很久很久以前，笔者曾经研究学习过welsh算法，并用c++实现过，见链接 welsh颜色迁移算法实现过程；后来心血来潮想再看看效果，却发现opencv的版本已经更迭变化太快了，且有学友也想复现一下实验效果，因此决定用再用python实现一次改算法。
welsh的流程如下：
1.将目标图像和样本图像转换到Lab空间；
2.对目标图像和样本图像进行亮度重映射，保证后续的像素匹配正确进行；
3.从参考图片中选择一部分样本点，将这些样本点的像素亮度值L和领域亮度值σ得方差保存起来，作为权值W，W = L/2 + σ/2；
4.对目标图像进行逐像素扫描，对每个像素，计算其权值W，即为亮度值L和领域亮度值σ之和然后除以2，然后在第三步得到的样本点钟找到与其权值最接近的参考点，并将改点的a通道和b通道的值赋给目标图像的像素。
5.将图像从Lab空间转化到RGB空间。
ok，我们的想法很简单，对参考图片创建一个模型，选取一定量的参考点，对每个参考点，记录其权值W，我们用代码来实现这个过程：
for _ in range(self.segment):
height_index = np.random.choice(self.height_array)
width_index = np.random.choice(self.width_array)
pixel = Pixel(height_index, width_index)
pixel_light = self.l_image[pixel.x, pixel.y]
pixel_a = self.a_image[pixel.x, pixel.y]
pixel_b = self.b_image[pixel.x, pixel.y]
pixel_std = self.get_domain_std(pixel)
weight_list.append(WeightPixel(pixel_light * self.ratio + pixel_std * (1 - self.ratio),
pixel_a,
pixel_b))
weight_list.sort()
return weight_listsegment是我们需要选取的参考点个数，Pixel和WeightPixel是我们自定义的类，看不懂没关系，后续我会上传整个代码，大致意思就是计算参考点附近的权值W，然后保存到一个列表中，WeightPixel是根据权值W进行排序的。为什么要排序？因为排序后我们就能利用二分查找快速定位到W值最接近的点了。
ok，建立了参考模型，我们就可以对输入图片进行分析了，（我讲述的时候省略了转换到Lab空间这一步骤），首先我们进行亮度重映射，代码如下：
pixel_ratio = (consult_max_pixel - consult_min_pixel) / (max_pixel - min_pixel)
for i in range(height):
progress_bar(i / height)
for j in range(width):
pixel_light = consult_min_pixel + (gray_image_l_origin[i, j] - min_pixel) * pixel_ratio
gray_image_l[i, j] = pixel_light
prograss_bar是进度条，这里不需要看，consult_min_pixel和consult_max_pixel是对应的参考图像亮度最小值和最大值，min_pixel和max_pixel是输入图像亮度的最小值和最大值，这里比较好理解，就是讲输入图像的亮度值按比例映射到参考图像的范围内。
后续，我们对输入图像的每个像素值进行讨论，计算每个像素值的权值W，然后查找参考点中权值W最接近的点（这里可以体现出之前排序的作用），将参考点的色彩信息赋值给该像素点的色彩像素，代码如下：
for row in range(height):
progress_bar(row / height)
for col in range(width):
pixel = Pixel(row, col)
pixel_light = gray_image_l[pixel.x, pixel.y]
# 求窗口内像素方差；
window_left = max(pixel.x - window_size, 0)
window_right = min(pixel.x + window_size + 1, height)
window_top = max(pixel.y - window_size, 0)
window_bottom = min(pixel.y + window_size + 1, width)
window_slice = gray_image_l[window_left: window_right, window_top: window_bottom]
pixel_std = np.std(window_slice)
weight_pixel = WeightPixel(ratio * pixel_light + (1 - ratio) * pixel_std,
0, 0)
# 二分查找，另外，为了避免列表越界，当找到列表两边时需要调整一下；
search_pixel = bisect.bisect(consult_image.get_weight_list(), weight_pixel)
search_pixel = 1 if search_pixel == 0 else search_pixel
search_pixel = len(consult_image.get_weight_list()) - 1 \
if search_pixel == len(consult_image.get_weight_list()) else search_pixel
left_pixel = consult_image.get_weight_list()[search_pixel - 1]
right_pixel = consult_image.get_weight_list()[search_pixel]
nearest_pixel = left_pixel if left_pixel.weight + right_pixel.weight > 2 * weight_pixel.weight else right_pixel
gray_image_a[row, col] = nearest_pixel.a
gray_image_b[row, col] = nearest_pixel.b
ok，代码有点长，功能都写在注释里了，应该比较容易看懂。
最后，转换会RGB图像，保存：
rgb_image = cv2.cvtColor(merge_image, cv2.COLOR_LAB2BGR)
cv2.imwrite("out.jpg", rgb_image)实验效果如下：
整个代码见下面链接，运行方式很简单，python colorize.py即可，可以在代码里改图片的路径，也可以修改一下代码，添加命令行参数等；另，代码需优化的地方还很多，且注释不规范，例如函数取名不优雅、占用内存的height_array数组等，都可以去掉，也可以把求权值的功能写到一个函数中，等等。
csdn资源链接： https://download.csdn.net/download/zsy162534/11128843；
百度云链接：链接：https://pan.baidu.com/s/1sMc26QRQ1l6Pljv7HfYXlw
提取码：n4ap
最后再写一句，最新的图像着色都是以深度学习为主了，效果也会更好一些，见两个个2016年的深度学习图像着色的效果：
https://tinyclouds.org/colorize/ ； https://github.com/richzhang/colorization；