色觉测试图是筛查异常色觉、评估个体色觉情况的主要工具,由于其相比于其他色觉诊断手段的便捷性,长期被应用于临床实践当中。目前临床一线所配备的色觉测试方法,多采用预先绘制的色觉检查图绘本,对于色觉定性评估有着重要意义。但随着人类医疗健康水平的不断提高和“精准医疗”驱动下的相关临床需求的不断发展,对人类色觉进行更加精确的、细致化的评估将是实现医疗升级的重要支撑,这就依赖于色觉测试工具的进一步深化。本文正是针对这一点出发,利用计算机图像处理与深度学习等相关技术,提出了色觉测试图合成的两种新方法。本文主要完成了以下工作:本文在色觉仿真技术的基础上,提出了 一种基于假同色原理的色觉测试图合成方法。根据假同色原理和色觉仿真算法,采用网格搜索与色差阈值选取等方法,对不同类型的假同色进行计算、获取与持久化。然后以得到的假同色集合中元素作为色觉测试图填充的中心色彩,并引入假同色簇的概念对像素块进行填充,来提升合成图像的抗干扰能力。最后,在绘制每幅图案时引入了 K-D树数据结构来取代蒙特卡洛方法来加速不相互重叠圆形的绘制过程。在假同色原理合成方法的基础上,本文进一步做了基于生成对抗网络的色觉测试图合成方法研究。首先,构建条件生成对抗网络模型,生成器采用类似U-Net的端到端结构,判别器采用了全卷积神经网络。然后,对输入的2D噪声信息、内容掩模信息、颜色矢量、色觉类型信息进行多条件分级融合,以适配生成对抗网络模型。在网络的训练阶段,通过前述的假同色原理合成方法构建了成对数据集,并在L1损失的基础上引入了仿真损失和特异性损失来提高网络的拟合效果。为了验证本文图像合成方法的可行性与有效性,实验部分设计了衡量色觉测试图质量的三个指标;测试过程主要从所设计的合规度、特异性、鲁棒性指标以及计算复杂度四个方面对两种方法进行了评估分析。从实验数据可以得出,两种方法所合成的色觉测试图样本均具有较高的合规度和特异性,且生成对抗网络合成方法较假同色原理合成方法得到的测试图样本具有更高的鲁棒性。同时对两种方法合成的大量色觉测试图样本进行指标上的总体统计学分析,得到假同色原理合成方法在去除异常样本后的平均合规度和特异度约为0.901和0.896;生成对抗网络合成方法在去除异常样本后的平均合规度和特异度约为0.923和0.917,比前者至少高2%,并在单幅色觉测试图产生速度上至少为前者的20倍。实验证明采用生成对抗网络进行色觉测试图合成具有一定的研究价值,对计算机辅助色觉测试技术的发展具有积极推动意义。