使用 Python 量化图像中的锐边

Question

为了区分图纸和照片，我想量化图像中的所有锐边。这种边缘是我们正在处理的图纸的典型特征，而它们在我们的照片中很少出现。

我听说锐利的边缘会在图像的 2D FT 频谱中产生高频。我可以用这段代码产生这样的光谱：

from PIL import Image
img = Image.open('test.jpg')

import numpy as np
img = img.convert('L')
img_as_np = np.asarray(img)
freq = np.fft.fft2(img_as_np)

我们打算使用示例图像来找到区分高频和低频的“正确”阈值。但是，上面的代码产生了一个矩阵（带有复数），我不知道如何从那里得到实际频率。任何数学天才可以帮助我，请:-)？

更新：我刚刚发现了以下函数：

np.abs(freq)

这似乎将复数转换为正浮点数。这些是我正在寻找的频率吗？这是一种在图像中寻找锐利边缘的工作方法吗？

更新 2：是的，np.abs() 完成了这项工作。这个问题可以被认为是答案。但我将其保持打开状态，以防有人知道区分图纸和照片的更可靠方法。

Answer 1

如果您发现 2D FFT 方法不令人满意，您可以考虑使用 opencv 解决此问题，因为该工具包已高度开发并提供了许多适合您描述的问题的工具。

一个潜在的策略：从有问题的图像构造一个image pyramid。然后，对生成的图像集执行edge detection 操作。棱角分明的边缘应该出现在金字塔的所有（或大部分）尺度上。

鉴于您描述的场景，与照片金字塔相比，我希望这些图纸在更大的尺度上表现出更多的高频能量（即边缘）。如果需要，Contours 可用于可视化各种比例的边缘。

或者，您可以考虑使用wavelet 解决方案。特别是，可以使用 Haar 小波来突出显示两种图像之间的能量差异。具有强高频分量的图像将表现出更高的差分系数值。因此，可以合理地预期您的绘图将在差分系数中捕获更多信号。您的鉴别过程可能只是比较差分系数的大小。这种思路引出了一个简单的图像分类方案：

1. 收集两组图像：一组图纸和一组照片。
2. 对每个图像执行 1 级或 2 级离散小波分解。
3. 对于每个图像，丢弃水平和垂直平均值，留下差分分量。将差分分量的绝对值求和以构成该图像的描述符。
4. 对每个群体的描述符进行分组，并执行一些基本统计。如果人口差异很大，您可以使用简单的距离度量来对未知图像进行分类：图像描述符更接近绘图描述符均值还是照片描述符均值？
5. 如果人口没有那么整齐地区分，还有很多其他分类器可以使用，（linear discriminants、neural networks 等）