相较于正常人可以正确感知三维颜色空间的所有色彩,异常视觉患者只能感知到二维颜色空间的色彩甚至只能感知亮度的变化。由于人类获取外界信息中有70%以上来源于视觉感知,因此解决异常视觉患者的问题显得非常重要。目前通过图像处理来提高异常视觉对图像中颜色信息的分辨度已成为主流的适用方法。大多数的研究人员致力于通过传统算法来完成图像的重着色过程,然而传统图像处理算法有一些局限。因此,本文提出基于生成对抗网络的异常视觉辅助识别算法。本文主要研究以下内容:(1)鉴于训练生成对抗网络实现图像重着色过程需要大量的异常视觉数据,而目前现有的异常视觉数据集数量严重不足,且种类单一。因此,本人首先通过图像数据筛选的方式参与生成了一套可用性较高的自然图像的异常视觉数据集。该数据集包含1463对训练图像和790对测试图像,每对图像包含原始图像和对应的重着色后的图像。(2)引入生成对抗网络模型来实现图像的重着色过程。现有的生成对抗网络模型只针对正常视觉的图像转换,然而,对于异常视觉患者来说,评估生成图像质量的标准是生成器生成的图像中的颜色信息是否能被全部正确区分。因此,基于生成对抗网络,本文引入了对图像生成方向具有一定的导向性的先验性条件信息模块和约束条件模块。先验性条件信息模块由高斯混合模型和KL散度构成,先通过高斯混合模型对图像中的颜色信息进行聚类,后计算各颜色簇之间的KL散度,即各颜色簇之间的距离,将此作为先验性条件信息输入网络。约束条件模块包含异常视觉仿真的计算模型和彩色图转灰度图的计算模型。(3)通过大量的实验来评估生成的异常视觉数据集和网络模型的性能。对数据集进行评估的实验证明,本文提出的数据集确有可信度,可适用于之后的研究。在对网络模型进行评估时,通过对比现有3种典型生成对抗网络模型以及1种基于优化的传统重着色算法与本文提出的网络模型在同一数据集上的表现。在定性分析中,改进的网络模型生成的重着色后的图像从图像的辨识度以及图像自身的质量均表现最佳。定量分析结果中,改进的网络模型生成的图像与原始图像之间的结构相似度指标最高,比未添加约束条件与先验性条件模块的基础网络模型的指标高了7.87%,在图像处理速度上,改进的网络模型处理速度是传统算法处理速度的40.45倍。