我正在尝试确定图像是否为正方形（像素化）。
我听说过使用 numpy 或 scipy 进行二维傅里叶变换，但它有点复杂。
目标是确定由于压缩不良导致的平方区域的数量，如下所示（img a）：
【问题讨论】：
如果你扫描它的线条，它会更容易一些，因为你处理的是线性图而不是二维图像图，这总是更简单。
解决方案：
在像素上扫描一条线，如果计算访问速度更快，则将该线放入一个数组中，然后对该线运行算法以确定块状：
1/ 遍历行中的每个像素，并通过减去两个像素之间的值将其与前一个像素进行比较。制作一个先前像素值的数组。如果像素值的大跳跃以常规方式进行，则它是块状的。如果值有较大的跳跃和值的小跳跃，则它是块状的......您可以假设如果有许多相等的像素差异，它是块状的，特别是如果您以 2 和 4 个相邻像素间隔重复分析两次，并且多行。
您还可以制作相距 3-5-10 像素的像素之间的像素差异图表，以获取有关图片采样线的渐变变化的更多信息。如果相邻像素和第 5 个相邻像素的像素差异比率相似，也表示颜色不平滑。
可以有许多算法，包括线性图上的快速傅里叶算法，与音频相同，您可以在图片中的行上使用它，这比 2d 图像算法更简单。
【讨论】：
我不知道这是否可行 - 但是，您可以尝试让最近的邻居围绕一个像素。像素化方块将是区域周围 RGB 值的可见跳跃。
你可以找到图像中每个像素的最近邻居
def get_neighbors(x,y, img):
ops = [-1, 0, +1]
pixels = []
for opy in ops:
for opx in ops:
try:
pixels.append(img[x+opx][y+opy])
except:
pass
return pixels
这将为您提供源图像区域中最近的像素。
要使用它，你会做类似的事情
def detect_pixellated(fp):
img = misc.imread(fp)
width, height = np.shape(img)[0:2]
# Pixel change to detect edge
threshold = 20
for x in range(width):
for y in range(height):
neighbors = get_neighbors(x, y, img)
# Neighbors come in this order:
# 6 7 8
# 3 4 5
# 0 1 2
center = neighbor[4]
del neighbor[4]
for neighbor in neighbors:
diffs = map(operator.abs, map(operator.sub, neighbor, center))
possibleEdge = all(diff > threshold for diff in diffs)
经过进一步思考，使用 OpenCV 进行边缘检测并获取轮廓尺寸。这样会更容易、更健壮。
【讨论】：