本文主要介绍OpenCV的DNN模块的使用。OpenCV的DNN模块自从contrib仓库开始，就是只支持推理，不支持训练。可是仅仅只是推理方面，也够强大了。如今OpenCV已经支持TensorFlow、Pytorch/Torch、Caffe、DarkNet等模型的读取。本文们就以风格迁移为例，来看一下OpenCV DNN模块的用法。
git
相比于复杂而耗时的模型训练过程，模型推理就显得简单多了。简单来讲，过程就是：github
-
加载模型 -
输入图像预处理（跟训练过程同样的方式，加强除外） -
模型推理
1. 加载模型
由于OpenCV只支持推理，因此首先你须要有一个训练好的模型。OpenCV支持全部主流框架的大部分模型。从OpenCV的readNet系列函数就能够看出来：web
-
readNetFromCaffe -
readNetFromTensorflow -
readNetFromTorch -
readNetFromDarknet -
readNetFromONNX -
readNetFromModelOptimizer
本文所用风格迁移模型是李飞飞的文章<<Perceptual Losses for Real-Time Style Transfer and Super-Resolution>>开源的Torch/Lua的模型，地址在这里：https://github.com/jcjohnson/fast-neural-style。他们提供了十种风格迁移的模型，模型的下载脚本在：https://github.com/jcjohnson/fast-neural-style/blob/master/models/download_style_transfer_models.sh。显然这里须要用OpenCV的readNetFromTorch函数去加载模型，因为模型较多，这里提供的函数能够选择加载指定的模型：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):
"""
加载指定风格的模型
:param style: 模型编码
: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. 图像预处理
在OpenCV中，输入给模型的图像须要首先被构建成一个4维的Blob，看到Blob这个词感受是收到了Caffe的影响。在构建Blob的时候会作一些诸如resize、归一化和缩放之类的简单预处理。OpenCV提供的函数为:网络
blobFromImage(image, scalefactor=None, size=None, mean=None, swapRB=None, crop=None, ddepth=None)app
这个函数在构建Blob的以前会先作以下计算：框架
(image - mean) * scalefactor。编辑器
函数中的swapRB参数的含义是swap Blue and Red channels，干的是cvtColor(image, cv2.COLOR_BGR2RGB)的事情。函数
本文的风格迁移所须要作的图像预处理很简单，只是三通道分别减去均值便可。代码以下：测试
(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
模型推理过程就是神经网络模型进行一次前向传播，在OpenCV中，用如下可读性很是强的两行代码便可完成：
net.setInput(blob)
output = net.forward()
把第一节构建的blob输入给模型，而后执行一次前向传播。
获得输出output再作一些处理使得咱们能够更好的可视化图像：
# 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)
效果展现
找一张测试图片，选择不一样的风格，试一下效果。
想用本身的图片风格迁移一下吗？
体验请到
www.cvpy.net
（微信内可直接右键搜一搜触达）
往期精彩
一键智能抠图-原理与实现 | 可在线体验
本文分享自微信公众号 - CVPy（x-cvpy）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。