企业官网建设流程全解析

做图像处理的同行应该都遇到过这样的需求：手头只有一张黑白老照片或一段监控灰度帧，想给它补上颜色，让画面活起来。黑白图像彩色化这个课题，我在Matlab上折腾过很长时间，从最传统的颜色扩散优化到基于深度学习的端到端训练都试过，今天把整个实战过程整理成这篇博文，包含完整可跑的代码、参数调优心得和踩坑记录。这篇文章适合刚接触图像处理、或者正在做Matlab图像处理大作业的朋友，也适合想从零搭建一个彩色化原型的研究者，我会把每一步的思路和实现细节都讲清楚，让你能照着做，而不是只看到一个模糊的流程图。

彩色化本质上是一个病态问题：灰度值丢失了色度信息，同一个灰阶可以对应无数种颜色，必须引入先验——人类的经验、参考图的色调分布，或者大规模数据训练的统计规律。Matlab做这件事有天然优势，它把图像当成矩阵，所有算法都能用简洁的矩阵运算表达，加上Image Processing Toolbox自带各种滤波、形态学、颜色空间转换函数，Debug和可视化也特别方便。下面直接进入正题，从方案选型开始讲。

1. 彩色化问题的核心思路与方案选型

1.1 灰度图到彩色图的数学本质

一张黑白图像在Matlab里读进来，本质是一个m x n的灰度矩阵，每个像素的亮度值L在0到255之间。彩色图像则至少需要三个通道，比如RGB三个矩阵。从数学角度看，彩色化就是给每个像素的亮度值L补上另外两个通道的数值（例如Lab颜色空间的a通道和b通道），这个映射是完全不确定的。

为什么不确定？因为亮度相同的两个相邻像素，在人眼的感知里可以是完全不同的颜色。比如一片灰蒙蒙的天空和一块灰色的石头，灰度值几乎一样，但颜色一个是蓝灰色，一个是土黄色。这就是为什么简单的查找表或线性回归根本做不好彩色化——必须依赖上下文信息、用户交互或者大数据先验。

目前主流的方案可以分成三类。第一类是用户交互式优化，代表是Levin等人2004年提出的方法，用户在灰度图上随意画几笔颜色线索，算法把颜色平滑地传播到全图。第二类是颜色迁移，找一张参考彩色图，把它的颜色统计量映射到目标图，不依赖用户涂色，但要求参考图的内容与目标图比较接近。第三类是深度学习方法，用大量彩色图训练一个神经网络，输入灰度图，直接预测a、b通道，这是目前效果最好的方案，也是工业界落地的主流。

1.2 为什么用Matlab来做而不是Python

很多读者会问，现在深度学习都用Python，为什么还要用Matlab做彩色化？我个人的看法是，Matlab在经典算法实现上有三个无法替代的优点。

第一是矩阵思维直接落地。优化着色法需要解一个大型稀疏线性方程组，Matlab的\运算符对稀疏矩阵做了高度优化，写代码几乎不用考虑底层数据结构。同样的算法用Python需要先折腾scipy.sparse，还要注意内存布局，调试成本高不少。

第二是工具箱完善。Image Processing Toolbox里灰度图转二值、连通域分析、颜色空间转换都是现成的，rgb2lab、lab2rgb这类函数一行就能搞定颜色空间切换，这在做颜色迁移时特别省心。

第三是可视化方便。图像处理过程需要反复观察中间结果，Matlab的imshow、subplot、montage可以快速拼图对比，比OpenCV的cv2.imshow在交互性上更友好。此外，Matlab的Deep Learning Toolbox同样支持训练CNN，代码写起来和Python的Keras风格接近，门槛并不高。

所以我最终的推荐路线是：先用经典优化方法跑通流程，理解数学原理，再用颜色迁移做一个无交互的快速版本，最后有余力再上深度学习。这三个阶段难度递进，正好覆盖初学者到研究者的需求。

2. 环境准备与数据预处理

2.1 Matlab版本与工具箱配置

彩色化的代码对Matlab版本要求不高，R2019b及以后的版本都可以正常运行，核心依赖是Image Processing Toolbox。如果要做深度学习部分，还需要Deep Learning Toolbox。我用的环境是Matlab 2023b，操作系统为Windows 11，配置了完整的工具箱。

