图像风格迁移是图像处理领域的研究热点,可用于影视特效、艺术创作等领域。图像风格迁移就是将一张普通图像经过风格迁移技术,在内容不变的前提下使得其风格转变,生成具有另外一种风格的图像。图像风格迁移方法主要分为传统的图像风格迁移方法和深度学习的图像风格迁移方法。传统的图像风格迁移方法效果不佳,难以应用于人们生活中。随着计算机视觉、数字图像处理、机器学习的快速发展,深度学习的图像风格迁移方法受到研究者的广泛关注,这些方法中大多是在成对数据集的前提下,使用卷积神经网络实现图像的风格迁移,但成对的数据集比较难获得,而且成本高昂。因此研究非成对的图像实现风格迁移算法具有非常重要的意义。本文主要基于Cycle GAN网络实现的图像风格迁移算法进行改进,改进的主要内容包含以下四个方面。(1)本文网络模型中增加了自编码器和变分自编码器网络结构。使用自编码器的编码部分对图像内容特征进行提取,使用变分自编码器对图像风格特征进行提取。将提取到的风格特征和内容特征分别指导模型进行图像风格和内容的组合与修改,实现了通过调节内容损失函数和风格损失函数的权重得到更加逼真的风格化图像。(2)本文网络模型中的判别网络使用多尺度鉴别器。利用多尺度鉴别器迫使生成器生成的样本更加真实,逼近目标图像,从而提高图像风格迁移的效果。(3)本文网络模型的训练增加了自适应实例归一化方法。自适应实例归一化方法能够加快图像的风格化,并且使生成图像保留较强的风格。(4)本文网络模型的生成网络中使用先调整图像大小然后进行卷积操作来代替传统的反卷积操作。当用生成网络生成图像时,反卷积操作会产生棋盘效应,生成的图像不清晰。使用最近邻插值方法将图像放大然后进行卷积操作,可以提高图像风格迁移的质量,避免出现棋盘效应。为了验证本文改进图像风格迁移算法的合理性和有效性,对比不同方法生成的风格迁移结果,采用主观评价方法和客观评价方法相结合对风格迁移的结果进行评价。最终的实验效果图和客观评价指标都验证了本文图像风格迁移算法的合理性和有效性。