我看到很多机器学习（CNN）教程，它以灰度转换读取的图像。我想知道如果在整个模型创建过程中转换颜色，模型将如何理解原始颜色/使用颜色作为一个标识标准？
答案 0 :(得分：0)
考虑到颜色，图像处理问题可能有2种情况：
颜色与对象识别无关
在这种情况下，将彩色图像转换为灰度图像无关紧要，因为最终模型将从图像中存在的几何图形中学习。图像二值化有助于通过识别明暗区域来锐化图像。
颜色与对象识别相关
您可能知道所有颜色都可以表示为三种主要RGB颜色的某种组合。对于每个像素，这些R，G和B值中的每一个通常在0到255之间变化。然而，在灰度缩放中，某个像素值将是一维的而不是三维的，并且它将在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，在每个点可能存在R，G，B值的组合得分（可能是它们的平均值（R + G + B）/ 3），这可以给出0到255之间的数字，最终可以是用作他们的代表。因此，像素只是携带强度信息而不是特定的颜色信息。
答案 1 :(得分：0)
我想补充Shashank的答案。
使用图像进行模拟的模型并不像我们那样感知它。人类通过颜色的变化，颜色的变化和亮度来感知图像。我们也能够识别物体和其他形状。
然而，模型将图像视为一个矩阵，其中包含一堆数字（如果它是灰度图像）。在彩色图像的情况下，它将其视为三个堆叠在一起的矩阵，其中填充有数字（0-255）。
那它是如何学习颜色的呢？嗯，它没有。它所学到的是该矩阵内数字的变化（在灰度图像的情况下）。这些变化对于确定图像的变化至关重要。如果CNN在这方面接受过培训，它将能够检测到图像中的结构，也可以用于物体检测。