这里提醒一下安装时的两个细节。第一，安装路径尽量不要有中文或空格，否则后续加载预训练模型、保存数据集时容易出奇怪的路径错误。第二，启动后先运行ver检查工具箱是否加载成功，重点看Image Processing Toolbox版本号，没有的话去Add-On Explorer手动安装。

写代码时建议在脚本开头加一段环境检查代码，避免半路才发现缺工具箱：

% 检查必备工具箱 if isempty(ver('images')) error('需要Image Processing Toolbox，请先安装。'); end if isempty(ver('deep')) warning('未检测到Deep Learning Toolbox，深度学习部分无法运行。'); end

这个检查脚本虽简单，但在换机器跑项目时能少很多烦恼，特别是做图像大作业时，老师机器上没装对应工具箱的情况太常见了。

2.2 黑白图像的去噪与归一化实操

彩色化算法的输入质量直接影响输出效果。老照片往往有扫描噪声、划痕、亮度不均匀，如果不先做预处理，颜色扩散时会把这些异常当成边界，导致颜色渗透到错误区域。

我的标准预处理流程是三步：

第一步，灰度化统一格式。如果输入的是真彩色图但看起来是黑白的（比如灰度图被存成了RGB三通道），先用rgb2gray转换，确保矩阵是二维的。注意，一张灰度图三个通道数值完全相同，直接用imread读进来是三个一模一样的矩阵，很多算法会隐式处理，但最好显式转换。

第二步，去噪。先试试中值滤波，窗口大小建议3到5，太大会抹掉边缘细节。对噪声比较重的老照片，我会先用3x3的中值滤波，再用5x5的高斯滤波平滑，顺序不能反，先中值后高斯能抑制椒盐噪声同时保留大结构。等效代码：

I = imread('old_photo.png'); if size(I,3) == 3 Igray = rgb2gray(I); else Igray = I; end % 中值滤波去噪 Igray_med = medfilt2(Igray, [3 3]); % 高斯平滑 Igray_smooth = imgaussfilt(Igray_med, 0.8);

第三步，归一化到[0,1]浮点范围。Matlab图像处理中，double类型与像素对应关系容易混乱，建议所有算法内部统一用0到1的double值，只在显示和保存时用0到255的uint8。转换代码：

I_norm = double(Igray_smooth) / 255;

这一步看似多此一举，但能避免很多隐式数据类型转换的错误。比如imshow支持double显示时按0到1解释，如果不归一化直接显示就是黑的。另外，亮度值本身在Lab空间中是有意义的，保留原始灰度分布对后续颜色迁移很重要，归一化只是算法内部处理，后续要还原尺度就乘回去。

3. 基于优化着色法（Levin算法）的实现

3.1 颜色扩散原理与能量最小化模型

Levin算法的核心思想是：用户在灰度图上指定少数像素的颜色，算法假设颜色在亮度相近且空间相邻的区域里变化平滑。具体做法是，先将图像转换到YUV颜色空间，保持亮度通道Y不变，只对U、V通道进行插值。

为什么选择YUV而不是RGB？因为RGB三个通道之间有很强的相关性，直接对R、G、B分别插值容易产生伪彩色。YUV把亮度信息单独拎出来，U和V只表征色度，人类视觉对色度变化不怎么敏感，所以我们可以大胆假设U、V通道是平滑变化的。

数学上，算法构建了一个拉普拉斯矩阵。对每个像素i，定义它和四邻域像素j之间的权重，权重取决于亮度相似度：

w_ij = exp( - (Y_i - Y_j)^2 / (2 * sigma^2) )

直观理解就是：亮度越接近的邻域像素，颜色越可能相同，权重就大；亮度差异大的边缘处，权重小，阻止颜色扩散过边界。为了避免除以零等问题，通常还要给权重加上一个很小的正数。

然后求解最优化问题：已知部分像素的U、V值（用户涂色的锚点），要让所有未着色像素的U、V值尽量接近邻域值的加权平均，同时强制性满足锚点处的约束。用矩阵形式表达就是求解稀疏线性方程组：

