Il problema sta impostando il margine di errore in modo troppo rigido per classificare un'immagine come in bianco e nero. Il trucco è non andare troppo oltre nella direzione opposta e classificare erroneamente le immagini a colori in bianco e nero.
Fai qualche ricerca sulla classificazione Bayes . Fondamentalmente, fai la classificazione manualmente per un campione delle tue immagini. Ciò ti darà la probabilità totale che un'immagine sia in bianco e nero nella tua collezione, così come le probabilità di una saturazione media in una data immagine in bianco e nero. Quindi, si utilizza una formula per confrontare la probabilità che una nuova immagine sconosciuta sia un'immagine in bianco e nero rispetto alla probabilità che sia di colore, data la sua saturazione media.
Ad esempio, il 10% delle immagini della tua raccolta è in bianco e nero, il 20% delle immagini in bianco e nero ha una saturazione media di 5, ma solo l'1% delle immagini a colori ha una saturazione media di 5.
black and white posterior for saturation of 5 = 0.1 * 0.2 = 0.02
color posterior for saturation of 5 = 0.9 * 0.01 = 0.009
Quindi classificherebbe un'immagine con saturazione di 5 come bianco e nero.
La cosa bella della classificazione di Bayes è che puoi usare più di un fattore nella tua determinazione, se trovi un'altra funzione che ritieni sia utile oltre alla saturazione. Forse la saturazione massima funziona meglio della media, oppure puoi combinare i due. Inoltre, non devi indovinare al punto giusto, perché si basa sul set di allenamento.