灰度图像上色是图像处理系统中重要的组成部分，它作为一种在图像修复，影视处理方面的辅助技术，有着广泛的应用前景。颜色传递和颜色扩展这两种方法是目前传统图像上色方法。这些方法有一个普遍的问题是需要人为交互、而且处理难度大且着色效果不佳，同时还不具备通用性，对各种不同类型的图片无法使用同一种算法进行处理。随着科技的发展，使用深度学习技术的图像处理手段也越来越多，研究使用深度学习方式的黑白图上色算法有很大可行性。本文对使用深度学习的着色算法进行了学习和研究，并且选取了一种基于颜色传递的传统算法和基于深度学习上色算法进行了对比。实现了可以选择用深度学习方法和传统算法上色的灰度图上色系统。
目录
摘要...................................................... .........................................................................1
关键词........................................................ ...................................................................1
Abstract........................................................... .............................................................1
Key words......................................................................................................................1
1 绪论 1
1.1 课题研究背景和意义 1
1.2 国内外研究状况 2
1.3 本文主要研究内容和安排 3
2 深度学习在图像着色方面的方法 3
2.1 基于深度学习图像着色 *景先生毕设|www.jxszl.com +Q: ^351916072^ 
方法 3
2.2 深度学习经常使用的模型 4
2.2.1 自动编码器 4
2.2.2 卷积神经网络 4
2.2.3 深度信念网络（DBN） 5
3 传统的颜色传递算法和实现 5
3.1 Welsh算法实现 5
3.2 Welsh算法python实现 5
4 深度学习着色算法介绍 6
4.1 BatchNorm的本质思想 7
4.2 网络结构 7
4.3 训练结果 8
4.3.1 一些好的训练结果 8
4.3.2 一些不好的训练结果 9
5 上色系统的实现 9
5.1 系统设计的目的和意义 10
5.2 着色系统总体设计 10
5.3 需求分析 13
5.3.1 用户需求 13
5.4 用例图 13
5.4.1 图片上传显示用例图 13
5.4.2 图片预处理用例图 14
5.4.3 传统上色功能用例图 14
5.4.4 深度学习上色功能用例图 14
5.5 可行性分析 15
5.5.1 技术可行性 15
5.5.2 操作可行性 15
5.5.3 经济可行性 15
5.6 主界面设计 15
5.6.1 Pyqt5的介绍 15
5.6.2 安装Pyqt5 16
5.6.3 系统主界面 16
5.6.4 传统深度学习上色界面 18
5.6.5 深度学习上色界面 22
6 结果分析 22
7 总结和展望 25
致谢 27
参考文献 27
基于深度学习的灰度图像上色系统
引言
绪论
课题研究背景和意义
黑白图像上色[1]是对黑白图片进行彩色化的过程，将黑白图片彩色化在数字图像处理和工业生产和医学领域等方面都有着重要的研究价值和应用意义，在观赏方面也有着很大的作用。人眼对灰度图的识别效果有限，最多就能识别十几种，但是彩色图片不同，人眼对彩色图片的识别率远远高于对灰度图，能达到成百上千。由此可见，彩色图对人眼影响大于灰度图，而且容纳的信息也更多，也更利于对图像特征的提取与表达，同时也能更好的表达图像的意义。从视觉效果来看，彩色图像更容易观赏。随着科技的发展，着色技术将应用于更多、跟广泛的领域，例如将黑白医学影像进行彩色化突出病理特征，更利于观察识别。[2]
深度学习的提出为图像处理提供了一种新的方式，从根据MNSIT数据库的CNN神经网络手写数字识别和应用CNN的图像分类识别,和人脸识别，由此可见，将深度学习技术应用到图像着色是非常具有可行性的。
国内外研究状况
图像着色技术[3]图像处理技术中的一种，也是其中非常重要的一环。这门技术涉及计算机视觉、图像处理，图像颜色空间变换[4]等多种算法。基于局部图像颜色着色方法[5]和基于颜色传递着色图像方法[6]是传统着色算法最主要的两种。基于局部图像颜色着色方法又名基于笔刷的着色法，由名字就可以看出使用该算法需要用户使用彩色笔刷，彩色笔刷的作用是给图像进行局部标注，然后目标图像根据刚刚添加的笔刷标记来将颜色漫延到整幅图像进行后续着色，最终使得整幅图像完全上色成功；第二种方法也可被称为基于样本图像着色法，首先，我们需要一张参考图片，用这张参考图片上的颜色给目标图像上色，相当于在样本图像和目标图像之间进行颜色传递。参考图像与目标图像颜色越相似，上色效果越好。
在目标图像中输入一定量的局部彩色颜色，通过基于局部图像颜色着色方法的不同的算法，将输入的局部颜色蔓延到整幅画，从而使整幅画拥有颜色这就是基于局部颜色扩展算法的基本步骤。Levin[7]等人根据以上基本步骤，提出了新的改进算法。假设黑白图片的灰度值和着色后图像的灰度值相近，采用yuv颜色空间，着色问题就这样被转化成图像优化问题。但该方法有一个问题就是对于大尺度图像，该算法的处理速度非常慢，腾升华等人进行了改进，通过将大尺度图像切割成小尺度图像处理。而Yatziv[8]等人也根据着色后图像灰度值和为着色时灰度值相近这一假设下，借助Dijistra最短路径算法提出了快速着色方法，该方法，降低了计算量，同时减少了计算复杂度。而Qu[9]和Luanc[10]在此基础上还考虑了图像的纹理特征，提出了算法，但这类方法都需要人为交互。

原文链接：http://www.jxszl.com/jsj/wljs/563977.html