随着科学技术的快速发展,彩色图像的处理越来越热门,很多专家学者都对该领域做了深入的研究。图像的风格迁移在日常生活中的应用越来越多,对于人们的照片的处理也显得格外有趣。传统的图像风格迁移需要花费更多的时间和精力,也需要用户有更高的软件处理技巧。随着深度学习的不断发展,深度学习也被广泛应用于图像的风格迁移。这使得图像的风格迁移更加容易实现,不再是少数一部分人掌握的技巧。图像颜色迁移技术是风格迁移的一个分支,其目的是将参考图像的颜色分布信息迁移到源图像来增强图像的视觉美感。图像的颜色迁移在我们的生活中被广泛应用,其中随着移动设备的发展,人们可以将手机拍的照片直接进行图像的颜色风格迁移。然而,图像的颜色风格迁移对于源图像和参考图像的语义对应关系要求比较高,比如参考图像的天空、树木、草地的颜色应该对应的迁移到源图像的天空、树木、草地区域。本文重点研究在深度学习框架下保持图像语义对应关系的颜色迁移算法。首先,本文提出了一种语义对应关系引导的摄影图像颜色迁移算法,用来确保在将参考图像的颜色信息迁移到源图像时,源图像的语义信息保持原有的状态。首先利用双向最近邻域法在图像的特征域中寻找源图像与参考图像的语义对应关系,同时利用语义分割图像约束最近邻域法在特征域中的寻找范围,局部的获得更准确的语义对应关系。基于语义对应关系,利用加权最小二乘法完成图像合成。其中本文利用VGG-19神经网络对源图像和参考图像进行特征域的提取,分别提取conv1 1,conv2 1,conv3 1,conv4 1和conv5 1特征域,然后在每一层特征域建立语义对应关系。之后针对部分实验结果因为语义分割图像的不准确性导致的颜色迁移不完善的情况,本文提出了两种对于结果图像优化的方法。第一个方法是利用深度学习框架加上消光损失函数对图像进行图像优化算法,以保证语义准确性和转移忠实度。这个优化方法也是本文最终采取的优化方法。第二个图像优化方法是针对于利用加权最小二乘法进行图像成像之前的结果图像的图像优化方法,自动编码器图像优化算法,这个优化算法主要是使用上一步得到的源图像和参考图像的语义对应关系,在图像的特征域进行优化,最后使用自动编码器将特征域解码为最终的结果图像。此外还进一步扩展了本文所提出的方法,研究从数据库中自动检索参考图像以使用户在使用颜色迁移时更加友好。实验结果表明,本文所提出的方法能够成功地进行摄影图像的颜色风格转换,同时保持多样性场景之间的语义对应。用户研究也表明,本文的方法优于相关的摄影风格转移方法。