图像风格艺术化是指一幅图像的语义内容用另一幅图像的风格去表示。图像风格渲染是计算机视觉领域中重要的研究方向,在时装设计、电影产业、动画制作、游戏渲染等领域有着大量的应用。深度神经网络凭借其强大的图像表示能力,迅速成为一种流行的图像风格化工具,推动了近年来许多神经样式转移方法的发展。然而,现有的风格迁移方法主要关注迁移风格的多样性。神经风格迁移过程中将风格纹理应用于具有复杂空间布局的输入图像时,合成的图像往往会将风格元素均匀地分布在整个图像中,使得整体结构变得不可识别,对于覆盖深度范围很广的场景的图像更是如此;对于基础特征突出或结构变形敏感的输入,均匀分布的纹理进一步模糊了弱细节,破坏了原结构;对同一内容图像进行不同风格迁移时互相之间产生色彩干扰,导致图像的弱细节模糊,影响了视觉效果。为了对迁移结果的语义结构布局信息控制,增强风格化图像的细节信息,使得风格迁移的视觉效果更佳,提出了迁移色彩控制、结构细化的图像神经风格迁移。首先,搭建了并行的多层次多尺度的边缘检测网络。网络整体分为5阶段,每个阶段设置不同的步长。随着卷积步长不断增大,感受野变大,边缘特征图尺寸变小,从而获得多层次多尺度的边缘特征图,并对不同数量的边缘特征图在深度监督下进行加权融合,运用反向传播算法对每个卷积层提取的边缘特征图误差进行优化,多路径的反向传播优化加权融合边缘特征图的误差,获得最终误差最小的边缘特征图。其次,搭建编解码结构的深度神经抠图网络。网络的输入时内容图像和标注的Trimap连接形成的四通道输入,使用VGG-19的钱17层进行编码。解码器分为5个阶段,每个阶段包括一个反池化层和两个反卷积层,网络的最后一层设置具有Sigmoid函数的1×1卷积层,将元素阈值设为[0,1],生成精确的抠图遮罩。然后,搭建基于神经网络的任意风格迁移网络,主要是由四个常规卷积层,两个微步幅卷积和五个残差块。通过对常规卷积层后面引入自适应实例归一化将卷积层提取的特征图在对应的通道中匹配均值和方差,并且在特征通道中检测特定样式的笔触产生较高的非线性,自适应地计算仿射参数,保留内容图像的空间结构特性来细化生成图像的结构;用2个5×5的卷积核叠加替代1个9×9的卷积核,在相同的感受野下能够增加非线性,减少参数和计算量,使网络能学习更加复杂的内容。最后,通过编码器进行特征提取,将最具有代表性的信息输入到结构表示网络中,辅助子网络中的边缘检测网络和深度抠图网络分别对内容图像进行边缘检测和深度抠图处理,将结构表示网络的提取结果输入到主网络迁移网路中,约束风格迁移的纹理合成过程,将整个过程中产生的误差用损失函数计算网络进行表示,将其优化到最小,实现图像风格迁移,用解码器将合成的特征图映射成风格化图像。通过主观视觉对比发现,本文算法不存在风格化图像纹理均匀分布破坏结构布局,有效抑制了易变形输入的迁移结果扭曲,前后景及周围物体边界清晰,互相之间不存在色彩干扰风格化视觉效果较好。通过客观数据表明,本文算法在保留内容结构,细化语义信息,结合风格纹理方面都有较好的表现。