(L + lambda * P) * U = lambda * U_seeds

其中L是拉普拉斯矩阵，P是锚点指示矩阵（只有用户涂色位置非零），lambda是约束强度。lambda越大，锚点颜色越是硬性约束；lambda越小，颜色扩散越自由。实际使用中lambda取100左右比较合适。

3.2 稀疏线性方程组构建与求解

在Matlab中，算法的实现可以分成四个步骤。这里给出一个简洁且带注释的完整函数。

第一步，读入并预处理灰度图；第二步，定义邻域关系与权重；第三步，构建稀疏矩阵；第四步，用户标记锚点并求解。

锚点标记可以用简单方法：准备一张和原图一样大小的标记图，直接在特定像素处赋一个颜色值。为了演示方便，我用手工指定几个点的颜色来模拟用户涂色。

function I_colorized = colorize_levin(I, seeds_yx, seeds_uv) % I: 归一化灰度图，double类型，范围[0,1] % seeds_yx: kx2矩阵，每一行是[y, x]锚点坐标 % seeds_uv: kx2矩阵，每一行是对应锚点的[u, v]值，范围[-0.5, 0.5] % 返回: 彩色化后的RGB图像，范围[0,1] [h, w] = size(I); N = h * w; % 像素索引 idx = reshape(1:N, h, w); % 构建四邻域权重 % 使用亮度差的高斯权重 sigma = 0.1; % 亮度归一化后的sigma rows = zeros(2*N, 1); cols = zeros(2*N, 1); vals = zeros(2*N, 1); cnt = 0; for y = 1:h for x = 1:w p = idx(y, x); % 右邻域 if x < w q = idx(y, x+1); yd = I(y, x) - I(y, x+1); wgt = exp(-(yd)^2 / (2*sigma^2)) + 1e-6; cnt = cnt + 1; rows(cnt) = p; cols(cnt) = q; vals(cnt) = wgt; cnt = cnt + 1; rows(cnt) = q; cols(cnt) = p; vals(cnt) = wgt; end % 下邻域 if y < h q = idx(y+1, x); yd = I(y, x) - I(y+1, x); wgt = exp(-(yd)^2 / (2*sigma^2)) + 1e-6; cnt = cnt + 1; rows(cnt) = p; cols(cnt) = q; vals(cnt) = wgt; cnt = cnt + 1; rows(cnt) = q; cols(cnt) = p; vals(cnt) = wgt; end end end W = sparse(rows(1:cnt), cols(1:cnt), vals(1:cnt), N, N); % 拉普拉斯矩阵 L = D - W，其中D是对角度矩阵 D = sum(W, 2); L = spdiags(D, 0, N, N) - W; % 锚点约束项 k = size(seeds_yx, 1); lambda = 100; P = sparse(seeds_yx(:,1) + (seeds_yx(:,2)-1)*h, ... % 线性索引 1:N, 1:N); % 占位，下面修正 % 正确构建锚点指示矩阵 seed_linear = zeros(1, k); for i = 1:k seed_linear(i) = idx(seeds_yx(i,1), seeds_yx(i,2)); end P = sparse(seed_linear, 1:k, ones(k,1), N, k); % 解U通道 A = L + lambda * (P * P'); b = lambda * P * seeds_uv(:,1); u = A \ b; % 稀疏求解 u = full(reshape(u, h, w)); % 解V通道 b = lambda * P * seeds_uv(:,2); v = A \ b; v = full(reshape(v, h, w)); % 合成YUY -> RGB Y = I * 255; % Y亮度恢复到原始尺度 % YUV转RGB前转换范围，这里假设u,v在[-0.5,0.5] YUV = cat(3, Y, u*255, v*255); I_colorized = ycbcr2rgb(uint8(YUV)); % 注意：ycbcr和yuv有差异，这里简化处理 % 实际应该用Lab或自写转换，这里仅做示意 end

这段代码有个问题，我用ycbcr2rgb来近似YUV转RGB，这是不严谨的，实际项目里建议使用lab2double、applycform等标准转换。Levin原版在YUV空间，但Matlab没有直接的YUV函数，我建议改成Lab空间的L通道。不过思路是一致的，你可以把上述代码里的YUV换Lab，u和v换成a和b。

