本文首要介绍OpenCV的DNN模块的运用。OpenCV的DNN模块自从contrib库房开端，便是只支撑推理，不支撑练习。可是仅仅仅仅推理方面，也够强壮了。现在OpenCV现已支撑TensorFlow、Pytorch/Torch、Caffe、DarkNet等模型的读取。本文们就以风格搬迁为例，来看一下OpenCV
DNN模块的用法。
比较于杂乱而耗时的模型练习进程，模型推理就显得简略多了。简略来说，进程便是：
-
加载模型
-
输入图画预处理（跟练习进程相同的方法，增强在外）
-
模型推理
1. 加载模型
因为OpenCV只支撑推理，所以首要你需求有一个练习好的模型。OpenCV支撑一切干流结构的大部分模型。从OpenCV的readNet系列函数就能够看出来：
-
readNetFromCaffe
-
readNetFromTensorflow
-
readNetFromTorch
-
readNetFromDarknet
-
readNetFromONNX
-
readNetFromModelOptimizer
本文所用风格搬迁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，地址在这儿：https://github.com/jcjohnson/fast-neural-style。他们供给了十种风格搬迁的模型，模型的下载脚本在：https://github.com/jcjohnson/fast-neural-style/blob/master/models/download_style_transfer_models.sh。明显这儿需求用OpenCV的readNetFromTorch函数去加载模型，因为模型较多，这儿供给的函数能够挑选加载指定的模型：
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 model2. 图画预处理
在OpenCV中，输入给模型的图画需求首要被构建成一个4维的Blob，看到Blob这个词感觉是受到了Caffe的影响。在构建Blob的时分会做一些比如resize、归一化和缩放之类的简略预处理。OpenCV供给的函数为:
blobFromImage(image, scalefactor=None, size=None, mean=None, swapRB=None, crop=None, ddepth=None)
这个函数在构建Blob的之前会先做如下核算：
(image – mean) * scalefactor。
函数中的swapRB参数的意义是swap Blue and Red channels，干的是cvtColor(image, cv2.COLOR_BGR2RGB)的工作。
本文的风格搬迁所需求做的图画预处理很简略，仅仅三通道别离减去均值即可。代码如下：
(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
模型推理进程便是神经网络模型进行一次前向传达，在OpenCV中，用以下可读性十分强的两行代码即可完结：
net.setInput(blob)
output = net.forward()把第一节构建的blob输入给模型，然后履行一次前向传达。
得到输出output再做一些处理使得咱们能够更好的可视化图画：
# reshape输出成果, 将减去的平均值加回来，并交流各色彩通道
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)作用展现
找一张测验图片，挑选不同的风格，试一下作用。
想用自己的图片风格搬迁一下吗？cvpy.net网站刚布置成功，来试试吧。
