目录
[• image (ndarray)：输入图像](#• image (ndarray)：输入图像)
[• scalefactor (float)：图像缩放因子](#• scalefactor (float)：图像缩放因子)
[• size (tuple)：目标尺寸（宽度, 高度）](#• size (tuple)：目标尺寸（宽度, 高度）)
[• mean (tuple)：归一化图像数据](#• mean (tuple)：归一化图像数据)
[• swapRB (bool)： 是否交换红蓝通道](#• swapRB (bool)： 是否交换红蓝通道)
[• crop (bool)：是否裁剪图像](#• crop (bool)：是否裁剪图像)
[• ddepth (int, 可选参数)：目标图像的深度](#• ddepth (int, 可选参数)：目标图像的深度)
4、关于cv2.dnn.readNet和cv2.dnn.readNetFromTorch
一、风格迁移
1、什么是风格迁移
风格迁移是一种计算机视觉技术，通过将一幅图像的风格与另一幅图像的内容结合，生成一个新的图像。
在OpenCV中，风格迁移通常使用神经网络来实现。
2、步骤
1）训练
首先，使用一幅参考图像作为**"风格图像"** 和一幅目标图像作为**"内容图像"** ，训练一个神经网络模型。训练过程中，网络学习如何将内容图像的内容与风格图像的风格进行组合。
2）迁移
一旦模型训练完成，就可以使用该模型将任意图像的内容与风格进行迁移。在迁移过程中，网络会将输入图像的内容与风格图像的风格进行匹配，并生成一个新的图像，该图像具有输入图像的内容和风格图像的风格。
二、DNN模块
1、什么是DNN模块
DNN模块是 OpenCV 中专门用来实现DNN (Deep Neural Networks,深度神经网络 ) 模块的相关功能，其作用是载入别的深度学习框架(如 TensorFlow、Caffe、Torch 等)中已经训练好的模型，然后用该模型完成预测等工作。
2、DNN模块特点
1）轻量
OpenCV 的深度学习模块只实现了模型推理功能，不涉及模型训练，这使得相关程序非常精简，加速了安装和编译过程。
2）外部依赖性低
重新实现一遍深度学习框架使得 DNN 模块对外部依赖性极低，极大地方便了深度学习应用的部署。
3）方便
在原有 OpenCV 开发程序的基础上，通过 DNN 模块可以非常方便地加入对神经网络推理的支持。
4）集成
若网络模型来自多个框架，如一个来自 TensorFlow，另外一个来自 Caffe,则 DNN 模块可以方便地对网络进行整合。
5）通用性
DNN 模块提供了统一的接口来操作网络模型，内部做的优化和加速适用于所有网络模型格式，支持多种设备和操作系统。
3、流程图
4、图像预处理功能
将需要处理的图像转换成可以传入人工神经网络的数据形式。 DNN 模块中的函数 blobFromlmage 完成图像预处理，从原始图像构建一个符合人工神经网络输入格式的四维块。 它通过调整图像尺寸和裁图像、减均值、按比例因子缩放、交换 B 通道和R通道等可选操作完成对图像的预处理，得到符合人工神经网络输入的目标值。
三、案例实现
1、定义自动缩放图片函数
python
import cv2
def resize(image,width=None,height=None ,inter=cv2.INTER_AREA): # 输入参数为图像、可选宽度、可选高度、插值方式默认为cv2.INTER_AREA,即面积插值
dim = None # 存储计算后的目标尺寸w、h
(h,w) = image.shape[:2] # 返回输入图像高宽
if width is None and height is None: # 判断是否指定了宽和高大小，如果没有指定则返回原图
return image
if width is None: # 判断如果没有指定宽度大小，则表示指定了高度大小，那么运行内部代码
r = height/float(h) # 指定高度与原图高度的比值
dim = (int(w*r),height) # 宽度乘以比值得到新的宽度，此处得到新的宽高
else: # 此处表示为width不是None，即指定了宽度，与上述方法一致，计算比值
r = width/float(w)
dim = (width,int(h*r))
resized = cv2.resize(image,dim,interpolation=inter) # 指定图像大小为上述的dim，inter默认为cV2.INTER_AREA，即面积插值，适用于缩放图像。
return resized如果输入原图尺寸太大，可以直接调用这个函数来缩放图片，手动指定图像的宽度或高度，函数自动生成缩放后图片的高度或宽度。
2、图像预处理函数解析
python
cv2.dnn.blobFromImage(image, scalefactor, size, mean, swapRB=False, crop=False, ddepth=CV_32F)1）参数解析：
• image (ndarray)：输入图像
通常是一个通过cv2.imread读取的BGR图像。
• scalefactor (float)：图像缩放因子
这个值决定了图像在送入模型之前需要被缩放的程度。例如，如果设置为1.0，则图像保持原尺寸；如果设置为0.5，则图像的高度和宽度都会减半。
• size (tuple)：目标尺寸（宽度, 高度）
这个参数指定了图像在送入模型之前应该被调整到的尺寸。如果设置为(0, 0)，则图像不会被调整尺寸，而是保持原样（但仍然会被缩放scalefactor指定的倍数）。
• mean (tuple)：归一化图像数据
从每个通道 中减去的均值 。这个参数通常用于归一化图像数据 ，以匹配模型训练时使用的预处理步骤。它是一个包含三个元素的元组，分别对应B、G、R通道的均值 。如果模型训练时没有使用均值减法，可以设置为(0, 0, 0)。
• swapRB (bool)： 是否交换红蓝通道
是否交换红色和蓝色通道，即1通道和3通道交换 ，由于OpenCV 默认使用BGR格式 ，而大多数深度学习框架（如PyTorch和TensorFlow）使用RGB格式 ，因此通常需要将B和R通道交换。如果设置为**True**，则会自动交换红色和蓝色通道。
• crop (bool)：是否裁剪图像
如果设置为**True** ，并且**size** 参数指定了一个非零尺寸，则图像会被裁剪到指定的尺寸。裁剪是通过从图像中心裁剪 出一个矩形区域来实现的，该矩形区域的尺寸等于size 指定的尺寸，并且尽可能保持图像的纵横比。如果设置为**False** ，则图像会被调整 （缩放和/或填充）到指定的尺寸 ，而不会裁剪。
• ddepth (int, 可选参数)：目标图像的深度
