机器学习噪声过滤答案

【问题标题】：ML noise filtering机器学习噪声过滤
【发布时间】：2018-06-23 02:00:28
【问题描述】：

给定一张图像 (2048x2018)，其中包含大量随机像素噪声（每个可能的图像>90%），整个图像中分布着多个相同颜色的像素。我想去除噪音，只留下相同颜色的像素。假设从所有随机像素中应该剩下 10 个红色、15 个橙色和 14 个黑色像素。

但是，重复像素的颜色事先是未知的。有多个不同颜色的图像。所以我正在尝试编写一种算法来过滤图像，直到只剩下重复的颜色。重复颜色的数量应尽可能接近实际数量，但不一定准确。

我认为这可以通过建立一个网络来过滤掉噪音来实现。但数据似乎过于随机，无法使用传统网络，因为除了重复像素之外没有其他模式。有没有办法在没有任何真实模式的情况下钙化分布值？也许还有其他方法可以在不对每种颜色进行暴力排序的情况下做到这一点？

【问题讨论】：

到目前为止你尝试了什么？
@GrantMiller Pooling - 获取一个块并扫描图像。这不起作用，因为颜色在块中不占主导地位，并且沿途被其他随机颜色取代。散列颜色并检查命中计数 - 同样，同一范围内的随机颜色太多，不适用于唯一颜色。

【解决方案1】：

听起来您需要使用某种池化，特别是 Average Pooling。您可以使用池化首先找出图像中的主要颜色，然后删除除主要颜色之外的所有颜色的像素，只留下您想要的颜色。

【讨论】：

这只有在颜色真正占主导地位的情况下才有效，就像现在一样 - 大部分图像都是噪点，很少有特定的颜色突出。假设我将平均 9x9 块，通常颜色本身甚至不会在该块中占主导地位（它存在的概率小于 10%）。这意味着平均池化将为图像的每个块创建平均值，从而混合这些颜色并提供不正确的结果。