Question

我正在尝试，给定一个随机图像并使用NumPy，检测它是照片与“渲染”图像（如地图）。图像可以是彩色或黑色＆amp;白色和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无效。我无法使用EXIF / etc元数据。

方法到目前为止我已经很快就尝试了，没有任何跳出来：

转换为灰度，然后查看直方图
2D FFT然后查看每个频段的频率直方图（RGB和YUV）
看看手段＆amp;亮度的标准偏差
使用Canny和Sobel过滤器进行边缘检测
比较每张图片中随机21x21补丁的GLCM属性
将图像压缩为JPEG（适用于照片）或Deflate（也称为PNG）（适用于地图）并比较每像素位数

（随意建议我回去看看）

我通常会分析较大区域的随机样本，而不是像下面显示的示例那样的小作物，因此忽略偶然边缘情况的方法应该有效。

目前有前景的潜在客户如下所述，我尚未看到的想法是：

没有留下

我应该关注哪些算法/方法？

HSV

仍然是黑白图像的进展中的工作:) - 但色调＆amp;所有渲染图像的饱和度很多比照片更苛刻，并且通常也具有高出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

通过以下代码计算，检查对比度似乎稍好一些。照片通常看起来<= 130，并且地图通常>≥150。虽然黑白地图的对比度非常低（例如，下图中为11）：

# 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)))

目前的方法

我目前所使用的是：

从图像中分析最多8x 512x512px随机补丁，这些补丁都会对结果进行投票：
1. 对于RGB图像，将色块转换为HSV颜色
2. 创建B＆amp; W数据或Hue波段（np.histogram()）
3. 计算直方图中的非空格，如果小于100则投票为“地图”。
4. 获取直方图的峰值（signal.argrelmax(hist, order=20)）
5. 如果最大峰值和中的总像素的> 9％，则最大峰值> = 2倍于峰值的平均值，则投票为'map ”。
6. 否则，投票为'photo'
如果补丁中50％的投票数为“地图”，则结果为“地图”