图像灰度转换的影响

Question

我看到许多机器学习(CNN)教程，转换读图像的灰度。我想知道模型将如何理解原始颜色/使用颜色作为一个识别标准，如果在整个模型创建过程中转换颜色？

Answer 1

考虑到颜色，图像处理问题可能有两种情况：

• 颜色在物体识别中不相关。 在这种情况下，将彩色图像转换为灰度图像并不重要，因为最终模型将从图像中的几何图形学习。图像二值化将通过识别光线和黑暗区域来帮助锐化图像。
• 颜色在物体识别中是相关的。 您可能知道，所有的颜色都可以表示为三种主要RGB颜色的某种组合。每个R，G和B值对于每个像素通常从0到255不等。然而，在灰度化中，某个像素值将是一维的，而不是三维的，它只是从0到255之间变化。所以，是的，在实际颜色方面会有一些信息丢失，但是，这是与图像清晰度的权衡。 因此，在每个点上都可以有一个R，G，B值的合并分数(可能是它们的平均值(R+G+B)/3)，它可以给出一个介于0到255之间的数字，这最终可以作为它们的代表。因此，像素不是特定的颜色信息，而是只携带强度信息。

参考资料：https://en.wikipedia.org/wiki/Grayscale

Answer 2

我想补充一下沙山克的回答。

1. 当一个模型得到一个图像时，它不会像我们一样感知它。人类用颜色的变化、颜色的恢复以及颜色的亮度来感知图像。我们也能识别物体和其他形状。
2. 然而，模型将图像视为一个矩阵，其中包含一组数字(如果是灰度图像)。在彩色图像的情况下，它把它看作三个矩阵，它们堆叠在一起，其中填充了数字(0 -255)。
3. 那么它是如何学习颜色的呢？嗯，它没有。它学到的是这个矩阵中数字的变化(在灰度图像的情况下)。这些变化对于确定图像的变化是至关重要的。如果CNN在这方面受到训练，它将能够检测图像中的结构，也可以用于弹出检测。