Пусть СОБАКА вынюхивает размытие на фотографиях.

Если вы собираетесь наказывать за фотографии, увеличенные в цифровом виде, вы также можете наказывать за фотографии не в фокусе. Размытые края и детали в обоих случаях вызывают одинаково неприятные ощущения у зрителей, независимо от того, вызвано ли это маленьким оригиналом или плохой фокусировкой. Что вам нужно сделать, так это обнаружить размытие, то есть отсутствие высоких пространственных частот.

Попробуйте найти разницу между изображением и размытой копией самого себя. Если изображение уже размыто, размытие по Гауссу в 1 пиксель не изменит изображение так сильно, как если бы изображение было резким. Таким образом, будет больше различий между четким изображением и размытой версией, чем между размытым изображением и более размытой версией. В компьютерном зрении этот метод называется « разностью гауссианов » (СОС).

1. Откройте изображение в GIMP или другом многослойном фоторедакторе.
2. Дублируйте слой.
3. Примените Gaussian Blur с радиусом 1 пиксель к этому новому слою.
4. Измените режим слоя на «Разница». Изображение станет черным, кроме краев.
5. Повторите шаги 1–4 для заведомо резкого изображения аналогичного объекта, композиции и размера.
6. Сравните интенсивность краев на двух разностных изображениях. Вы можете посмотреть это на глаз или использовать гистограмму.

Я только что попробовал это на фотографии 400x480 пикселей и на той же фотографии, которая была уменьшена до 200x240 (50%), а затем снова увеличена до 400x480 (200%), и края на увеличенной фотографии были заметно тусклее. Это не будет окончательным при легком увеличении, таком как 140%, но оно выявит вопиющие случаи.

Несколько библиотек компьютерного зрения включают средства для вычисления разности гауссиан на изображении. Как и многие графические редакторы изображений. Последние версии GIMP, например. включите макрос DOG , который автоматизирует шаги со 2 по 4: Filters > Edge-Detect > Difference of Gaussians, затем установите радиусы на 1,0 и 0,0.

Связанные вопросы на других сайтах Stack Exchange:

• Разница вейвлета Гаусса, Лапласа, Гаусса и мексиканской шляпы в стеке обработки сигналов
• OpenCV: эффективная разность Гаусса при переполнении стека

DOG не найдет ближайшего соседа, но вы можете сделать это, ища набор строк и столбцов, которые идентичны их ближайшим соседям сверху или слева.

1. Откройте изображение.
2. Дублируйте слой.
3. Сместите новый слой на один пиксель вверх или влево.
4. Измените режим слоя на «Разница».
5. Ищите образец пустых строк.

Я не считаю, что это возможно в общем смысле. Существует множество возможных алгоритмов масштабирования с сигнатурой, которую может быть трудно однозначно определить без знания содержимого изображения (в качестве крайнего примера, увеличенная область однородного цвета по-прежнему остается однородным цветом...).

Возможно, можно было бы рассчитать показатель сложности изображения, например оценку энтропии (например, см. https://stackoverflow.com/questions/4935380/get-or-calculate-the-entropy-of-an-image-with -ruby-and-imagemagick ).

Если вы сделаете это для большого количества изображений, вы сможете сгенерировать статистику для всей коллекции. Затем вы можете вручную просмотреть изображения, которые являются выбросами в этой статистике.

К сожалению, это всегда будет приводить к ложным срабатываниям, и изображения, которые были хорошо масштабированы, могут не быть пойманы (но если они хороши, имеет ли это значение?)

На самом деле вы можете

Вам не нужна собака, чтобы понюхать картину. Перейти к:

http://rest7.com/image_upscaled

На этой странице вы можете загрузить свое изображение и получить исходные размеры , например:

{
  "is_upscaled": true,
  "current_width": "2000",
  "current_height": "928",
  "original_width": "1750",
  "original_height": "696",
  "accuracy": "82%",
  "accuracy_width": "82%",
  "accuracy_height": "82%",
  "success": 1
}

Иногда он не угадывает исходное разрешение правильно. Я думаю, это зависит от того, какой алгоритм масштабирования использовался на фотографии. Также я обнаружил, что если фотография была увеличена, а затем сжата в формат JPEG с сильным сжатием (например, 30%), артефакты JPEG затрудняют угадывание этой страницы. Но если ваши фотографии хорошего качества, масштабированные популярными методами (Lanczos, Bilinear), то они должны быть достаточно точными.

Вот 2 примера изображений:

ОРИГИНАЛ

https: // я. куча. изображение . ком / iXYKV.png

(извините, у меня недостаточно репутации, чтобы размещать более 2 ссылок)

УВЕЛИЧЕННОЕ И ОБРЕЗАННОЕ

Если вы разместите обрезанное фото, эта страница вернется:

{
  "is_upscaled": true,
  "current_width": "700",
  "current_height": "300",
  "original_width": 352.33333333333,
  "original_height": 151,
  "accuracy": "57%",
  "accuracy_width": "57%",
  "accuracy_height": "57%",
  "cropped": true,
  "success": 1
}

Таким образом, вы можете видеть, что обнаруженное изображение было увеличено и обрезано. Он не сообщит вам размер исходного изображения перед кадрированием, поскольку просто невозможно получить информацию о том, что было удалено, только из пикселей, которые остались нетронутыми.

Я бы выбрал гибридный подход. Я думаю, что другие идеи использования разности гауссианов, проверки EXIF ​​или других метаданных или даже БПФ могут быть объединены. Другой, возможно, более простой способ — просто взять каждое изображение, уменьшить его, снова увеличить и сравнить. Если они очень похожи (возможно, с использованием чего-то вроде Delta E ), то вполне вероятно, что они были увеличены (или размыты, как предполагает другой пост). Возможно, вы могли бы установить порог количества пройденных и не пройденных тестов? Если проходит более половины тестов, то это хорошо, в противном случае — плохо, или требуется вмешательство человека для проверки, или что-то в этом роде.

Вы должны быть в состоянии сделать достаточно хорошую работу, частично распаковав сами данные JPEG и проведя некоторый тривиальный подсчет.

Данные JPEG создаются путем выполнения дискретного косинусного преобразования исходных данных изображения, квантования (отбрасывания данных с высоким разрешением), затем прохождения полученного блока DCT по зигзагообразному шаблону и упаковки результирующего потока битов с помощью кодирования Хаффмана.

Если вы измените кодирование Хаффмана и отмените зигзаг, у вас будет ряд блоков DCT 8x8, в которых данные с самой низкой частотой находятся в верхнем левом углу блока, а информация о самой высокой частоте — в правом нижнем углу.

Это означает, что вы можете буквально взглянуть на данные в этом промежуточном формате и сказать, были ли они передискретизированы, потому что все блоки 8x8 будут иметь ненулевые значения только в верхнем левом углу (примерно).