论文总字数：17821字

摘 要

随着深度学习技术日渐成熟，其中杰出的神经网络图像处理技术被应用到许多领域来美化图像。例如：手机图片处理、游戏画面制作、电影制作等。正是因为图像风格迁移处理过后的图片具有强烈的艺术特征，直观地给人一种视觉上享受，所以本次基于深度学习的图像风格迁移实验具有很重要的实际研究意义。首先，本次实验采用了卷积神经网络来进行图像的卷积处理。然后针对图像之间的差异性问题，需要输入内容和风格图片，分别计算它们与生成图像之间的内容和风格损失函数。之后采用梯度下降法不断地迭代优化，以此降低这个差异性，这样就能够优化目标图像。最后使用wxPython设计一个界面，进行多次的图像风格迁移测试，分析实验结果，并与已存在的图像风格处理工具进行对比。

关键词：深度学习 图像风格迁移 神经网络 梯度下降

Image style Transfer based on deep learning

Abstract

As deep learning technology matures, outstanding neural network image processing techniques are applied to many areas to beautify images. For example: mobile phone picture processing, game screen production, movie production, etc. It is precisely because the images after the image style migration process have strong artistic features and intuitively give people a visual enjoyment. Therefore, this image-based migration experiment based on deep learning has important practical research significance. First, this experiment used a convolutional neural network to perform convolution processing of images. Then for the difference between images, input content and style pictures are needed to calculate the content and style loss function between them and the generated image. This gradient reduction method is then used to continually iteratively optimize to reduce this difference so that the target image can be optimized. Finally, wxPython is used to design an interface, perform multiple image style migration tests, analyze experimental results, and compare them with existing image style processing tools.

Key Words: Deep learning; Image style Transfer; neural networks; Gradient Descent

目 录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1 图像艺术化风格迁移 1

1.1.1 图像风格迁移课题的研究背景 1

1.1.2基于深度学习图像风格迁移课题的实际研究意义 1

1.2 研究图像风格迁移的国内外研究现状 2

1.3 论文的组织结构 5

第二章 基于深度学习的图像风格迁移 6

2.1基于深度学习图像风格迁移原理 6

2.1.1卷积神经网络 6

2.1.2图像风格迁移原理 7

2.1.3内容和风格的不同权重对比 11

2.2深度学习的优化算法 13

2.2.1牛顿法和拟牛顿法 14

2.2.2 DFP算法 15

2.2.3 BFGS算法 15

2.2.4 L-BFGS算法 16

2.3本章小结 17

第三章 系统实现 19

3.1开发平台 19

3.2 界面开发 19

3.3整体界面结果显示 22

3.4本章小结 22

第四章 实验结果分析 24

4.1主观评价 24

4.2 对比评价 25

4.2.1与Prisma应用对比 25

4.2.2人脸风格化的问题 26

4.3 本章小结 28

第五章 总结与展望 29

5.1主要工作内容总结 29

5.2 对未来发展的展望 30

参考文献 31

第一章 绪论

1.1 图像风格迁移背景和研究意义

1.1.1 图像风格迁移课题的研究背景

图像风格迁移就是对提供的普通内容的图像进行艺术风格化处理，使其具有艺术特色，比如铅笔画、钢笔画、水墨画、油画等等，最后使其达到多种艺术特色效果。图像分为真实感和非真实感，风格艺术化主要是采用计算机生成的非真实感渲染。

一开始，计算机刚出现时，人们致力于在计算机上呈现最好的真实场景。而现在，人们想让计算机具有学习能力，能模仿许多画家的笔触，学习画作的绘画风格。这样就可以根据很多画家的风格，由计算机自主生成许多具有艺术风格的图像，甚至可以结合不同的画作，生成混合艺术风格的图像。除此之外，非真实感渲染也可以用于模型、动漫、工业设计等等场景。

1.1.2基于深度学习图像风格迁移课题的实际研究意义

深度学习（Deep Learning, DL）是机器自主学习的研究方向其中之一，通过建立具有很多阶层次结构的的神经网络，在计算机中实现人工智能[1]。

深度学习的算法是通过卷积层从底层提取到我们要的特征，然后将之转化为高层特征，之后就可以用计算机模型进行处理。

而卷积神经网络一直是图像识别领域常用的算法,图像风格艺术化是一种特殊的应用。其功能是在给定的两份图像的基础上创作第三份图像，并使其内容和风格与给定的图像尽可能地接近[3]。神经风格转换在本质上利用了图像特征在卷积神经网络内的传播规律，并定义内容（content loss）和风格（style loss）的误差函数进行学习[3]。

随着深度学习技术突飞猛进，人工智能的相关领域也受易于其发展。深度学习技术在艺术风格转化领域的应用更是前景广泛，他让各种艺术风格更加贴近人们的生活，让人们感受到艺术的魅力。

请支付后下载全文，论文总字数：17821字