在多数场景中,彩色图像比灰度图像具有更丰富的信息,现有的灰度图像着色算法主要包括基于用户引导下的颜色传播类算法、基于指定函数或参数的颜色映射算法及基于数据驱动的图像着色算法,前两种算法因本身特点有限性,其适应性和可大规模运用能力不佳。第三类算法中,早期的基于实例图像参考法及类比法大规模适应性不佳。随着机器学习及图像计算设备(GPU等)性能的提升,基于深度学习的灰度图像着色算法性能优异,脱颖而出。该类方法利用神经网络,搭建不同的网络架构,利用大规模数据集进行训练,通过卷积操作对图像的内容和特征进行提取及分析,寻找灰度图像到彩色图像之间的映射关系,从而训练出相应的模型,实现着色。本文采用了深度学习的思想,对灰度图像着色算法进行了研究,具体内容如下:(1)基于密集神经网络构建并训练了一个端到端的深度学习模型,对自然图像中的各类信息及特征进行提取(如分类信息和细节特征信息等)。训练结束后,只需输入一张灰度图片,即可生成一张颜色饱满、鲜明逼真的彩色图片。通过不断地在各类数据集上训练整个网络,可得到适用性强、性能优异的着色网络。实验表明,本文所提出的方法具有更高的特征利用率,能够得到令人满意的着色效果,较目前先进的着色方法而言也取得了显著的改进,在一定程度上也改善了着色过程中的漏色、细节信息损失、对比度低等问题。(2)通过引入多尺度训练、多损失优化,并通过对比实验验证,实现了对现有算法的性能进行优化。(3)利用迁移学习,以彩色人体解剖切片图像为参考图像,进行了医学影像彩色化试验,效果尚可,为医学影像着色提供了新方式。