这个参数在OpenCV的某些版本中可能不存在或不被使用。它通常设置为**cv2.CV_32F** （即32位浮点数），以确保图像数据以浮点数的形式传递给模型。然而，在最新版本的OpenCV中，这个参数可能已经被移除或不再是必需的，因为函数内部可能已经默认处理了图像数据的类型转换。
2）返回值
表示在经过缩放、裁剪、减均值后得到的符合人工神经网络输入的数。该数据是一个四维数据，布局通常使用N(表示batch size为批量大小)、C(图像通道数，如RGB图像具有三个通道)、H(图像高度)、W(图像宽度)表示
3、图像预处理
python
# 读取鑰入图像
a = cv2.imread('huanghelou.png')
image = resize(a,400)
# 显示输入图像
cv2.imshow('yuan tu',image)
cv2.waitKey(0)
"""图片预处理"""
(h,w) = image.shape[:2] # 获取图像尺寸
blob = cv2.dnn.blobFromImage(image,1,(w,h),(0,0,0),swapRB=True,crop=False) # 将原始图像构建成神经网络可识别的格式，四维块调试模式：
4、关于cv2.dnn.readNet和cv2.dnn.readNetFromTorch
1）cv2.dnn.readNet
是一个更通用的函数，主要用于加载 Caffe、TensorFlow（通过中间转换为 .pb 文件或冻结图）、ONNX 等格式的深度学习模型。
2）cv2.dnn.readNet参数
**model：**参数指定模型架构文件的路径。
**config（可选）：**指定模型权重文件的路径。然而，对于某些格式（如 ONNX 和冻结的 TensorFlow.pb文件），权重和架构通常已经包含在同一个文件中，因此不需要config参数。
3）cv2.dnn.readNetFromTorch
是一个专门用于加载 Torch7（旧版 Torch）深度学习模型的函数。
4）参数
必需参数： 模型文件的路径（通常是**.t7 扩展名** ），不需要额外的 config 参数，因为 Torch7 模型文件通常同时包含架构和权重信息。
5、加载深度学习模型
1）模型文件
模型文件皆是从网上下载的
2）加载模型
python
net = cv2.dnn.readNet(r'model\starry_night.t7') # 得到一个PyTorch训练之后的梵高的星空模型
# net = cv2.dnn.readNetFromTorch(r'.\model\la_muse.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\candy.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\composition_vii.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\feathers.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\udnie.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\the_scream.t7')6、图像导入神经网络
python
# 设置神经网络的输入
net.setInput(blob)
# 对输入图像进行前向传播，得到输出结果
out = net.forward()
# out是四维的:B*C*H*W调试状态：
7、输出处理
python
# 重塑形状(忽略第1维)，4维变3维
out_new = out.reshape(out.shape[1], out.shape[2], out.shape[3])
cv2.normalize(out_new, out_new, norm_type=cv2.NORM_MINMAX) # 对输入数组out_new进行归一化处理，处理完的数组命名为out_new,可以手动设置归一化的值的范围，写None话则自动选择范围，cv2.NORM_MINMAX表示归一化类型为最小值到最大值归一化，未指出则使用0和255或者-1和1
result = out_new.transpose(1,2,0) # 对多维数组进行转置，对于图像数据，意味着交换维度
cv2.imshow('Stylized Image',result)
cv2.waitKey(0)
cv2.destroyAllWindows()展示结果：
8、也可以自由更换图片以及训练好的风格模型
可私信联系转化几个模型。
（图片来源网络，如有侵权，敬请联系删除）
9、完整代码
python
import cv2
# 读取鑰入图像
image = cv2.imread('huanghelou.png')
cv2.imshow('yuan tu',image)
cv2.waitKey(0)
"""图片预处理"""
(h,w) = image.shape[:2] # 获取图像尺寸
blob = cv2.dnn.blobFromImage(image,1,(w,h),(0,0,0),swapRB=True,crop=False)
"""加载模型"""
net = cv2.dnn.readNet(r'model\starry_night.t7') # 得到一个PyTorch训练之后的星空模型
# net = cv2.dnn.readNetFromTorch(r'.\model\la_muse.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\candy.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\composition_vii.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\feathers.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\udnie.t7')
# net = cv2.dnn.readNetFromTorch(r'.\model\the_scream.t7')
net.setInput(blob)
out = net.forward()
"""输出处理"""
out_new = out.reshape(out.shape[1], out.shape[2], out.shape[3])
cv2.normalize(out_new, out_new, norm_type=cv2.NORM_MINMAX)
result = out_new.transpose(1,2,0)
cv2.imshow('Stylized Image',result)
cv2.waitKey(0)
cv2.destroyAllWindows()