图像彩色化技术一直是计算机图形学的重要研究课题,在经典影视资料保护、军事探测、医学图像处理以及文物修复等领域中有着非常广泛的应用。按照处理方式的差异,图像彩色化算法可分为基于局部颜色扩散的图像彩色化算法和基于颜色迁移的图像彩色化算法两类。基于局部颜色扩散的彩色化算法需要大量的人工标注,虽然彩色化效果不错,但是成本昂贵且不实用。本文主要研究基于颜色迁移的图像彩色化算法,研究内容包括以下两个方面:在灰度图像颜色迁移方面,本文提出了基于双流卷积神经网络的灰度图像颜色迁移算法。传统的灰度图像颜色迁移算法容易受图像的亮度影响,造成结果图像中有较多的误着色,而目前基于深度学习的灰度图像颜色迁移算法大多对图像特征信息理解不足,导致结果图像仍存在明显的颜色误传递,本文基于卷积神经网络提出了一种综合考虑局部信息和全局信息的图像颜色迁移算法。该模型利用具有特征重标定功能的SE-Res Net网络和改进的VGG19网络分别提取图像的局部信息和全局信息,然后融合图像的局部信息和全局信息并将融合结果作为着色网络的输入,最后着色网络结合分类信息对融合后的特征进行着色。在训练过程中,采用像素损失和分类损失两种损失函数训练模型。实验结果表明,本文算法有效的解决了颜色迁移过程中的颜色误传递问题,结果图像颜色分布自然,纹理清晰。在彩色图像颜色迁移方面,本文提出了基于循环生成对抗网络的图像颜色迁移算法。目前彩色图像间的颜色迁移算法大多要求目标图像和参考图像有较高的语义一致性,才能顺利完成颜色迁移任务,若目标图像的某些区域没有在参考图像中找到正确的匹配块,则对应区域的颜色迁移结果就会发生错误。本文利用循环生成对抗网络的对偶思想实现非配对图像间的颜色迁移,并针对原始模型中的不足进行了改进,使其更适合图像颜色迁移任务。本文生成器利用密集连接网络结合递归残差的思想提高特征的利用率,抑制梯度消失,同时在原损失函数的基础上加入边缘损失,抑制了生成图像中的细节扭曲。实验结果表明,本文算法可以产生颜色真实、纹理丰富的结果图像。