问图像识别与唯一性检测

EN

1. 识别共同的特征(比如在10x10毫米图像中的任意位置存在三角形)。如果有，继续，否则退出。

从某种意义上说，您需要的是一个能够检测图像中的模式的分类器。然而，我们可以训练分类器来检测图像中的某些类型的模式。

例如，我可以训练一个分类器来识别正方形和圆圈，但是如果我给它显示一个有三角形的图像，我不能指望它告诉我它是一个三角形，因为它以前从未见过。缺点是，你的分类器最终会将它错误地归类为它已知存在的形状之一:要么是方形，要么是圆形。好处是，你可以防止这种情况发生。

1. 标识唯一的模式/签名，以单独识别每个图像。

您想要做的是在一个、大量的标签数据上训练一个分类器。如果您希望分类器检测图像中的方块、圆圈或三角形，则必须使用大量标记的正方形、圆圈和三角形图像对其进行训练。

1. 存储颜色色调/色调/饱和度以确定任何丢失/差异(可能是因为捕获源与原始源不同)。

现在，你将离开简单的图像标记领域，进入计算机视觉的世界。这并不像普通的图像分类器那么简单，但它是可能的，而且有很多在线工具可以帮助您做到这一点。例如，您可以查看OpenCV。他们在python和C++中有一个实现。

我认为使用CNN可能是step#2和SVN用于step#1的方式。

您可以将步骤1和步骤2与卷积神经网络(CNN)结合起来。您不需要使用两步预测过程。但是，要小心，如果你把一辆汽车的图像传给CNN，它仍然会把它贴上形状的标签。再一次，你可以绕过这个问题，把它训练成一百万个正面的形状样本，还有一百万个带有“其他”类的随机其他图像的负样本。这样，任何不是形状的东西都会被归类为“其他”。这是一种可能性。

那么step#3，使用BGR2HSV呢？目标是使用ML/AI，而不是进入机器视觉。

有了这一步，就别无选择，只能进入计算机视觉领域。我不太清楚如何做到这一点，但我可以保证OpenCV会为您提供一种方法。事实上，使用OpenCV，您将不再需要实现您自己的CNN，因为OpenCV有自己的图像标签库。