在人类对世界认知的过程中,颜色具有举足轻重的作用,因此,灰度图像彩色化是数字图像处理领域的一个重要课题,具有巨大的挑战和研究意义。当前的灰度图像彩色化算法主要包括基于颜色标记的彩色化方法、基于参考图像的彩色化方法、基于映射关系的彩色化方法以及基于深度学习的彩色化方法。前两种算法虽然相比于其他算法着色效果较好,但是需要大量的用户交互,操作难度较高,通用性不强。第三种算法主要针对的是伪彩色化问题,以方便人眼分辨细节为主要目的,并不适用于自然场景下的彩色化。随着深度学习的发展和当前大规模计算设备的快速更新迭代,越来越多的基于深度学习的彩色化方法被提出,着色效果越来越好。因此,本文采用深度学习的方法,对灰度图像彩色化方法进行研究,详细内容如下:1、本文归纳了现有的彩色化算法,并对各算法进行了优劣势的分析,总结出当前图像着色算法存在边界晕染、细节丢失和着色效果枯燥三个主要问题;2、针对边界晕染、细节丢失问题,本文提出了一种基于深层聚合结构网络的灰度图像彩色化方法,将深层聚合结构网络引入图像彩色化领域中,并在原有网络结构的基础上,加入长连接,采用一种长连接与短连接相结合的方式,进一步提升了网络的信息利用率,减缓网络训练中容易出现的梯度消失问题。实验证明,本文的方法缓解彩色化过程中产生的边界晕染和细节损失的问题;3、针对着色效果枯燥问题,本文改进了一种基于生成对抗网络的灰度图像彩色化方法,搭建判别网络,对生成的彩色图像进行动态的真假判断。实验证明,本文的方法能够有效缓解着色效果枯燥的问题;4、本文对提出的基于深度学习的灰度图像彩色化方法在多个数据集上进行了详细的测试。同时,还对一些黑白老照片进行了彩色化的测试。实验证明,本文的方法相比于传统的彩色化方法,减轻了着色时边界漏色问题,还原了更多的图像细节,图像颜色更为丰富。