PyTorch 中风格迁移的图像加载和转换

17 Mar 2025 | 阅读 2 分钟

在导入所有必要的库并将 VGG-19 添加到我们的设备后，我们必须将图像加载到内存中，以便我们希望对其应用风格迁移。我们有一张内容图像和一张风格图像，目标图像将是这两张图像的组合。并非每张图像都需要具有相同的大小或像素。为了使图像相等，我们还将应用图像转换过程。

Image loading and transformation for Style Transferring in PyTorch

图像加载

我们必须将内容图像和风格图像加载到内存中，以便我们可以在其上执行操作。加载过程在风格迁移过程中起着至关重要的作用。我们需要在内存中有图像，并且在加载过程之前，风格迁移过程将无法进行。

编码

#defining a method with three parameters i.e. image location, maximum size and shape 
def load_image(img_path,max_size=400,shape=None):
# Open the image, convert it into RGB and store in a variable 
    image=Image.open(img_path).convert('RGB')
    # comparing image size with the maximum size 
    if max(image.size)>max_size:
      size=max_size
    else:
      size=max(image.size)
    # checking for the image shape
    if shape is not None:
       size=shape
    #Applying appropriate transformation to our image such as Resize, ToTensor and Normalization
    in_transform=transforms.Compose([
        transforms.Resize(size),
        transforms.ToTensor(),
        transforms.Normalize((0.5,0.5,0.5), (0.5,0.5,0.5))])
    #Calling in_transform with our image 
    image=in_transform(image).unsqueeze(0) #unsqueeze(0) is used to add extra layer of dimensionality to the image
    #Returning image 
    return image
#Calling load_image() with our image and add it to our device
content=load_image('ab.jpg').to(device)
style=load_image('abc.jpg',shape=content.shape[-2:]).to(device)

图像转换

在导入我们的图像之前，我们需要将我们的图像从张量转换为 numpy 图像，以确保与 plot 包的兼容性。我们之前已经使用熟悉的 image_converts 辅助函数完成了此操作，我们之前在图像识别中的图像转换中使用了该函数。

def im_convert(tensor):
  image=tensor.cpu().clone().detach().numpy()	
  image=image.transpose(1,2,0)
  image=image*np.array((0.5,0.5,0.5))+np.array((0.5,0.5,0.5))
  image=image.clip(0,1)
  return image

如果我们运行此辅助方法，它将生成错误。我们必须从图像的形状和数组的形状中删除单维度条目。因此，我们将在转置方法之前挤压我们的图像。

绘制图像

编码

fig, (ax1,ax2)=plt.subplots(1,2,figsize=(20,10))
ax1.imshow(im_convert(content))
ax1.axis('off')
ax2.imshow(im_convert(style))
ax2.axis('off')

当我们在 Google Colab Notebook 上运行时，它将为我们提供预期的输出，如下所示

下一个主题风格迁移的特征提取

我们提供所有技术（如 Java 教程、Android、Java 框架）的教程和面试问题

联系信息

G-13, 2nd Floor, Sec-3, Noida, UP, 201301, India

hr@tpointtech.com

+91-9599086977

关注我们

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

PyTorch教程

张量

线性回归

感知器

深度神经网络

图像识别

CNN

图像分类

风格迁移

面试题

其他

PyTorch 中风格迁移的图像加载和转换

图像加载

图像转换

绘制图像

相关帖子

Gram矩阵

风格迁移简介

特征提取

优化过程

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器