我是深度学习领域的新手，遇到一个问题：如何判断两张图像的颜色和纹理是否均匀。例如，我有一张
主图像 –
现在，基于这张图像，我需要判断以下图像的纹理和颜色分布是否均匀 –
图像1 –
图像2 –
图像3 –
我需要开发一个算法来评估这三张图像与主图像的对比。该算法应通过图像1，并拒绝图像2（因为颜色差异）和图像3（因为颜色和纹理均匀性差异）。
我对这个问题的方法是直接分析图像以检测纹理。我发现局部二值模式（Local Binary Patterns）方法在所有纹理识别方法中表现良好（但我不确定）。我使用了Python中skimage的实现结合OpenCV，发现该方法有效。
from skimage import featureimport numpy as npimport cv2import matplotlib.pyplot as pltclass LocalBinaryPatterns: def __init__(self, numPoints, radius): # 存储点的数量和半径 self.numPoints = numPoints self.radius = radius def describe(self, image, eps=1e-7): # 计算图像的局部二值模式表示 # 然后使用LBP表示构建模式的直方图 lbp = feature.local_binary_pattern(image, self.numPoints, self.radius, method="uniform") (hist, _) = np.histogram(lbp.ravel(), bins=np.arange(0, self.numPoints + 3), range=(0, self.numPoints + 2)) # 归一化直方图 hist = hist.astype("float") hist /= (hist.sum() + eps) # 返回局部二值模式的直方图 return histdesc = LocalBinaryPatterns(24, 8)image = cv2.imread("main.png")gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)hist = desc.describe(gray)plt.plot(hist,'b-')plt.ylabel('特征向量')plt.show()它检测了特征并生成特征向量的直方图。我使用matplotlib绘制了直方图，并清楚地发现图像1和图像2的纹理特征与主图像几乎相同。而图像3的纹理特征不匹配。
然后我开始分析图像的颜色。我使用OpenCV绘制了颜色直方图，如下所示 –
import cv2from matplotlib import pyplot as pltdef draw_image_histogram(image, channels, color='k'): hist = cv2.calcHist([image], channels, None, [256], [0, 256]) plt.plot(hist, color=color) plt.xlim([0, 256])def show_color_histogram(image): for i, col in enumerate(['b', 'g', 'r']): draw_image_histogram(image, [i], color=col) plt.show()show_color_histogram(cv2.imread("test1.jpg"))我发现图像1的颜色直方图与主图像匹配。而图像2和3的颜色直方图不匹配。通过这种方式，我确定图像1是匹配的，而图像2和3不匹配。
但是，这是一种相当简单的处理方法，我不知道它会匹配多少误报。此外，我不知道这种方法是否是最佳的。
我还希望使用像CNN这样的单一且强大的算法来完成这个任务（但计算成本不应过高）。但我对CNN没有经验。所以我应该用主图像训练一个CNN吗？请指导我正确的方向。我还了解到LBCNNs，它们能解决这个问题吗？还有哪些更好的方法？
非常感谢您的帮助
回答：
CNN擅长捕捉数据集的底层特征和分布。但它们需要大量（数十万个示例）数据来学习和提取这些特征，这是一个非常昂贵的任务。对于高分辨率图像，还需要更多的参数来提取这些特征，这进一步要求更多的数据。
如果你有大量数据集，可以选择使用CNN，它可以捕捉到这些细微的纹理信息。否则，这些经典方法（你已经使用的方法）也同样有效。
还有一种方法称为迁移学习，我们使用在类似数据集上训练过的预训练模型，并在我们的小数据集上进行微调。如果你能找到这样的模型，这也可以是一个选择。
