随着智能手机的普及和人们对艺术之美的追求,图像艺术化相关的应用盛极一时,除了在手机应用中实现图像艺术化以外,在游戏渲染、动画制作、广告设计、电影制作等领域也有着大量的应用。因为图像艺术化后的非真实感图像具有很强的视觉感染力和文化内涵,所以具有研发的重要意义。基于深度学习的图像风格艺术化算法使得计算机能够模拟人类的创作形式,这种智能化算法能够快速地生成多种艺术风格的图像。通过对于当前已有的基于深度学习的图像风格艺术化算法的实现,发现存在着一些问题,本文对发现的问题提出了相应的解决方案。这些问题为:当将风格图像的风格传输到一幅内容图像上时,在传输风格的同时,也传输了风格图像中的色彩,致使丢失了原内容图像的色彩;当将风格传输至人像上时,人脸的风格化使得人脸辨别不清;只有单一风格的图像风格化算法。针对这些问题,本文做了相关研究,最终实现比较全面的图像风格艺术化算法,具体实现功能和解决方案如下:(1)实现了通过调节内容损失函数和风格函数的权重而得到不同程度风格化的图像,可以依据需要生成相应程度的风格化图像。(2)解决了传输风格同时传输颜色的问题,本文算法使得在传输风格的同时,也可以选择保留或是不保留原内容图像的颜色。首先将原内容图像分为颜色通道和亮度通道,只对亮度通道做相应的风格化处理,最终添加颜色通道,通过这种方式保留原图像的颜色。(3)针对风格化在人像上的风格传输效果不理想的问题,提出了局部风格迁移的方法。首先通过DeepLab2分割算法将人像图像分割成前景图像和背景图像,之后将风格传输到背景图像上就解决了人像风格化模糊的问题。同时,我们也可以将风格传输到前景上,或是在前景背景上传输不同的风格。(4)解决了单一风格传输的问题,实现了多种风格传输,也就是在一幅内容图像上可以传输多种画家的风格,因此可以得到大量艺术创新的图像。该算法是通过修改风格损失函数得到的,将风格损失函数设计为多种风格损失函数的加权和,可以根据自身喜好调整不同的风格权重。(5)实现了动态图像风格化,通过结合DeepFlow光流算法和卷积神经网络,建立动态图像风格化损失函数,从而最终实现对抽取帧的风格化,得到最终的动态图像风格化结果。(6)通过使用Python的Tkinter用户界面库,搭建了最终的程序界面。通过界面按钮替代了 python命令行调用卷积神经网络的操作,更加简洁快捷。