1.摘要
许多历史照片都是黑白的，通过颜色化可以恢复这些照片的历史感和真实感，使人们更好地理解和感受历史事件。随着深度学习技术的发展，特别是卷积神经网络和自监督学习的兴起，研究人员提出了新的方法来解决这些问题。通过将颜色化问题表述为分类任务，并使用大规模数据集进行训练，开发一种完全自动的、生成逼真彩色图像的方法。本文将深度卷积神经网络（CNN）设计实现一个复杂结构的生成模型，旨在通过多阶段的编码器-解码器结构，能够有效地将灰度图像转换为彩色图像。最后，本文将实现一个简单的Web应用，用户可以通过上传灰度图像，应用会使用预训练的Caffe模型对其进行颜色化，并将结果返回给用户。
2.模型设计
model1=[nn.Conv2d(1, 64, kernel_size=3, stride=1, padding=1, bias=True),]
model1+=[nn.ReLU(True),]
model1+=[nn.Conv2d(64, 64, kernel_size=3, stride=2, padding=1, bias=True),]
model1+=[nn.ReLU(True),]
model1+=[norm_layer(64),]
model2=[nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1, bias=True),]
model2+=[nn.ReLU(True),]
model2+=[nn.Conv2d(128, 128, kernel_size=3, stride=2, padding=1, bias=True),]
model2+=[nn.ReLU(True),]
model2+=[norm_layer(128),]
model3=[nn.Conv2d(128, 256, kernel_size=3, stride=1, padding=1, bias=True),]
model3+=[nn.ReLU(True),]
model3+=[nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1, bias=True),]
model3+=[nn.ReLU(True),]
model3+=[nn.Conv2d(256, 256, kernel_size=3, stride=2, padding=1, bias=True),]
model3+=[nn.ReLU(True),]
model3+=[norm_layer(256),]
model4=[nn.Conv2d(256, 512, kernel_size=3, stride=1, padding=1, bias=True),]
model4+=[nn.ReLU(True),]
model4+=[nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1, bias=True),]
model4+=[nn.ReLU(True),]
model4+=[nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1, bias=True),]
model4+=[nn.ReLU(True),]
model4+=[norm_layer(512),]
model5=[nn.Conv2d(512, 512, kernel_size=3, dilation=2, stride=1, padding=2, bias=True),]
model5+=[nn.ReLU(True),]
model5+=[nn.Conv2d(512, 512, kernel_size=3, dilation=2, stride=1, padding=2, bias=True),]
model5+=[nn.ReLU(True),]
model5+=[nn.Conv2d(512, 512, kernel_size=3, dilation=2, stride=1, padding=2, bias=True),]
model5+=[nn.ReLU(True),]
model5+=[norm_layer(512),]
model6=[nn.Conv2d(512, 512, kernel_size=3, dilation=2, stride=1, padding=2, bias=True),]
model6+=[nn.ReLU(True),]
model6+=[nn.Conv2d(512, 512, kernel_size=3, dilation=2, stride=1, padding=2, bias=True),]
model6+=[nn.ReLU(True),]
model6+=[nn.Conv2d(512, 512, kernel_size=3, dilation=2, stride=1, padding=2, bias=True),]
model6+=[nn.ReLU(True),]
model6+=[norm_layer(512),]
model7=[nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1, bias=True),]
model7+=[nn.ReLU(True),]
model7+=[nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1, bias=True),]
model7+=[nn.ReLU(True),]
model7+=[nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1, bias=True),]
model7+=[nn.ReLU(True),]
model7+=[norm_layer(512),]
model8=[nn.ConvTranspose2d(512, 256, kernel_size=4, stride=2, padding=1, bias=True),]
model8+=[nn.ReLU(True),]
model8+=[nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1, bias=True),]
model8+=[nn.ReLU(True),]
model8+=[nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1, bias=True),]
model8+=[nn.ReLU(True),]
model8+=[nn.Conv2d(256, 313, kernel_size=1, stride=1, padding=0, bias=True),]
self.model1 = nn.Sequential(*model1)
self.model2 = nn.Sequential(*model2)
self.model3 = nn.Sequential(*model3)
self.model4 = nn.Sequential(*model4)
self.model5 = nn.Sequential(*model5)
self.model6 = nn.Sequential(*model6)
self.model7 = nn.Sequential(*model7)
self.model8 = nn.Sequential(*model8)
self.softmax = nn.Softmax(dim=1)
self.model_out = nn.Conv2d(313, 2, kernel_size=1, padding=0, dilation=1, stride=1, bias=False)
self.upsample4 = nn.Upsample(scale_factor=4, mode='bilinear')
上述模型由多个卷积层、ReLU激活函数和批归一化层组成，通过前向传播函数将输入的灰度图像（L通道）转换为彩色图像（ab通道）。如果指定了 pretrained=True，则会自动下载并加载预训练的模型权重。模型训练后，灰色图像前后对比：
3.应用实现
系统通过Flask框架提供了一个Web应用，用户可以上传灰度图像，系统会自动将其转换为彩色图像，并在网页上显示结果。整个过程包括文件验证、图像处理、颜色化预测和结果展示，具有较高的实用性和用户体验。
- 自动颜色化：使用预训练的深度学习模型自动将灰度图像转换为彩色图像。
- Web应用：基于Flask框架，提供了一个简单的Web界面，方便用户上传和查看结果。
- 图像处理：结合OpenCV和PIL库，实现了图像的读取、处理和显示。
展示界面如下：
上传一张图像：
测试结果如下：
本研究基于CNN模型提出了一种完全自动的方法，能够生成鲜艳且逼真的彩色图像，最后，实现了用户上传图片并在网页上即时显示原图与着色后图片的功能。
完整代码链接：https://download.csdn.net/download/weixin_40651515/90021778