检测图像是否像素化的最佳方法是什么？

Question

我试图判断图像是否像素化。我试图使用拉普拉斯方差方法来执行此操作，但我不确定它是否正常工作，因为使用我的代码返回的一个非常扭曲/像素化的图像具有非常高的 1011 方差：

import sys
import cv2
import imutils as im

csv_filename = sys.argv[1]

def variance_of_laplacian(image):
    # compute the Laplacian of the image and then return the focus
    # measure, which is simply the variance of the Laplacian
    # image = cv2.copyMakeBorder(image, 100, 100, 100, 100, cv2.BORDER_CONSTANT, value = [255, 255, 255])
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        # invert gray image
    gray = 255 - gray
    # cv2.imshow("result", gray)
    # cv2.waitKey(0)
    laplacian_var = cv2.Laplacian(gray, cv2.CV_64F).var()
    return laplacian_var

image = im.url_to_image(sys.argv[1])
laplacian_var = variance_of_laplacian(image)
print laplacian_var

是否有其他方法可以检测图像中的像素化或类似情况？

这是一张我认为在我的测试中像素化/扭曲/模糊的图像：

Answer 1

我认为您的问题与“.var()”有关。我不知道那是什么。但这是使用 numpy.var() 做你想做的事情的一种方法。

但请注意，除非您知道自己拥有相同的图像，否则拉普拉斯方差并不是测试像素化的好方法。

原始输入：

像素化输入：

import cv2
import numpy as np

# read original and pixelated image
img1 = cv2.imread('mandril3.jpg')
img2 = cv2.imread('mandril3_pixelated.png')

# convert to grayscale
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

# compute laplacians
laplacian1 = cv2.Laplacian(gray1,cv2.CV_64F)
laplacian2 = cv2.Laplacian(gray2,cv2.CV_64F)

# get variances
variance1 = np.var(laplacian1)
variance2 = np.var(laplacian2)
print ('variance of original image:', variance1)
print ('variance of pixelated image:', variance2)

# save images
cv2.imwrite('mandril3_laplacian.png', (255*laplacian1).clip(0,255).astype(np.uint8))
cv2.imwrite('mandril3_pixelated_laplacian.png', (255*laplacian2).clip(0,255).astype(np.uint8))

# show laplacian using OpenCV
cv2.imshow("laplacian1", laplacian1)
cv2.imshow("laplacian2", laplacian2)
cv2.waitKey(0)
cv2.destroyAllWindows()

原始图像的拉普拉斯算子：

像素化图像的拉普拉斯算子：

差异结果：

variance of original image: 4014.7300553284585
variance of pixelated image: 779.2810668945312

Answer 2

这是判断图像是否像素化的一种方法。以相同的跳跃因子在两个不同的偏移量处抽取它，并计算绝对差的平均值。如果均值为零，则它是像素化的。

在下文中，我使用 2 的跳跃和 0 和 1 的偏移。

原图：

像素化图像：

import cv2
import numpy as np

# read original and pixelated image
img1 = cv2.imread('mandril3.jpg')
img2 = cv2.imread('mandril3_pixelated.png')

# decimate images by some skip factor (2) for two different offsets (0 and 1)
dec1A = img1[::2, ::2]
dec1B = img1[1::2, 1::2]
dec2A = img2[::2, ::2]
dec2B = img2[1::2, 1::2]

# get mean of absolute difference
diff1 = cv2.absdiff(dec1A, dec1B)
mean1 = np.mean(diff1)
diff2 = cv2.absdiff(dec2A, dec2B)
mean2 = np.mean(diff2)
print('mean absdiff original image:', mean1)
print('mean absdiff pixelated image:', mean2)

# convert to grayscale
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

平均结果：

mean absdiff original image: 20.53973388671875
mean absdiff pixelated image: 0.0

Answer 3

如果我们对您的图像应用 FFT，我们会看到 lins，不是很明显但可见：

标记在这里：

您可以计算沿 X 和 Y 轴的直方图，并找出是否有尖峰。如果派克高于定义的阈值，则您有像素化图像。

您可以使用应用程序进行快速实验：http://www.jcrystal.com/products/ftlse/index.htm