图像风格迁移是将一张图像的风格变换到一张自然图像上,使自然图像在保留原始内容的同时又具有独特的风格。传统的风格迁移算法通过人工分析图像风格,设计特定的数学模型来实现图像的风格迁移。其缺点是只能提取图像的底层特征,并且仅能模拟特定的风格。随着人工智能的飞速发展,图像风格迁移技术利用深度学习技术实现了实时的,任意风格的图像风格转换。但是,经过风格迁移后生成的风格化图像存在边缘变形,视觉效果差等图像质量问题。为了提高风格化图像的质量,本文在研究现有的图像风格迁移技术的基础上,提出了基于边缘保持的图像风格迁移方法和基于图像美学质量评分的图像风格迁移方法。为了解决风格化图像的边缘变形问题,本文提出了一个基于边缘保持的图像风格迁移方法。首先,利用形态学在边缘检测方面的优势,设计了一个新的基于形态学的边缘检测方法;其次,将边缘检测方法作为边缘检测模块与基于编码器-解码器结构的图像生成网络以及VGG网络结合起来,搭建了一个基于边缘保持的图像风格迁移网络;然后,根据边缘检测模块的输出设计了一个边缘损失函数;将边缘损失函数与内容损失函数,风格损失函数组成总的损失函数来训练基于边缘保持的风格迁移网络。经过实验验证,本文提出的基于边缘保持的图像风格迁移能使生成的风格化图像的边缘信息与内容图像的边缘信息尽可能地达到一致,提高了风格化图像的结构保持度。为了增强风格化图像的视觉吸引力,本文提出了一个基于图像美学质量评分的图像风格迁移方法。图像美学质量评分利用计算机分析图像的美学因素,模拟人类对图像的认知,对图像的美感进行打分。本文将图像美学质量评分网络与基于编码器-解码器结构的图像生成网络以及VGG网络结合起来,搭建了一个基于图像美学质量评分的图像风格迁移网络;并根据图像美学质量评分网络的输出设计了一个图像美学质量损失函数;将图像美学质量损失函数与内容损失函数,风格损失函数组成总的损失函数来训练基于图像美学质量评分的风格迁移网络。经过实验验证,本文提出的基于图像美学质量评分的图像风格迁移方法可以满足人们对于图像风格迁移的不同需求,为风格迁移的应用范围扩充奠定了基础。