我刚开始接触AI/ML，并试图用这些技术解决以下问题。我有一组（定制）图像，这些图像虽然具有共同特征，但也具有独特的模式/签名和颜色值。我应该使用哪套算法来按以下方式处理：1. 识别共同特征（例如在10×10毫米的图像中任意位置存在三角形）。如果存在，则继续，否则退出。2. 识别独特的模式/签名以单独识别每张图像。该模式/签名可以是形状（人眼可见或隐藏的，如使用背景图像的覆盖形状，没有边界）。3. 存储颜色色调/色度/饱和度以确定任何损失/差异（可能是因为捕获源与原始源不同）。
虽然这在某种程度上类似于人脸识别算法，但对我来说，饱和度/阴影很重要，而与方向无关。
我认为对于步骤#2可以使用CNN，而对于步骤#1可以使用SVN，关于训练的任何输入和具体细节将不胜感激。关于步骤#3，使用BGR2HSV怎么样？目标是使用ML/AI，而不是进入机器视觉领域。
回答：
- 识别共同特征（例如在10×10毫米的图像中任意位置存在三角形）。如果存在，则继续，否则退出。
从某种意义上说，你想要的是一个能够检测图像中模式的分类器。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形，但如果我给它展示一张包含三角形的图像，我不能指望它告诉我这是三角形，因为它之前从未见过三角形。缺点是，你的分类器最终会将它误分类为它知道存在的形状之一：要么是正方形，要么是圆形。优点是，你可以防止这种情况发生。
- 识别独特的模式/签名以单独识别每张图像。
你想要做的是在一个大量的标记数据上训练分类器。如果你希望分类器在图像中检测正方形、圆形或三角形，你必须用大量标记的正方形、圆形和三角形图像来训练它。
- 存储颜色色调/色度/饱和度以确定任何损失/差异（可能是因为捕获源与原始源不同）。
现在，你已经离开了简单的图像标记领域，进入了计算机视觉的世界。这不像一个简单的图像分类器那么简单，但这是可能的，并且有很多在线工具可以帮助你做到这一点。例如，你可以看看OpenCV。他们有Python和C++的实现。
我认为对于步骤#2可以使用CNN，而对于步骤#1可以使用SVN
你可以用卷积神经网络（CNN）来结合步骤1和步骤2。你不需要使用两步预测过程。然而，请注意，如果你给CNN传递一张汽车的图像，它仍然会将其标记为形状。你可以通过用一百万个形状的正样本和一百万个随机其他图像的负样本（类别为“其他”）来训练它来避免这种情况。这样，任何不是形状的东西都会被分类为“其他”。这是一种可能性。
关于步骤#3，使用BGR2HSV怎么样？目标是使用ML/AI，而不是进入机器视觉领域。
包含这一步骤后，除了进入计算机视觉领域别无选择。我不确定具体如何操作，但我可以保证OpenCV会为你提供一种方法。事实上，使用OpenCV，你将不再需要自己实现CNN，因为OpenCV有自己的图像标记库。
