Coloring-greyscale-images

项目介绍：着色灰度图像

项目概述

Coloring-greyscale-images项目旨在利用神经网络为黑白照片自动上色。这项技术的主要目的是通过深度学习模型，将单色图像转换为多彩的RGB图片，使过去或现今的黑白照片获得更生动的表现力。从整体架构上看，该项目采用逐步复杂化的网络结构，主要包括基本版、Beta版、完整版本和GAN版本。

项目结构

Alpha版本

Alpha版本为用户提供了一个简单的入门模型，用以理解图像转化流程及网络学习过程。此版本通过将图像的RGB像素值转化为LAB值，展示网络如何调整和优化输入输出的方式，帮助用户打好基础理解。

Beta版本

Beta版本则是在Alpha版本基础上，采用多张图片进行网络训练。这一阶段主要是自动化训练流的演示，并鼓励用户通过观察批量大小对计算机内存的影响来优化操作。推荐使用具相似特征的图像集合进行训练，例如裁剪后的名人照片集，以便网络能够学习到基本的着色特征。

完整版本

完整版本增加了预训练分类器的信息加持，使网络在进行图像着色时更具信心。此版本通过对图像内容的识别（如自然、人类、天空等）来为网络提供更多维度的图像信息，使着色效果更为丰富和精准。

GAN版本

GAN版本采用生成对抗网络（Generative Adversarial Networks），使得着色效果更加一致且生动。然而，该版本的复杂性大大提高，需要更高的计算能力支持。GAN版本结合了多种先进技术，旨在通过创新的方法和实践为图像着色领域的最优结果添砖加瓦。

安装与配置

用户可以按照以下步骤开始体验：

1. 安装相关Python包：

   pip install keras tensorflow pillow h5py jupyter scikit-image

2. 克隆项目并进入项目目录：

   git clone https://github.com/emilwallner/Coloring-greyscale-images
   cd Coloring-greyscale-images/
   jupyter notebook

3. 使用Jupyter Notebook打开带有.ipynb扩展名的文件运行模型。
4. 如需运行GAN版本，请执行以下操作：

   python3 colorize_base.py

使用数据集建议

项目建议使用多种图像数据集进行实验和训练，比如Unsplash、Imagenet、Pixabay，以及风格化图像数据集。如果用户想自己构建数据集，项目也提供了一些数据抓取和清理脚本。

运行环境支持

通过FloydHub平台，用户可以在云环境中轻松运行完整版本代码，无需繁琐的本地配置。

致谢

特别感谢IBM公司通过其PowerAI平台提供的计算支持，以及该项目受到了众多先进模型的启发，比如pix2pix、pix2pixHD、SA-GAN、及DeOldify。这些创新和支持使得该项目能够不断进化和优化。