真正关键的代码逻辑在于稀疏矩阵的构建和方程求解。A \ b这一行是优化的核心，Matlab会自己选择最适合稀疏矩阵的直接法或迭代法，大多数情况下不需要你手动指定求解器。如果图像尺寸超过500x500，直接法可能会内存不足，这时建议改用pcg（预处理共轭梯度法）。我在实验中发现，300x400的图用\求解大概需要1到3秒，完全可接受。

3.3 实操效果与参数调整技巧

跑通这段代码后，你会发现效果完全取决于两个地方：锚点画得准不准，以及sigma和lambda的参数匹配。

先说sigma。sigma控制亮度差对权重的影响。sigma太小，只有亮度几乎一样的邻域才会扩散颜色，结果是颜色只局限在锚点附近的小区域，无法充满整张图；sigma太大，颜色会无脑扩散到亮度差别很大的区域，侵染边缘。我用过无数次的经验是：归一化亮度图（0到1）的sigma取值0.05到0.15，具体要看图像对比度。对比度大的图取小值，避免颜色越过边缘；对比度小的图取大值，让颜色更容易传播开来。

再说lambda。lambda是锚点约束与平滑约束的平衡。lambda=0意味着没有锚点约束，方程直接解出全图平滑颜色，但锚点处颜色也被抹平了；lambda无限大意味着锚点颜色完全不变，但周围颜色扩散受限于数值条件。推荐100到500。如果发现锚点处颜色很突兀，边缘处颜色像是涂抹上去的，试着减小lambda；如果发现锚点附近颜色扩散不开，就增大lambda。

还有一个经常被忽视的点：锚点不要画在图像边缘，也不要画在颜色剧烈变化的边界上。因为Laplacian方程在边界上的约束会不准确，容易出现“颜色泄漏”。正确做法是在区域的中心位置取样。比如要给人脸着色，锚点应点在脸颊中部而不是头发和脸的交界处。

如果手动标记锚点太繁琐，我们可以写一个交互式脚本，让用户用鼠标在图上点击并输入颜色值。使用ginput和impoly工具就能实现，这部分我在后面的扩展中提到，初学者先把固定锚点的版本跑通即可。

4. 基于颜色迁移（统计匹配）的快速实现

4.1 Lab颜色空间与统计量线性映射

Levin算法需要用户交互，如果只有一张黑白图没有参考色，也缺乏人力去涂色，那就得用颜色迁移。颜色迁移的思路特别直白：找一张颜色风格符合预期的彩色参考图，把参考图的色度统计特性“移植”到目标灰度图上。

常见的做法是Reinhard等人提出的颜色迁移算法，步骤是：

将目标灰度图和参考彩色图都转换到Lab空间。Lab空间的L通道代表亮度，a通道代表红绿，b通道代表黄蓝。关键洞察在于，灰度图的L通道本身就是原始亮度信息，我们不需要动它；需要做的是把参考图的a、b通道的全局统计量（平均值和标准差）映射到目标图的a、b通道上。

具体映射公式是：

a_t' = (a_t - mean(a_t)) * (std(a_r) / std(a_t)) + mean(a_r) b_t' = (b_t - mean(b_t)) * (std(b_r) / std(b_t)) + mean(b_r)

其中下标t表示目标图，r表示参考图。这里有个前提假设：目标图的色度分布应该和参考图的色度分布同属一个形态，只是数值范围不同。换句话说，参考图应该和被着色的场景类型接近，比如要着色一幅山水画，就找一幅风格类似的山水照片做参考。

