基于改进CycleGAN的花粉灰度图像着色方法

摘要

针对生成式对抗网络对灰度图像着色时出现的颜色溢出和着色图像细节不足等问题，提出一种基于循环一致生成对抗网络(cycle-consistent generative adversarial networks,Cycle GAN)的花粉灰度图像着色方法。该方法从无监督学习的角度出发，采用Cycle GAN对图像进行着色。为解决花粉灰度图像着色中的着色不连续和着色图像不细腻等问题，引入非局部模块，以便有效获取图像的全局信息表征。此外，还引入自注意力机制，以此帮助网络更准确地判断像素点之间的空间位置关系，进而增强着色模型的学习能力。实验结果表明，该方法获得的峰值信噪比、结构相似性指数和平均主观意见分分别为28.673、0.956、4.567，在测试集上生成的彩色图像质量更好。该方法不仅有效地解决了颜色溢出和着色不连续等问题，还丰富了图像的细节信息。

关键词

花粉 / 灰度图像着色 / 深度学习 / 循环一致生成对抗网络 / 非局部模块 / 自注意力机制