颜色恒常性是指当照射在物体表面的光照颜色发生变化时,人类对该物体表面颜色的感知仍然保持稳定的知觉特性。颜色恒常性算法可以通过估计光照颜色,再用估计结果对原始图像进行变换来实现。颜色恒常性算法在各类图像应用及计算机视觉算法方面的作用越来越突出,使用颜色恒常性算法校正图像,不但能使图像更符合美学标准,而且能对图像进行增强,使其更好地应用在计算机视觉算法中。本研究提出基于全卷积神经网络的颜色恒常性算法,设计加和池化层,将完整图像作为网络输入,使网络能够充分地学习图像的语义信息,并针对该网络设计视觉注意力模块以提升网络性能。最后,面向移动应用场景对算法进行优化,并在移动终端上进行部署。本论文的主要工作和创新点如下:(1)提出具有加和池化层的全卷积神经网络颜色恒常性算法。现有的使用卷积神经网络的颜色恒常性算法往往以局部图像块作为输入得到局部估计,再将所有局部估计经过某些方式组合成全局估计,大多数局部图像块所包含的语义信息非常少,导致模型不能更好地学习和预测场景中的光照信息,同时,大多数网络中包含全连接层,使网络的输入尺寸固定,导致测试图像的裁剪或变形,造成部分语义信息的缺失,测试图像的不完整性会导致测试结果精确度下降。本研究使用全卷积神经网络实现颜色恒常性算法,将完整图像作为输入,去除全连接层,使网络输入可以为任意大小,提出加和池化层,它的作用是将局部图像块的光照估计自适应地加权求和为全局光照估计,有效解决了局部图像块语义信息缺失问题和测试图像失真问题,显著地提高了算法的性能。在Color Checker数据集和NUS 8-Camera数据集上的测试结果表明,本研究提出的算法明显优于目前主流的算法。(2)针对本研究所提出的颜色恒常性深度学习网络设计注意力模块。分别设计了一个轻量级的通道注意力模块和一个轻量级的空间注意力模块,并通过串联的方式将这两种注意力模块结合得到两种混合注意力模块,在不明显增加模型尺寸、增加模型测试耗时的前提下明显地提升了模型的性能。(3)面向移动应用场景对本研究提出的颜色恒常性算法进行优化,并在移动终端上部署,验证算法的有效性和优化方案的可行性。本研究从数据增强和模型压缩两个方面优化模型。数据增强分析并去除颜色恒常性数据集的设备相关性,使训练所得模型适用于任意设备拍摄的图像,泛化能力更强;模型压缩从删除非测试必需结点与参数和权重量化两个角度进行,测试结果表明,模型压缩在不影响算法性能的前提下能将模型尺寸从141MB压缩到6.66MB,显著降低了模型对移动设备的资源需求;本研究所开发的安卓应用,运用所设计算法对用户选择、拍摄的照片进行实时白平衡校正,校正效果良好、用户体验流畅。