4.2 完整Matlab实现与代码逐行说明

Matlab实现这个算法非常简洁，核心只有十几行。我写好了一个完整的函数，放在下面：

function I_colorized = color_transfer(I_gray, I_ref) % I_gray: mxn double灰度图，范围[0,1] % I_ref: mxn x 3 double 彩色参考图，范围[0,1] % 返回: mxn x 3 double彩色图 % 转Lab空间 lab_gray = rgb2lab(repmat(I_gray, [1 1 3])); % 亮度图扩展成三通道 lab_ref = rgb2lab(I_ref); % 拆分L、a、b L_t = lab_gray(:,:,1); a_t = lab_gray(:,:,2); b_t = lab_gray(:,:,3); L_r = lab_ref(:,:,1); a_r = lab_ref(:,:,2); b_r = lab_ref(:,:,3); % 统计量匹配 m_a_t = mean(a_t(:)); s_a_t = std(a_t(:)); m_a_r = mean(a_r(:)); s_a_r = std(a_r(:)); m_b_t = mean(b_t(:)); s_b_t = std(b_t(:)); m_b_r = mean(b_r(:)); s_b_r = std(b_r(:)); a_t_new = (a_t - m_a_t) * (s_a_r / s_a_t) + m_a_r; b_t_new = (b_t - m_b_t) * (s_b_r / s_b_t) + m_b_r; % 重建Lab图像 lab_new = cat(3, L_t, a_t_new, b_t_new); % 转回RGB I_colorized = lab2rgb(lab_new); I_colorized = max(0, min(1, I_colorized)); % 防止越界 end

这段代码里有一个细节值得解释：为什么先用repmat(I_gray, [1 1 3])再转Lab？因为rgb2lab只接受RGB图，我们用一个三通道完全相同的图作为占位，让函数的输入格式合法。转换后取它的L通道作为目标亮度，同时得到一个初始的a、b通道。但注意，这个初始的a、b通道全图都是同一个值（因为灰度图三通道相同），所以后面直接用它们计算统计量是没问题的，转换后再修正。

另一个细节是s_a_r / s_a_t这个比值。如果目标图完全平坦（比如纯色背景），标准差接近0，除法会不稳定。实践中要给标准差加一个极小值，比如1e-6，防止溢出。我在实际处理中遇到过一张纯白背景图，导致a_t标准差为0，结果全图颜色完全错误。

4.3 如何挑选参考图像：风格匹配的关键经验

颜色迁移的效果好坏，80%取决于参考图的选择，而不是算法本身。这是我的血泪教训。同样是蓝天绿草，如果参考图是一张阴天的灰色风景，着色出来的图也是灰蒙蒙的；如果参考图是一张暖色调沙漠照片，那草地就会被染成黄褐色。

挑选参考图的核心经验有三条：

第一，场景类型要一致。人像、风景、建筑、植物分别找对应的参考图，不要混用。人脸肤色和绿植色在Lab空间中的a、b分布完全不同，用风景图给人脸着色会直接毁掉。

第二，色彩分布要有代表性。参考图应该包含目标图中可能出现的所有主要颜色。比如给一个包含天空、草地、人物的场景着色，参考图最好同时有蓝天、绿草和肤色区域。如果参考图只有蓝天，算法会把草地的a、b统计也强行拉到蓝色系，导致草地变蓝。

第三，亮度对比度要接近。虽然算法只迁移色度统计量，但参考图本身的亮度分布会影响lab2rgb转换后的视觉自然度。理想情况下，参考图的L通道直方图应该和目标灰度图的直方图接近。一个快速检查办法是分别计算两幅图的L通道均值，如果差异超过30（0到100范围），就要找另一张参考图了。

此外，遇到多区域场景时，全局统计量匹配会显得有点“平均化”，比如天空被染成偏绿，草被染成偏蓝。这时候可以使用分块颜色迁移——先对图像做超像素分割，然后每个分割区域分别匹配参考图对应区域的统计量。Matlab里可以用superpixels函数，但实现复杂度一下子提升不少，初学者先用全局版本，效果不好再考虑分块。

5. 基于深度学习的彩色化（进阶可选）

5.1 用Matlab加载预训练模型提取特征

经典方法实现简单，但对复杂场景的泛化能力有限。深度学习彩色化的代表工作是Zhang等人提出的“Colorful Image Colorization”和Larsson等人利用VGG多层特征的方案。Matlab的Deep Learning Toolbox同样完整支持CNN的训练与推理，下面介绍如何在Matlab中实现一个简化版。

核心思路是：把灰度图的三个通道复制成三通道输入，经过一系列卷积层，输出两个通道（a和b）的预测。由于Lab空间中L通道保持原样，网络只需要学习a、b通道。训练时用大量彩色图像作为标签，计算预测a、b与真实a、b之间的损失。

