图像风格迁移的头像生成系统(源码)【字数：11380】
摘 要图像风格转换在神经网络出现之前，一直是图像处理的难点，因为在此之前没有可以将图像风格特征转化为具体语义信息的方法，不能将图像内容与图像风格进行分离。在艺术层面，人类通过绘画等方法，可以将图像的内容和风格之间通过复杂的相互作用来进行风格转换创作，但是该方法没有相关的人工智能系统进行模仿，在这里本文将介绍一种基于深度学习的神经网络人工系统来完成头像图片风格迁生成系统。 本文通过深度学习的神经网络将分离图像的内容与风格，导出图像风格表征语义，可以处理微信等网络社交层面的头像风格迁移，变成一种完全新的艺术形式，通过深度学习的神经网络算法，让图像风格迁移变得不再需要较高的艺术水平以及复杂的创作过程。
目 录
第1章 前言 1
1.1研究背景 1
1.2研究现状 1
1.3研究目标和意义 1
第2章 系统相关技术 3
2.1神经网络 3
2.2卷积神经网络 3
2.2.1卷积层 3
2.2.2池化层 4
2.2.3扁平化层 4
2.3 原始图像风格迁移 4
第3章 需求分析 7
3.1 功能需求分析 7
3.1.1 WEB页面需求分析 7
3.1.2 后端需求分析 7
3.2 可行性分析 8
第4章 系统设计 9
3.1 系统功能设计 9
3.2 快速图像风格迁移功能设计 10
第5章 系统实现 11
5.1 设计模型 11
5.2 模型设计核心 12
5.2.1 生成网络训练 13
5.2.2 转置卷积缩放 13
5.2.3 生成网络计算过程 14
5.2.4 训练以及保存的变量 15
5.3 训练模型实现过程 16
5.3.1 代码设计 16
5.3.2 环境配置 18
5.3.3 参数解析 19
5.3. *好棒文|www.hbsrm.com +Q: ^351916072*
4 监控训练情况 19
5.4 本地服务器搭建 20
5.4.1 yarn安装与配置 20
5.5.2 yarn 部署 21
5.5 设计页面 22
5.5.1 原始图像选择 22
5.4.2 图像存储 23
5.4.3 风格图像选择 23
5.4.4 生成图像 24
第6章 系统应用结果 27
第7章 总结与展望 30
7.1总结 30
7.2 展望 30
参 考 文 献 31
致 谢 33
第1章 前言
1.1研究背景
现如今社交软件的流行，头像是日常使用的软件的关键的组成部分，是识别用户的首项选择。但软件更多的对于图像的处理一般是使用预设头像，或者头像更新不及时，往往还是软件创建时候的原始图片，而部分支持用户自主上传头像的软件，对风格限制又不明显，无法突显软件的特点，这样就导致部分人群的个性化需求没有得到满足，软件的特点也没有得到展现。本文将通过深度学习神经网络算法的支持下，对系统头像进行风格迁移处理。
1.2研究现状
现阶段，对于图像风格迁移的研究还处于萌芽状态，它们仅使用目标图像的低级图像特征来通知纹理转移。例如，Efros和Freeman引入了一个对应图，其中包括目标图像的特征，如图像强度，以约束纹理合成过程[12]。赫兹曼等人使用图像类比将纹理从已经风格化的图像转移到目标图像上Ashikhmin专注于传输高频纹理信息，同时保留目标图像的粗略尺度[11]。李等人通过另外通过边缘方向信息通知纹理转移来改进该算法[13]。在图像处理过程中，分离图像的风格与内容仍是一个困难过程。然而，深度卷积神经网络的最新进展已经产生了强大的计算机视觉系统，学习从自然训练中提取高级语义信息，并在特定任务（如对象识别）上获得足够的标记数据，在通用特征表示中学习提取高级图像内容，可以概括数据集甚至是其他视觉信息处理任务，包括纹理识别和艺术风格分类[17]。
对于图像风格迁移，现阶段的研究设计并没有满足轻便，易得，快速的简易化要求。针对于头像图片的风格迁移也并没有针对性的系统设计理念，只有少部分懂得深度学习和风格迁移技术的人士可以对自己的头像针对个人爱好进行设计，相比较头像这类应用场景比较局限小型图片的处理，学习成本过于大。
1.3研究目标和意义
现阶段软件更多的对于用户头像的处理使用的预设头像，或者支持用户自主上传头像的软件，这两个都没法在满足突显软件的特点，同时又可以满足部分人群的个性化需求。并且对于风格迁移的图像现阶段的研究设计也并未实现简便易得。
本文将通过卷积神经网络的深度学习方法的图像的风格与内容，来独立处理图像之间的风格转移。可以满足针对于系统头像设置所要求的，既凸显软件的风格特点，又满足部分人群的个性化要求。并且相较于之前的深度学习处理系统的规模庞大冗重，开发出较为简便的图像风格迁移设计，使得风格迁移更为简洁易得，并且可以加载数据库，可以在不影响系统运行的情况下，对系统头像进行在线处理，优化了功能上线速度。
