【图像彩色化方法基础理论概述2000字】.docxVIP

图像彩色化方法基础理论概述

一般来说，在图像彩色化的任务中，需要通过一个输入的灰度图像来生成其对应的彩色图像。然而这个问题的实验结果不能一概而论，因为这个结果是多模态的，也就意味着同样的灰度图像可能会有多个生成的彩色图像结果[13]。过去的模型一般依赖于输入的大量的灰度图片，需要人工干预且着色速度慢。而现在，深度学习在图像自动着色方面取得了显著的成功。它无需额外的人工输入即可从灰度变为彩色。这是由于这种模型在彩色化过程中能够捕捉和使用语义信息，即能够分析图像实际上是什么,本章介绍使用这类模型需要用到的理论基础知识。

(一)RGB与Lab颜色空间

RGB颜色空间是目前最常见、使用最广的一种颜色空间，目前大多数图像都使用RGB颜色空间来定义。而Lab是一种脱离设备颜色模型，因为它描述的不是设备生成颜色所需的电子颜料的数量，只是颜色的一种显示方式。这一颜色模型更多的是反映人对颜色的一种直观的感受。L,a,b三者的数值能够包含正常人能够观察到的所有颜色。Lab颜色模型是由亮度(L)和a、b两个色彩方面的要素组成。其中，L表示亮度大小，a的值表示的色彩范围是从洋红色至绿色，b的值表示的色彩范围是从黄色至蓝色。L的范围在[0,100],当L的值为50时，表示的是50%的黑色。a的范围和b的范围都是[-128,127],其中当a的值为127时颜色显示为红色，当a的大小逐渐变为-128时图像颜色就变为绿色；同上所述，当b的值为+127图像颜色显示为黄色，b为-128图像颜色转变成蓝色。L,a,b

三个值交互变化，可以产生RGB颜色空间内的大多数颜色[14],其颜色空间如

红黑i

红

黑i

L(亮度轴)

白

+b黄

绿

-6

监

黑

+a

红

图2所示：

图1Lab颜色空间

工

2

(二)残差神经网络(ResNets)

卷积神经网络(CNN)是深度学习领域使用最广泛的网络之一，相较于传统的全连接层神经网络，它最大的特点就是局部感知以及权值共享。局部感知使得模型整体简单，降低了其复杂性，也就是降低了过拟合的可能性。权值共享大大减少了模型中权值的数量，使网络占用内存更小，易于优化。此外，卷积神经网络非常适用于图像处理相关的问题，这是因为这种网络能够直接将图像作为输入，而不需要使用传统的特征提取识别，来构造复杂的数据重建，对二维图像的图像特征提取，例如图像的颜色，形状等，有着很好的效果。其中，在一些识别应用中，失真不变的一些位移，缩放功能效果最好[15]。

在神经网络中，深度和宽度是影响该网络性能和复杂度的最重要因素，同时多种研究表明[15],增加网络的深度比增加网络的宽度对优化网络的性能更加有

输

输入业

卷积层

(输入通道3,

输出通道64,

卷积核大小7,

移动步长2,

填充0的数里3)

业

批里归一化

业

激活层

卷积层(3×3,64)

池化层(最大)

(过滤器大小3,

移动步长2,

填充0的数量1)

卷积层(3x3,64)

批量归一化、激活

卷积层(3×3,64)

批量归一化、激活

卷积层(3×3,128)

批量归一化、激活

卷积层(3×3,128)

批量归一化、激活

卷积层(3×3,128)

批量归一化、激活

卷积层(3×3,128)

批量归一化、激活

地化层(平均)

(过滤器大小2)

线性层

(输出大小10)

批里归一化、激活

卷积层(3x3,64)

批量归一化、激活

元素相加

元素相加

元素相加

霜嘉

图2残差神经网络结构图

效，因此，传统的VGG网络架构一直在试图增加网络的深度，使网络性能有更好的提升。但是，当深度增加到一定程度时，网络的训练会变得非常困难。其原因是网络的训练是基于梯度下降算法的，当产生误差时，误差经过多层的反向传播，可能使梯度产生过大或过小的严重错误。例如，梯度过小会使传播回来地训练误差过于小，而梯度过大会导致模型训练出现非数。虽然现在有一些用来处理

3

这个问题的方法，例如批规范化操作(batchnormalization)和其他权重初始化的特殊方法，使得网络训练可以恢复正常了，但是又有新的问题产生：当我们继续增加网络的深度时，训练得到的结果准确度不增反减。这一结论令人难以理解，一个深层的神经网络训练效果却不如对应的浅层神经网络。这一现象在一段时间内困扰着更深层卷积神经网络的设计、训练和应用。但随着残差神经网络(ResNets)的出现，这一问题得到了解决。残差神经网学习的是其残差函数映射，这种方式显著地改进了卷积神经网络的网络结构，它可以将多层网络组合起来，拟合成一