在本文中，将探讨如何利用深度学习技术，特别是卷积神经网络（CNN），来为老旧、褪色的黑白图像添加颜色。目标是构建一个机器学习模型，能够将灰度图像转换为具有实际色彩的图像，例如，输入一张灰度的猎犬图像，输出时不应得到一只粉红色皮肤的狗。将使用Lab色彩空间而非传统的RGB色彩空间，因为输入图像为灰度，只需使用L空间，并预测a和b通道的结果，最终将ab图像组合以得到所需的输出，并将其转换为RGB色彩空间。
理解了项目的基本原理后，可以开始着手实现。首先，需要加载数据集。可以将数据集加载到选择的编辑器目录中，或者将其存储在任何位置并复制该目录的路径。这里跳过数据集加载部分，因为它相对基础。记住，数据集越大，模型训练得越好，但训练时间也会更长。
现在，将着手为灰度图像添加颜色。将在bw2color_image.py文件中添加代码基础。首先，需要导入必要的依赖库：
import numpy as np
import argparse
import cv2
接下来，添加命令行参数，以便在未来测试模型时可以轻松地为不同的自定义输入进行测试。
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", type=str, required=True, help="path to input black and white image")
ap.add_argument("-p", "--prototxt", type=str, required=True, help="path to Caffe prototxt file")
ap.add_argument("-m", "--model", type=str, required=True, help="path to Caffe pre-trained model")
ap.add_argument("-c", "--points", type=str, required=True, help="path to cluster center points")
args = vars(ap.parse_args())
然后，加载模型和聚类中心：
print("Loading the model...")
net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])
pts = np.load(args["points"])
class8 = net.getLayerId("class8_ab")
conv8 = net.getLayerId("conv8_313_rh")
pts = pts.transpose().reshape(2, 313, 1, 1)
net.getLayer(class8).blobs = [pts.astype("float32")]
net.getLayer(conv8).blobs = [np.full([1, 313], 2.606, dtype="float32")]
接着进行图像的加载和转换（预处理）：
image = cv2.imread(args["image"])
scaled = image.astype("float32") / 255.0
lab = cv2.cvtColor(scaled, cv2.COLOR_BGR2LAB)
resized = cv2.resize(lab, (224, 224))
L = cv2.split(resized)[0]
L -= 50
对L通道进行均值减法处理，然后将‘L’作为输入预测‘ab’通道。
print("Colorizing image...")
net.setInput(cv2.dnn.blobFromImage(L))
ab = net.forward()[0, :, :, :].transpose((1, 2, 0))
ab = cv2.resize(ab, (image.shape[1], image.shape[0]))
进行一些轻微的后处理：
L = cv2.split(lab)[0]
colorized = np.concatenate((L[:, :, np.newaxis], ab), axis=2)
colorized = cv2.cvtColor(colorized, cv2.COLOR_LAB2BGR)
colorized = np.clip(colorized, 0, 1)
colorized = (255 * colorized).astype("uint8")
cv2.imshow("Original", image)
cv2.imshow("Colorized", colorized)
cv2.waitKey(0)
通过上述步骤，裁剪了任何超出0到1范围的像素值，并将强度范围恢复到0到255。
现在，在终端中，可以尝试运行刚刚编写的脚本——bw2color-image.py。可以使用以下命令：
python bw2color_image.py --prototxt model/colorization_deploy_v2.prototxt --model model/colorization_release_v2.caffemodel --points model/pts_in_hull.npy --image images/robin_williams.jpg
输出结果将显示出来。同样，可以通过调整和自定义CLI中的路径来对各种灰度图像进行相同的操作。