Colorful Image Colorization

图片的颜色上色，主要使用到了CNN卷积神经网络，作者在ImageNet数据集上进行了大量的训练，并将此问题使用在分类任务中，以解决问题的潜在的不确定性，并在训练时使用颜色重新平衡的损失函数方法来增加颜色的多样性。该算法在测试时作为CNN中的前馈通道实现，并在超过一百万个彩色图像上进行了训练。且使用“着色图灵测试”评估算法。

此算法作者为了训练神经网络，从imageNet数据集上搜集大量的数据，并将所有搜集的图像从图片的RGB空间转换为Lab空间。

与RGB三种颜色空间类似，Lab空间具有3个通道，但是与RGB不同，Lab空间对颜色的编码为：

The L channel :代表颜色的亮度
The a channel ：绿-红
The b channel ：蓝-黄

Lab颜色空间是根据Commission International Eclairage（CIE）在1931年所制定的一种测定颜色的国际标准建立的。于1976年被改进，并且命名的一种色彩模式。Lab颜色模型弥补了RGB和CMYK两种色彩模式的不足。它是一种设备无关的颜色模型，也是一种基于生理特征的颜色模型。 [1] Lab颜色模型由三个要素组成，一个要素是亮度（L），a 和b是两个颜色通道。a包括的颜色是从深绿色（低亮度值）到灰色（中亮度值）再到亮粉红色（高亮度值）；b是从亮蓝色（低亮度值）到灰色（中亮度值）再到黄色（高亮度值）。因此，这种颜色混合后将产生具有明亮效果的色彩。

由于L通道仅编码强度，因此神经网络可以将L通道用作为网络的灰度输入

神经网络训练学习并预测a、b通道。给定输入L通道和预测的ab通道，3中通道合并便可以生成彩色的图片

以上知识点是图片上色的主要过程，当我们分享对象检测与人脸识别时，我们总是把图片检测与人脸识别的图片与视频分开，其视频识别过程其实就是图片视频的连续检测，再把图片合成视频（现在的视频一般1秒钟有60帧的画面），若你的电脑配置能够达到此计算速度，或者稍微差点，其识别的视频都可以很流畅的运行，上期文章分享了如何把一张黑白的图片转换为彩色照片，本期基于上次的代码来进行黑白视频的转换