我在Octave中编写的程序使用神经网络来识别手写数字。问题是如果颜色发生变化，它就无法正确识别数字。但如果颜色被反转，它会预测错误。例如：
上面的图片包含相同模式的相同数字，但它们的颜色是反转的。
我已经在使用RGB转灰度的转换方法。要如何克服这个问题？除了为反色图像使用单独的训练样本之外，有没有更好的选项？
回答：
特征提取
为了概括@的人名的建议，即使用边缘，我们可以提取多种类型的图像特征。这些包括边缘、角点、斑点、脊线等。实际上，mathworks的页面上有几个例子，包括使用HOG特征（方向梯度直方图）的数字识别。
这种技术应该也适用于更复杂的图像，因为边缘并不总是最好的特征。使用matlab的extractHOGFeatures从你的两张图像中提取HOG特征：
我相信如果你使用的是Octave，可以使用vlfeat来获取HOG特征。
另一个需要注意的重要事情是，你希望所有图像具有相同的大小。我已经将你的两张图像调整为500×500，但这只是任意的选择。
生成上述图像的代码
close all; clear; clc;% reading inimg1 = rgb2gray(imread('img1.png'));img2 = rgb2gray(imread('img2.png'));img_size = [500 500]; % % all images should have the same sizeimg1_resized = imresize(img1, img_size);img2_resized = imresize(img2, img_size);% extracting features[hog1, vis1] = extractHOGFeatures(img1_resized);[hog2, vis2] = extractHOGFeatures(img2_resized);% plottingfigure(1);subplot(1, 2, 1);plot(vis1);subplot(1, 2, 2);plot(vis2);你不一定要局限于HOG特征。你也可以快速尝试SURF特征
同样，反色并不重要，因为特征是匹配的。但你可以看到，HOG特征在这里可能是一个更好的选择，因为绘制的20个点/斑点并不真正代表数字6。获取上述matlab代码如下：
% extracting SURF featurespoints1 = detectSURFFeatures(img1_resized);points2 = detectSURFFeatures(img2_resized);% plotting SURF Featuresfigure(2);subplot(1, 2, 1);imshow(img1_resized);hold on;plot(points1.selectStrongest(20));hold off;subplot(1, 2, 2);imshow(img2_resized);hold on;plot(points2.selectStrongest(20));hold off;总结来说，根据问题的不同，你可以选择不同类型的特征。大多数情况下，选择原始像素值是不够好的，正如你从自己的经验中看到的，除非你有一个非常大的数据集，涵盖了所有可能的情况。