训练网络的第一步是准备好数据集。MATLAB有内置的imageDatastore，可以方便地读入大量图片。每张彩色图先转成Lab空间，输入网络的数据是调整大小后的RGB图（灰度图复制三通道），目标输出是原图的a、b通道。

为了降低训练难度，可以使用预训练模型（如AlexNet或VGG16）作为特征提取器。不过完整迁移学习需要较大的显存和较长的训练时间，我建议从零训练一个小型UNet结构，因为彩色化任务相对于高层次的图像分类来说，对语义信息的要求不高，一个小网络就能学会颜色分布。

5.2 构建一个简易卷积网络并训练

下面是一个极简的CNN网络定义，输入224x224x3，经过几层卷积和上采样，输出224x224x2的ab通道。由于Matlab的layerGraph写起来比较长，我用dlnetwork配合自定义训练循环的方式来说明，这样更灵活。

% 定义网络结构（dlnetwork方式） layers = [ imageInputLayer([224 224 3], 'Name', 'input', 'Normalization', 'none') convolution2dLayer(3, 16, 'Padding', 'same', 'Name', 'conv1') reluLayer('Name', 'relu1') convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv2') reluLayer('Name', 'relu2') % 下采样 maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool1') convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'conv3') reluLayer('Name', 'relu3') % 上采样 transposedConv2dLayer(4, 32, 'Stride', 2, 'Cropping', 'same', 'Name', 'up1') reluLayer('Name', 'relu4') convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv4') reluLayer('Name', 'relu5') convolution2dLayer(3, 2, 'Padding', 'same', 'Name', 'conv_out') ]; lgraph = layerGraph(layers); dlnet = dlnetwork(lgraph);

训练循环的自定义部分比较长，这里不贴出完整代码，但提醒几个关键点：

第一，输入数据要做dlarray转换，并且指定维度标签SSCB（空间、空间、通道、批量）来让网络知道数据格式。第二，损失函数用简单均方误差即可，即预测的a、b通道与真实值之间的MSE，不需要像分类任务那样用交叉熵。第三，优化器用adamupdate，学习率建议从1e-3开始，每训练几轮手动衰减到5e-4。

在视觉上，这个精简网络训练几万步后，已经能为简单场景（天空、草地、人脸局部）生成比较合理的颜色。如果想达到接近商业工具的效果，就要用更深的结构（如UNet）和更大的数据集，训练时间通常以天为单位，这个超出了本文的篇幅，但思路是一致的。

5.3 训练数据的组织与数据增强

训练数据很重要。不要拿零散的几张图片直接训练，那样网络会过拟合，给新图着色时颜色完全失真。我的做法是：从网络中爬取下载到约1万张风景和人物图片，然后做以下预处理：

每张图调整到256x256，中心裁剪到224x224，随机水平翻转、随机旋转正负15度、随机亮度扰动。这些操作我用augmentedImageDatastore封装。另外注意，训练时颜色空间统一用Lab，但输入层的Normalization要设置为'none'，因为Lab空间a、b通道的范围不是0到1，默认归一化反而会破坏数值分布。

训练时每隔5000步保存一次模型参数，同时把当前模型在测试集上的着色结果输出到文件夹看看，直观判断效果进展。我发现训练初期模型会把所有东西都染成灰绿色，中期开始出现暖色和冷色的区分，后期才慢慢出现语义相关的颜色。如果你看到训练很久颜色仍然很平均，先检查是不是Lab转换时取值范围搞错了——a、b通道取值范围大约是-128到127，网络输出层的取值范围应该与之匹配，需要添加一个tanhLayer或自行缩放。

6. 常见问题与排查技巧实录

6.1 问题速查表

我把实战中碰到的高频问题整理成了一张表，方便直接对号入座：

6.2 独家避坑心得

这里有几个网上教程里很少提到的坑，我逐个踩过，值得专门记下来。

第一，Lab空间的L通道范围是0到100，但imshow在显示float类型时默认按0到1解释，所以如果你直接imshow(lab)会看到全黑或者整体偏移。显示Lab图像的正确姿势是单独显示a、b通道，用imagesc，并加上统一的颜色轴。这个bug困扰过我一下午，排查时一度以为是算法写错了。

