人工智能(Artificial Iintelligence)简称AI,它的发展不仅改变了人们的日常生活,同时也改造着生产和管理模式,它已渗入到现代社会的方方面面。从科学角度来讲,人工智能是研究和扩展人的智能的一门科学。人工智能在图像处理-图像风格迁移上的应用也越来越深入。图像内容以另一种图像样式进行呈现,称为图像风格迁移是深度学习中最有趣的应用之一。这就涉及到两方面的图片,一张风格图片(一般是名画)、内容图片(想画的内容)。把艺术大师的名画的风格迁移到普通的图片上,使用人工智能的机器也可以画名画。目前实现图像风格迁移效果的方法有以下几种。一是迭代优化的方法,迭代优化方法的速度很慢,速度限制了它的实际应用。二是利用前馈卷积方法,前馈卷积方法仅能实现一种或有限种类的样式。这限制了风格迁移方法的灵活性。三是任意图像内容任意样式的迁移方法,但是该方法在样式化图像中表现出块状效果。影响生成图像的质量效果。在本研究中,提出一种基于深度神经网络和内容保留的自适应图像风格迁移算法。所提出方法的核心是一个新颖的自适应转换层,通过训练自适应转换算子A,使得样式图像完成到内容图像的二阶统计转换,该层将内容特征的均值和协方差与样式特征的均值和协方差对齐。本文方法首先提出了 MaskShading模块,通过生成Mask的模式,解决在图像风格迁移过程中出现的图像内容细节丢失,边缘模糊的问题。此外还可以实现对指定的图像区域进行迁移变换。Mask将前景与背景分开,并将样式应用于指定的前景。通过实验,分析比较迭代优化方法、前馈卷积方法、任意样式迁移方法和所提出的方法进行的图像风格迁移生成的图像效果。实验结果表明,所提出的算法框架在速度、灵活性和质量方面实现了良好的折衷,并且优于现有方法。本文方法可以解决图像内容失真,轮廓细节模糊的问题,使内容丰富的图像可以得到精确的风格迁移。另外该方法允许使用单个前馈神经网络灵活地进行用户控制,例如内容风格的权衡,风格插值,颜色和空间的控制。