问检测照片和呈现的图像

EN

我正在尝试，给出一个随机的图像，并使用NumPy来检测它是否是一张照片，而不是一张“呈现”的图像(比如地图)。图像可以是彩色的，也可以是黑白的，渲染图像中的渐变可能很容易使用0-255，所以计数颜色对灰度没有帮助。我不能使用EXIF/etc元数据。

到目前为止，我很快就尝试了一些方法，没有跳出来：

• 转换为灰度，然后查看直方图
• 然后查看每个频带的频率直方图(如RGB和YUV)。
• 看亮度的均值和标准差
• 基于机智和索贝尔滤波器的边缘检测
• 比较每幅图像中随机21x21块的GLCM特性
• 将图像压缩为JPEG (对照片有用)或Deflate (又名Deflate)。(用于地图)和每像素位的比较。

(建议我回去再看一看)

我通常是在分析大面积的随机样本，而不是像下面这样的小作物的样本，所以忽略偶尔的边缘情况的方法应该有效。

下面描述了当前的有希望的线索，我还没有看过的想法是：

• 一个也没留下

有什么算法/方法我应该看看吗？

HSV

对黑白图像的研究仍在进行中:) --但是所有渲染图像的色调和饱和度都比照片高得多，而且通常也有一个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

通过下面的代码计算，检查对比似乎要稍微好一些。照片一般看起来是<= 130，而地图一般是>= 150。虽然黑白地图的对比度很低(例如。11以下图片：

# 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)))

现行方法

我现在要说的是：

1. 从图像中分析多达8x512x512px随机斑块，所有这些都投票支持一个结果：
   1. 对于RGB图像，将补丁转换为HSV颜色。
   2. 创建B&W数据或色调带(np.histogram())的直方图(256个桶)
   3. 统计直方图中的非空箱，如果票数少于100，则为“地图”。
   4. 获取直方图(signal.argrelmax(hist, order=20))的峰值
   5. 如果最大峰值大于带宽总像素的9%，最大峰值为峰值均值的>=2x，则投票为“map”。
   6. 否则，投票就是“照片”。

​

1. 如果50%的选票是“地图”，那么结果就是“地图”。

如果你在一个数据集中有多个图像，并且可以在每个图像级别上重新投票，结果会变得更好。

B&W图像仍然有些不太好用。

示例图像

高对比度彩色照片。有些可能暴露得过高：

​

低对比度彩色照片：

​

高对比度B&W照片。再一次，有些人可能暴露得很过分：

​

低对比度黑白照片：

​

低对比度彩色地图：

​

高对比度地图：

​

B&W地图：

​