第二，颜色迁移中的lab2rgb结果会出现轻微越界，也就是输出值小于0或大于1。虽然Matlab会自动截断，但截断会带来颜色失真。更好的做法是做一个正常的拉伸，比如把前1%和99%分位的像素值映射到[0,1]，这样能保留更多色彩层次。

第三，Levin算法中权重计算用的亮度差要在Lab空间或者归一化灰度空间里计算，不要在uint8的0到255范围内直接算，否则sigma参数的经验值完全对不上。很多初学者在这一步卡住，就是因为他们把I当成了uint8，exp(-(yd)^2/(2*0.1^2))计算出来的权重几乎都是0，因为yd通常取500以上的值。正确做法是先用double转成0到1范围再计算。

第四，交互式涂色时建议把画笔颜色选得稍微淡一点，不要用纯蓝、纯红这些极端色。因为优化求解的过程会平滑颜色，如果锚点颜色过于饱和，扩散出去的颜色看起来会像荧光笔涂过。我习惯把锚点颜色的饱和度控制在0.5左右（Lab中a、b约正负40），效果自然很多。

第五，深度学习训练时，记得关闭图的缩放显示，否则imshow会把Lab转换后的图像自动拉伸，看起来颜色诡异，但模型实际上在正常训练。可以每隔几千步存一次用lab2rgb转换后的真实彩色图来检查，而不是直接看训练样本。

7. 实战扩展：把脚本封装成一个小工具

彩色化算法折腾成功后，很多人都会想把它封装成一个小程序，方便批量处理图片。Matlab的APP Designer或者直接写GUI都行，但最省事的方案是用uigetfile和uiputfile做一个命令行交互工具。

% 批量彩色化脚本 files = uigetfile('*.jpg;*.png', '选择黑白图片', 'MultiSelect', 'on'); if ~iscell(files) files = {files}; end for i = 1:numel(files) img = imread(files{i}); % 这里调用你自己的彩色化函数 out = my_colorize(img); % 示意 [~, name, ext] = fileparts(files{i}); imwrite(out, sprintf('colorized_%s%s', name, ext)); end

这个小脚本最大的价值在于批处理，比如给一本扫描版黑白古籍的每一页着色，算法跑的慢也没关系，让它后台慢慢跑，跑完直接在文件夹中看结果。

另外提一个提升体验的细节：保存结果时建议同时保存一幅对比图——左边原灰度图，右边彩色化结果，用imwrite把两幅图拼在一起。因为单看彩色化结果很难评估颜色是否合理，并排对比能直观看到哪些区域的纹理被颜色淹没了、哪些区域染色染过了。

我在做实验时还会把彩色化的结果转成视频，展示颜色随时间逐渐扩散的过程，这对理解Levin算法的原理非常有帮助。实现方法很简单，在求解方程后用drawnow配合getframe持续记录每一轮迭代的中间结果，最后用VideoWriter写入mp4。这个方法强烈推荐给学生党做演示。

8. 写在最后的一点经验

黑白图像彩色化是我接触过的最适合用来练手图像处理的课题之一，因为它同时涉及优化理论、色彩空间、统计学习和深度学习，算法之间可以形成清晰的对比。我的实验环境从R2019b到R2023b换过多次，但从没用过任何付费工具箱以外的代码，也没有依赖外部Python库，全部功能都在Matlab内部完成。

如果让我给后来者一个入门顺序，我会建议你先跑通颜色迁移——这个脚本最短、最直观，10分钟就能看到彩色化效果，建立信心。接着实现Levin优化着色，体会“先验约束”在图像修复中的巨大作用。最后再碰深度学习，你就会明白为什么深度网络能自动学习到物体语义颜色，而不是像一个简单的统计匹配那样盲目平均。

最后分享一个我实际使用的小技巧：彩色化完成后，用imhist检查一下饱和度通道的直方图，如果堆积在0附近，说明颜色偏淡，可以做一个饱和度增强，比如在HSV空间把S通道整体乘以1.2。这个操作虽然简单，但很多初学者不知道，配合使用能让最终效果上一个台阶。希望这篇实战记录能帮你少踩几个坑，如果你在跑代码时遇到新的问题，欢迎在评论区交流，我会尽量把排查思路补进来。