宝藏昇腾AI应用推荐！CANN带你体验黑白图像自动上色的快乐~

本文主要是介绍宝藏昇腾AI应用推荐！CANN带你体验黑白图像自动上色的快乐~，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

摘要：属于“你”那边的麦田天空河水骏马树木……会是什么颜色呢？

黑白与色彩

似乎把时代分割了两半~

我在这头看见了错乱繁华，琳琅满目，看见快速消长的色彩缤纷。

翻开一张黑白照片

我能看到世代流传的印记，一种历久弥新的美

我能看到但我却又看不到“你”能看到的景色

这看似不经意的一眼却在我心里犹如惊鸿一瞥

令人望而生畏

却又不住的悄然幻想

属于“你”那边的麦田天空河水骏马树木……

会是什么颜色呢？

就在此刻的定格

我愿把万千色彩赋予给“你”，

带你共同体验这万千繁华盛景~

黑白图像上色模型原理

本应用基于昇腾AI异构计算架构CANN，使用黑白图像上色模型搭建，适用于Atlas 200 DK及Atlas 300I等相关推理产品。

对物件（包括背景色）（L通道代表的灰度图）使用卷积运算提取特征，然后同样用卷积进行分类，从而尝试给出对灰度图片每个像素点的色彩预期（ab通道）。然后，将ab通道的值resize到原始图片宽高并与L通道叠加后，转为RGB图片即可得到彩色图像。其中模型的输入为L通道的数据（224，224，1），输出为ab通道的数据（56，56，2）。

我们也可以通过开源模型的测试脚本来理解原始模型的输入和输出，以及输入前的计算过程（也叫前处理）和输出后的处理过程（也叫后处理）。

预处理过程：RGB格式读入转Lab，resize到224224，提取L通道，减均值（-50）
后处理过程：推理的结果ab通道，resize到224224，与输入L合并为Lab，转RGB，保存为jpeg图片

模型原始链接：https://github.com/richzhang/colorization

准备模型

昇腾张量编译器ATC（Ascend Tensor Compiler）可以将开源框架的网络模型（如Caffe、TensorFlow等）以及Ascend IR定义的单算子描述文件换成昇腾AI处理器支持的离线模型，模型转换过程中可以实现算子调度的优化、权重数据重排、内存使用优化等，可以脱离设备完成模型的预处理。

使用ATC将黑白图像上色模型转换为昇腾AI处理器支持的离线模型命令如下：

atc --input_shape="data_l:1,1,224,224" --weight="./colorization.caffemodel" --input_format=NCHW --output="./colorization" --soc_version=Ascend310 --framework=0 --model="./colorization.prototxt"

应用开发

本应用采用了下图所示的模块化设计，通过各模块之间的协调配合完成一张图片的推理输出；对视频的推理也是一样的，可以直接参考开源仓中的源码实现。在这里就不再赘述了。

其中各个模块的主要功能点如下所示：

运行管理资源申请

用于初始化系统内部资源，固定的调用流程。

加载模型文件并构建输出内存

从文件加载离线模型数据，需要由用户自行管理模型运行的内存，根据内存中加载的模型获取模型的基本信息包含模型输入、输出数据的数据buffer大小；由模型的基本信息构建模型输出内存，为接下来的模型推理做好准备。

数据预处理

接收外界传递的图像数据，对读入的图像数据进行预处理，然后构建模型的输入数据。

模型推理

根据构建好的模型输入数据进行模型推理。

解析推理结果

根据模型输出，解析模型的推理结果。使用opencv将转换后的彩色图像数据保存成图片文件。

预处理图像

图像预处理部分，使用opencv的imread接口读取图片，读取出来的是BGR格式。

模型输入为224×224，因此需要把读取到的图像resize到224×224。Resize后对数据做归一化处理。

如算法设计部分所言，该模型采用Lab色彩空间，因此需要把BGR格式转为Lab格式数据。该模型用L通道数据预测出可能的ab空间数据，所以要从Lab数据中分离出L通道数据。再对所得的数据减均值，即可得到模型需要的输入数据。

模型推理

模型推理部分，关键流程说明如下：

调用aclmdlCreateDesc接口创建描述模型基本信息的数据类型；

modelDesc_ = aclmdlCreateDesc();

2. 调用aclmdlGetDesc接口根据模型加载中返回的模型ID获取模型基本信息。aclError ret = aclmdlGetDesc(modelDesc_, modelId_);

3. 准备模型推理的输入、输出数据；

4. 执行模型推理，调用aclmdlExecute接口；aclError ret = aclmdlExecute(modelId_, input_, output_);

5. 获取模型推理的结果，用于后续处理。

6. 释放内存。调用aclrtFree接口释放Device上的内存。释放相关数据类型的数据。在模型推理结束后，需及时调用aclDestroyDataBuffer接口和aclmdlDestroyDataset接口释放描述模型输入的数据，且先调用aclDestroyDataBuffer接口，再调用aclmdlDestroyDataset接口。如果存在多个输入、输出，需调用多次aclDestroyDataBuffer接口。