光的偏振特性决定了偏振成像具有描述和解析图像信息的独特优势。但是偏振图像大多数以灰度图像呈现,如何充分利用人眼视觉的颜色识别能力,解读偏振灰度信息,实现偏振图像的彩色化,是偏振图像处理领域的新命题。为凸显偏振成像优势,获得适合人眼探测和识别的彩色偏振图像。本文开展了基于颜色迁移的偏振图像彩色化方法研究,对光强图像和偏振度图像进行信息融合,将得到的偏振特征融合图像作为图像彩色化任务中的处理对象。本论文的主要研究内容如下:1)针对传统偏振图像着色方法只进行全局映射,未考虑局部特征,导致伪彩色结果图像失真较多,颜色误传递等问题,提出一种基于图论分割和灰度共生矩阵的偏振图像颜色迁移方法。首先在YCb Cr颜色空间中利用图论分割的方法将目标偏振图像和参考图像分别划分出若干个子区域,再通过计算灰度共生矩阵的纹理特征统计量,使两幅图像相似子区域之间逐对匹配,最后进行颜色迁移。实验结果显示,本文方法有效的缓解了颜色误传递问题,偏振图像的颜色符合人类视觉感知,图像纹理细节清晰。2)针对传统颜色迁移方法的颜色误传递,深度学习颜色迁移方法对偏振图像特征理解不充分,导致结果图相似性特征提取不足,颜色溢出等问题,提出一种基于双分支卷积神经网络的偏振图像颜色迁移方法。网络前端的相似性特征提取网络具有双分支结构,两条分支分别是:具有“特征重标定”的SE-Res Net局部特征提取网络和具有分类特性的改进的VGG-19全局特征提取网络。融合局部特征、全局特征、相似性双向映射函数以及对齐参考色度,融合结果作为着色网络的输入。最后着色网络结合偏振特征对目标偏振图像进行颜色迁移。训练时的色度损失函数和感知损失函数保证颜色迁移的色度一致性和鲁棒性。实验结果表明,本文方法有效的解决了颜色溢出的问题且色彩分布自然。与可见光图像着色结果相比,偏振图像着色结果保留的细节和纹理信息更多,更利于人类视觉的探测和识别。