通过这个方法，不仅可以针对于头像，更可以对任意自然图像进行重新编辑，创造创作新的艺术流派。也可以通过这个方法，对于古老的艺术如抽象派的作画风格拥有了更好的理解，也更好的宣扬了近现代艺术风格的特点，让人们更加理解如梵高等绘画家伟大之处，也让更多的没有接触过艺术画作的人们，在日常生活当中了解艺术画作。并且，在深度学习流行的大趋势下，以及艺术创作与神经网络学习的相似性，为今后的简易化图像处理提供一个新的思路。
目 录
第1章 前言 1
1.1研究背景 1
1.2研究现状 1
1.3研究目标和意义 1
第2章 系统相关技术 3
2.1神经网络 3
2.2卷积神经网络 3
2.2.1卷积层 3
2.2.2池化层 4
2.2.3扁平化层 4
2.3 原始图像风格迁移 4
第3章 需求分析 7
3.1 功能需求分析 7
3.1.1 WEB页面需求分析 7
3.1.2 后端需求分析 7
3.2 可行性分析 8
第4章 系统设计 9
3.1 系统功能设计 9
3.2 快速图像风格迁移功能设计 10
第5章 系统实现 11
5.1 设计模型 11
5.2 模型设计核心 12
5.2.1 生成网络训练 13
5.2.2 转置卷积缩放 13
5.2.3 生成网络计算过程 14
5.2.4 训练以及保存的变量 15
5.3 训练模型实现过程 16
5.3.1 代码设计 16
5.3.2 环境配置 18
5.3.3 参数解析 19
5.3. *好棒文|www.hbsrm.com +Q: ^351916072*
4 监控训练情况 19
5.4 本地服务器搭建 20
5.4.1 yarn安装与配置 20
5.5.2 yarn 部署 21
5.5 设计页面 22
5.5.1 原始图像选择 22
5.4.2 图像存储 23
5.4.3 风格图像选择 23
5.4.4 生成图像 24
第6章 系统应用结果 27
第7章 总结与展望 30
7.1总结 30
7.2 展望 30
参 考 文 献 31
致 谢 33
第1章 前言
1.1研究背景
现如今社交软件的流行，头像是日常使用的软件的关键的组成部分，是识别用户的首项选择。但软件更多的对于图像的处理一般是使用预设头像，或者头像更新不及时，往往还是软件创建时候的原始图片，而部分支持用户自主上传头像的软件，对风格限制又不明显，无法突显软件的特点，这样就导致部分人群的个性化需求没有得到满足，软件的特点也没有得到展现。本文将通过深度学习神经网络算法的支持下，对系统头像进行风格迁移处理。
1.2研究现状
现阶段，对于图像风格迁移的研究还处于萌芽状态，它们仅使用目标图像的低级图像特征来通知纹理转移。例如，Efros和Freeman引入了一个对应图，其中包括目标图像的特征，如图像强度，以约束纹理合成过程[12]。赫兹曼等人使用图像类比将纹理从已经风格化的图像转移到目标图像上Ashikhmin专注于传输高频纹理信息，同时保留目标图像的粗略尺度[11]。李等人通过另外通过边缘方向信息通知纹理转移来改进该算法[13]。在图像处理过程中，分离图像的风格与内容仍是一个困难过程。然而，深度卷积神经网络的最新进展已经产生了强大的计算机视觉系统，学习从自然训练中提取高级语义信息，并在特定任务（如对象识别）上获得足够的标记数据，在通用特征表示中学习提取高级图像内容，可以概括数据集甚至是其他视觉信息处理任务，包括纹理识别和艺术风格分类[17]。
对于图像风格迁移，现阶段的研究设计并没有满足轻便，易得，快速的简易化要求。针对于头像图片的风格迁移也并没有针对性的系统设计理念，只有少部分懂得深度学习和风格迁移技术的人士可以对自己的头像针对个人爱好进行设计，相比较头像这类应用场景比较局限小型图片的处理，学习成本过于大。
1.3研究目标和意义
现阶段软件更多的对于用户头像的处理使用的预设头像，或者支持用户自主上传头像的软件，这两个都没法在满足突显软件的特点，同时又可以满足部分人群的个性化需求。并且对于风格迁移的图像现阶段的研究设计也并未实现简便易得。
本文将通过卷积神经网络的深度学习方法的图像的风格与内容，来独立处理图像之间的风格转移。可以满足针对于系统头像设置所要求的，既凸显软件的风格特点，又满足部分人群的个性化要求。并且相较于之前的深度学习处理系统的规模庞大冗重，开发出较为简便的图像风格迁移设计，使得风格迁移更为简洁易得，并且可以加载数据库，可以在不影响系统运行的情况下，对系统头像进行在线处理，优化了功能上线速度。
通过这个方法，不仅可以针对于头像，更可以对任意自然图像进行重新编辑，创造创作新的艺术流派。也可以通过这个方法，对于古老的艺术如抽象派的作画风格拥有了更好的理解，也更好的宣扬了近现代艺术风格的特点，让人们更加理解如梵高等绘画家伟大之处，也让更多的没有接触过艺术画作的人们，在日常生活当中了解艺术画作。并且，在深度学习流行的大趋势下，以及艺术创作与神经网络学习的相似性，为今后的简易化图像处理提供一个新的思路。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/222.html
