针对神经风格迁移算法结果中存在伪影、颜色丢失、轮廓模糊不清等影响整体艺术效果的问题，提出了一种基于拉普拉斯算子和颜色保留（LCR）的神经风格迁移算法。所提LCR算法使用内容损失项、风格损失项、直方图损失项以及拉普拉斯损失项构建总损失函数。由于在LCR算法中使用了直方图损失项和拉普拉斯损失项，因此，LCR算法与基于卷积神经网络的图像风格迁移（IST-CNN）算法、基于深度特征扰动（DFP）算法相比，对风格化结果图有更好的整体艺术效果。首先，通过对输入内容图像和风格图像进行去噪处理，减小了图像噪声对后续各个损失项计算的影响；其次，对内容图像和风格图像进行RGB空间到Lab空间的转换，以实现图像亮度通道L和颜色通道a、b的分离，并把内容图像的亮度信息迁移到风格图像上，从而达到内容图像颜色保留的目的；最后，在卷积神经网络（CNN）中对总损失函数进行迭代优化并输出风格化结果图。与IST-CNN和DFP算法相比，所提LCR算法的峰值信噪比（PSNR）平均分别提高了约12.418 dB和8.038 dB，结构相似性（SSIM）平均分别提高了约0.348 06和0.258 54，均方差（MSE）平均分别降低了0.653 76和0.296 00。实验结果表明，LCR算法有更好的风格化绘制整体视觉效果。
