Da programação à arte: Explorando transferência de estilo com Python e IA

				
					import functools
import os
from matplotlib import gridspec
import matplotlib.pylab as plt
import numpy as np
import tensorflow as tf
import tensorflow_hub as hub

print("TF Version: ", tf.__version__)
print("TF Hub version: ", hub.__version__)
print("Eager mode enabled: ", tf.executing_eagerly())
print("GPU available: ", tf.config.list_physical_devices('GPU'))


# Define funções para carregar e visualizar imagens

def crop_center(image):
    """Retorna uma imagem centralizada e recortada em formato quadrado."""
    shape = image.shape
    new_shape = min(shape[1], shape[2])
    offset_y = max(shape[1] - shape[2], 0) // 2
    offset_x = max(shape[2] - shape[1], 0) // 2
    image = tf.image.crop_to_bounding_box(
        image, offset_y, offset_x, new_shape, new_shape)
    return image

@functools.lru_cache(maxsize=None)
def load_image(image_url, image_size=(256, 256), preserve_aspect_ratio=True):
    """Carrega e processa uma imagem."""
    # Faz cache do arquivo de imagem localmente.
    image_path = tf.keras.utils.get_file(os.path.basename(image_url)[-128:], image_url)
    # Carrega e converte para array numpy float32, adiciona dimensão de batch e normaliza para o intervalo [0, 1].
    img = tf.io.decode_image(
        tf.io.read_file(image_path),
        channels=3, dtype=tf.float32)[tf.newaxis, ...]
    img = crop_center(img)
    img = tf.image.resize(img, image_size, preserve_aspect_ratio=True)
    return img

def show_n(images, titles=('',)):
    """Exibe uma lista de imagens lado a lado com seus respectivos títulos."""
    n = len(images)
    image_sizes = [image.shape[1] for image in images]
    w = (image_sizes[0] * 6) // 320
    plt.figure(figsize=(w * n, w))
    gs = gridspec.GridSpec(1, n, width_ratios=image_sizes)
    for i in range(n):
        plt.subplot(gs[i])
        plt.imshow(images[i][0], aspect='equal')
        plt.axis('off')
        plt.title(titles[i] if len(titles) > i else '')
    plt.show()


# Carregar imagens de exemplo

content_image_url = 'LINK_FOTO_ORIGINAL'  # @param {type:"string"}
style_image_url = 'LINK_FOTO_ESTILO'  # @param {type:"string"}
output_image_size = 384  # @param {type:"integer"}

# O tamanho da imagem de conteúdo pode ser arbitrário.
content_img_size = (output_image_size, output_image_size)
# O modelo de predição de estilo foi treinado com imagens de tamanho 256,
# e este é o tamanho recomendado para a imagem de estilo
# (embora outros tamanhos também funcionem, mas podem gerar resultados diferentes).
style_img_size = (256, 256)  # Recomendado manter em 256.

content_image = load_image(content_image_url, content_img_size)
style_image = load_image(style_image_url, style_img_size)
style_image = tf.nn.avg_pool(style_image, ksize=[3,3], strides=[1,1], padding='SAME')
show_n([content_image, style_image], ['Imagem de conteúdo', 'Imagem de estilo'])

# Carregar o módulo do TF Hub.

hub_handle = 'https://tfhub.dev/google/magenta/arbitrary-image-stylization-v1-256/2'
hub_module = hub.load(hub_handle)
outputs = hub_module(content_image, style_image)
stylized_image = outputs[0]

# Estilizar a imagem de conteúdo usando a imagem de estilo escolhida.
# Esse processo é bem rápido, levando apenas alguns milissegundos em uma GPU.

outputs = hub_module(tf.constant(content_image), tf.constant(style_image))
stylized_image = outputs[0]

# Visualizar as imagens de entrada e a imagem estilizada gerada.

show_n([content_image, style_image, stylized_image], titles=['Imagem de conteúdo original', 'Imagem de estilo', 'Imagem estilizada'])