先你須要有一個訓練好的模型。OpenCV支持全部主流框架的大部分模型。從OpenCV的readNet系列函數就能夠看出來：web
-
readNetFromCaffe -
readNetFromTensorflow -
readNetFromTorch -
readNetFromDarknet -
readNetFromONNX -
readNetFromModelOptimizer
本文所用風格遷移模型是李飛飛的文章<<Perceptual Losses for Real-Time Style Transfer and Super-Resolution>>開源的Torch/Lua的模型，地址在這裏：https://github.com/jcjohnson/fast-neural-style。他們提供了十種風格遷移的模型，模型的下載腳本在：https://github.com/jcjohnson/fast-neural-style/blob/master/models/download_style_transfer_models.sh。顯然這裏須要用OpenCV的readNetFromTorch函數去加載模型，因爲模型較多，這裏提供的函數能夠選擇加載指定的模型：微信
import cv2
model_base_dir = "/cvpy/style_transfer/models/"
d_model_map = {
1: "udnie",
2: "la_muse",
3: "the_scream",
4: "candy",
5: "mosaic",
6: "feathers",
7: "starry_night"
}
def get_model_from_style(style: int):
"""
加載指定風格的模型
:param style: 模型編碼
:return: model
"""
model_name = d_model_map.get(style, "mosaic")
model_path = model_base_dir + model_name + ".t7"
model = cv2.dnn.readNetFromTorch(model_path)
return model
2. 圖像預處理
在OpenCV中，輸入給模型的圖像須要首先被構建成一個4維的Blob，看到Blob這個詞感受是收到了Caffe的影響。在構建Blob的時候會作一些諸如resize、歸一化和縮放之類的簡單預處理。OpenCV提供的函數爲:網絡
blobFromImage(image, scalefactor=None, size=None, mean=None, swapRB=None, crop=None, ddepth=None)app
這個函數在構建Blob的以前會先作以下計算：框架
(image - mean) * scalefactor。編輯器
函數中的swapRB參數的含義是swap Blue and Red channels，乾的是cvtColor(image, cv2.COLOR_BGR2RGB)的事情。函數
本文的風格遷移所須要作的圖像預處理很簡單，只是三通道分別減去均值便可。代碼以下：測試
(h, w) = img.shape[:2]
blob = cv2.dnn.blobFromImage(img, 1.0, (w, h), (103.939, 116.779, 123.680), swapRB=False, crop=False)
3. 模型推理
模型推理過程就是神經網絡模型進行一次前向傳播，在OpenCV中，用如下可讀性很是強的兩行代碼便可完成：
net.setInput(blob)
output = net.forward()
把第一節構建的blob輸入給模型，而後執行一次前向傳播。
獲得輸出output再作一些處理使得咱們能夠更好的可視化圖像：
# reshape輸出結果, 將減去的平均值加回來，並交換各顏色通道
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)
效果展現
找一張測試圖片，選擇不一樣的風格，試一下效果。
想用本身的圖片風格遷移一下嗎？
體驗請到
www.cvpy.net
（微信內可直接右鍵搜一搜觸達）
往期精彩
一鍵智能摳圖-原理與實現 | 可在線體驗
本文分享自微信公衆號 - CVPy（x-cvpy）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。