Java 如何检测图像是否像素化

早些时候有人问过这样一个问题：还有

我试图找出用户上传的图像是否可以被检测为“像素化”。我所说的像素化是指图像：在我的情况下，我无法访问原始（非像素化）版本

我的方法：

不知道这种方法有多有效，但如果我能得到图像中每个像素的RGB，然后将其与相邻像素进行比较，看看它们是否相似，那么我就能检测到图像是像素化的？我可以得到像素的RGB，但不知道如何将它们与相邻像素进行比较

已经有这样的算法了吗？我还可以采取其他方法吗？我不受任何特定语言的约束

一些方法：

1） 执行canny或其他边缘检测，并改变边缘阈值以查看结果是否为网格。通过将Hough线检测器应用于生成的边缘图像，可以检测网格。见下文（2）

2） （这实际上是在边缘检测之前对图像进行阈值化；还建议使用中值滤波器或其他去噪滤波器平滑图像）。从左向右扫描，并在每个像素颜色变化时为像素指定黑色或白色。继续使用黑色/白色，直到颜色发生变化，并从黑色切换到白色或从白色切换到黑色。如果像素化，最终将得到类似网格的图像。您可以在iamge上运行标准直线检测（您也可以这样做），并查看结果直线的坡度是否垂直和平行，以及直线是否相当等距。互联网上有采样线检测算法（甚至Java实现）

这对直线检测和边缘检测算法有参考价值

编辑：为了回答来自mmgp的问题（+1表示挑战，我喜欢！），以下是我对问题中的示例图像所做的操作： 1） 边缘检测 2） 灰度 3） 休变换（高阈值） 附加的是休变换输出。通过计算所有具有水平/垂直坡度的线并计算它们之间的距离，可以识别网格模式。这并不自动意味着图像是像素化的（棋盘会显示为像素化）。可能存在误报

---

这里有一个相当简单的方法，可以工作：

从x和y平移1个像素的副本中减去图像

对列和行中的像素求和（我只在下面显示列）

计算出峰值位置的频率和标准偏差

如果标准偏差低于某个阈值，则图像将被像素化

步骤1之后的图像：

显示清晰的网格模式。现在，如果我们将像素列相加，我们得到：

现在，如果我们能够计算出峰列间距的规律性，并使用它作为阈值来确定图像是否像素化

下面是一些快速而粗略的python代码，给出了一种方法：

import numpy as np
import Image, ImageChops

im = Image.open('fireworks-pixelate-02.gif')    
im2 = im.transform(im.size, Image.AFFINE, (1,0,1,0,1,1))
im3 = ImageChops.subtract(im, im2)
im3 = np.asarray(im3)
im3 = np.sum(im3,axis=0)[:-1]
mean = np.mean(im3)
peak_spacing = np.diff([i for i,v in enumerate(im3) if v > mean*2])
mean_spacing = np.mean(peak_spacing)
std_spacing = np.std(peak_spacing)
print 'mean gap:', mean_spacing, 'std', std_spacing

输出：

mean gap: 14.6944444444 std: 3.23882218342

低标准=像素化图像

此未固定图像：

有这样一个对应的图表：

你的性病要高得多：

mean gap: 16.1666666667 std: 26.8416136293

注意这里，“平均差距”是没有意义的，因为标准差要高得多

---

希望这足以说明这种方法可以很好地工作。

这将是一个问题，有很多方法可以对图像进行像素化。即使使用单一方法，也可以任意旋转。理论上，这种旋转不应该影响像Hough这样的方法，但在实践中它确实会影响，因为不能以任意角度完全光栅化线。我的方法过于简单，它不会每次都有效（大多数时候可能会失败），但你真的必须更好地定义你想要做什么。你打算告诉用户：“嘿，你的图像是像素化的，我不想要它”？你想做什么不清楚，范围也不清楚

这就是方法。将图像分割为彩色通道，示例之一是托盘GIF，但它很容易被视为RGB图像。如果它是灰度，那么你最喜欢有一个通道，这很好。如果图像具有alpha通道，请将其混合或忽略。使用这种分离的颜色通道，在每个通道中应用形态学梯度，通过大津对每个通道进行二值化（因为它是自动的、相对较好的、容易获得的），并通过添加它们将n个二值通道合并为一个通道。形态学梯度将为强边缘（包括噪声）提供高响应，二值化步骤将保持它们。现在删除太小的组件并进行细化以获得一个像素宽的边缘。以下是我们通过以下步骤获得的示例图像：

现在我们继续检测这张细化的二值图像中的线条。我们的期望是，当图像被像素化时，它将形成许多矩形区域，但不能保证我们能够实际形成这些矩形区域。假设我们可以，把这些区域看作是一个连通的组件。然后，如果我们执行一个简单的组件分析，如：如果它的凸包的面积和它的边界框的面积之间的比率大于某个值，那么这个区域就是一个矩形区域。如果我们最终得到许多矩形区域，那么你说你的图像是像素化的（但实际上没有信心这样说）。接下来，我们将看到原始图像与检测到的线重叠，在右侧，我们将看到连接的组件（非黑色的点），这些组件在考虑使用大于95%的比率进行上述分析后仍然存在。在这种情况下，总共有542个连接组件，减少到483个。这意味着近90%的组件是矩形的。您也可以考虑其余组件的面积，或者将此分析与其他分析相结合，但我这里不这么做

这是你的印度菜

f = Import["http://www.caughtinthefire.com/wp-content/uploads/2009/03/\
     fireworks-pixelate-02.gif"]
split = Binarize[ImageSubtract[Dilation[#, 1], Erosion[#, 1]]] & /@ 
  ColorSeparate[f, "RGB"]
thin = Thinning[SelectComponents[Fold[ImageAdd, split[[1]], split[[2 ;;]]], 
  "Count", # > 10 &]]

lines = ImageLines[thin, 0.05, Method -> "RANSAC"];
Show[f, Graphics[{Thick, Blue, Line /@ lines}]] (* The left image above. *)
blank = Image[ConstantArray[255, Reverse@ImageDimensions[thin]]];
blankcc = ImagePad[Binarize[Image[Show[blank, 
  Graphics[{Thick, Black, Line /@ lines}]]]], 1, Black]
ccrect = SelectComponents[MorphologicalComponents[blankcc], {"BoundingBoxArea", 
  "ConvexArea"}, #2/#1 > 0.95 &];
Colorize[ccrect, ColorFunction -> "DarkRainbow"] (* The right image above. *)