Image 检测照片与渲染图像

我正在尝试，给定一个随机图像并使用NumPy，检测它是照片还是“渲染”图像（如地图）。图像可以是彩色或黑白，渲染图像中的渐变可能很容易使用0-255，因此计算颜色对灰度没有帮助。我不能使用EXIF/etc元数据

到目前为止，我已经很快地尝试了一些方法，但没有任何意外：

• 转换为灰度，然后查看直方图
• 2D FFT，然后查看每个频带的频率直方图（如RGB和YUV）
• 查看亮度的平均值和标准偏差
• 基于小波变换和滤波器的边缘检测
• 比较每个图像中随机21x21面片的属性
• 将图像压缩为JPEG（适用于照片）或Deflate（aka.PNG）（适用于地图）并比较每个像素的位

（请随意建议我回去再看一眼）

我通常会分析较大区域的随机样本，而不是下面所示的小作物，因此忽略偶尔边缘情况的方法应该有效

目前有希望的潜在客户如下所述，我还没有看到的想法有：

• 没有留下

有什么算法/方法我应该关注吗

高速列车 黑白图像仍在进行中：）--但所有渲染图像的色调和饱和度都比照片要尖锐得多，并且通常有2-5倍的最大值

image_hsv = skimage.color.rgb2hsv(image_rgb)

hue_band, sat_band, val_band = np.squeeze(np.dsplit(image_hsv, 3))

band_hist, _ = np.histogram(hue_band.ravel(), bins=256)
peak_idx = np.signal.argrelmax(band_hist, order=20)[0]

peaks = band_hist[peak_idx]

对比度 通过下面的代码计算，检查对比度似乎稍微好一点。照片通常看起来是150张。尽管黑白贴图的对比度很低（如下图中的11）：

当前方法 我目前的想法是：

从图像中分析多达8个512x512px的随机面片，这些面片都投票支持结果：

对于RGB图像，将面片转换为HSV颜色

创建黑白数据或色调带的直方图（256个格）（

np.histogram（）

）

统计直方图中的非空箱子，如果少于100，则投票为“地图”

获取直方图的峰值（

signal.argrelmax（hist，order=20）

）

如果最大峰值大于频带内总像素的9%，且最大峰值大于等于峰值平均值的2倍，则投票为“地图”

否则，投票结果为“照片”

如果补丁中50%的投票是“地图”，则结果是“地图”

在彩色图像上运行时效果非常好，如果数据集中有多个图像，并且可以在每个图像级别上再次进行投票，结果会更好

黑白照片仍然有点随意

示例图像 高对比度彩色照片。有些可能过度暴露：

低对比度彩色照片：

高对比度黑白照片。同样，有些可能会过度暴露：

低对比度黑白照片：

低对比度彩色地图：

高对比度贴图：

---

黑白地图：

我同意这可能稍微超出了SO的范围。也许把它交给你

为了让你们开始，我建议你们看每一张图片的颜色，而不是颜色或对比度。您的边缘检测想法是朝着正确方向迈出的一步

---

一旦你将每张图像转换为一组数字纹理特征，你就可以使用一个新的方法将照片从合成图像中分离出来。

我认为这超出了StackOverflow的范围。也就是说，我认为这违反了“如果你能想象一整本书都能回答你的问题，那么你问得太多了。”关于。@farenorth“照片与否？”这一点我可以说得很简单：）我同意图像分类或物体检测或其他更复杂的东西，但希望有一个相对简单的答案可以帮助其他人。我同意这个问题在stats.stackexchange.com这样的网站上可能会得到更好的答案。然而，我将在这里提出一个快速建议，即尝试使用频率空间特性来完成此任务。自然图像往往具有相当规则的频谱，在低频时具有很大的功率，而“渲染”图像在高频时可能具有更大的功率。要检查具有相同颜色的平坦区域，生成的图像即使具有渐变也会具有这些功率，而真实照片很少。照片中的平面区域通常会有很多颜色。“照片与否”的问题是否超出了范围？不够专注？我真的不明白为什么这个问题是封闭的。

# image_rgb is a 3D numpy array: [
#                                 [ [r,g,b], [r,g,b], ... ],
#                                 [ [r,g,b], [r,g,b], ... ],
#                                 ...
#                                ]

# these constants from http://en.wikipedia.org/wiki/Relative_luminance
rgb2lum = numpy.array([0.2126, 0.7152, 0.0722])
luminance = numpy.dot(image_rgb, rgb2lum)

# for B&W images, luminance == image_bw already
rms_contrast = numpy.sqrt(numpy.mean(numpy.square(luminance)))