当今时代,人们追求更佳的视觉体验和更丰富的信息,现有的灰度图像着色算法可分为基于用户引导的颜色传播类算法、基于参考信息的半自动着色算法和基于数据和算力驱动的自动图像着色算法。前两种算法由于其本身的特点,而受限于使用场景和规模程度,第三类算法是顺应时代发展的产物,结合人工智能算法的研究进展、图像显卡设备的性能突破和大数据时代的到来,基于深度学习的灰度图像自动着色算法表现优异,从众多方法研究中脱颖而出。该类方法不需要用户交互,属于端对端的模型,此类方法使用卷积神经网络搭建不同的网络架构,通过激活函数得到非线性模型,提高模型学习能力,输入大量数据训练,让模型学习灰度图与彩色图之间的颜色映射。本文采用深度学习架构,对灰度图像自动着色算法进行了研究,具体内容如下:1、基于WGAN-div训练策略构建神经网络并训练一个端到端的深度学习模型,在特征提取阶段引入改进的残差思想和双路注意力网络,减少层级信息传输损失,提高信息提取率。通过空间域的注意力机制,使得long-range的像素点也能建立联系,实现像素级别的颜色预测;通过通道域的注意力机制,对不同重要程度的特征分配不同的权重。通过实验证明本文算法与现有优秀算法相比,可得到整体着色效果优异,细节分明、纹理清晰且更加自然的彩色图像。2、为得到更强的学习能力,将网络层数扩展为原来的两倍,再引入相同网络结构的前景语义信息提取网络,设计了一个分两阶段训练的网络架构。实验结果表明,在引入第一阶段训练得到的前景语义信息后,在主观上可有效改善视觉中心区域着色中的色泽暗淡、细节丢失、对比度低等问题,取得了更好的图像质量;在客观指标上,本文算法在两个数据集上的峰值信噪比分别高出2.59d B和3.54d B,感知相似度分别降低0.01和0.02。3、对检测前景数量、色彩空间和颜色提示信息这三个影响因素进行了对比实验,并分析它们对着色效果产生的影响;在黑白照片数据集和胃癌数字病理切片数据集上,进行本文算法的推广应用实验,用于复原老旧照片和增强数字病理切片图像的染色。