通常，要采取的方法是具有对图像中的此类区域具有高价值的局部特征。

有许多方法可以塑造这样的特征。
可能最简单的方法是局部方差。

我尝试了 3 种不同的方法：

1. 过滤器的局部方差。
2. 超级像素的局部方差。
3. 使用来自单个图像的噪声级估计的弱纹理（作者：Masayuki Tanaka）。

我将它应用于 Lenna 图像并得到：

较高的值显示非均匀区域。
对于高 SNR 图像，您似乎可以使用局部方差。但超像素方法似乎更稳健。

在我看来，Super Pixel 结果是所有 3 中最好的。
它是通过以下方式实现的：

1. 应用基于超像素的分割（基于 SLIC）。
2. Per Label Mean
   通过每个超像素的索引计算每个超像素的平均值。
3. Per Label Variance
   仅使用其像素计算每个超像素的方差。

在更一般的形式中，如果您寻找同质性特征并使用它们来找到同质区域，然后选择逆。这些在细分中非常流行。

另一种方法是使用更高级的功能，例如：

1. 轻快的功能。
2. 快速功能。
3. 生猪功能。
4. MSER 特征。

然后计算在每个超级像素中找到了多少。具有更多功能的超级像素将不那么同质化。

完整代码可在我的StackExchange Signal Processing Q75536 GitHub 存储库中找到。

更新：今天我遇到了用于图像同质性量化的鲁棒无分割算法。

二维小波变换非常适合。它是一维 CWT 的扩展，我们将不同中心频率和“尺度”（时域宽度）的小波关联起来。

可以校准小波以检测

• 快速或慢速变化
• 在小的、局部的或大的、分散的图像部分

输出是一个 3D 数组，索引为：

• x: 以图像为中心的小波 x 坐标
• y: 以图像为中心的小波 y 坐标
• n：小波（产生输出）、控制频率（变化率）、宽度（变化的空间范围）和角度（变化的方向）

argmax然后，通过适当的单位转换索引并接管 2D 切片，可以找到例如“2cm x 2cm 区域上的最大变化” ；每个切片是每个变化的“强度热图” n。通过低通输出模数，以牺牲空间定位为代价，使输出对噪声具有鲁棒性。

例子

图片（来源）：

小波示例（j= 比例指数（宽度 + 频率），theta= 角度指数）：

按比例分组

scale=0捕捉小区间的快速变化，同时scale=3捕捉大区域的缓慢变化

按角度分组

通过对所有尺度进行平均来混淆方向信息。假设我们希望检测这种转变：

然后我们想要一个陡峭定向的大规模小波。事实上：

高阶变异

通过对小波变换进行小波变换，捕捉变化的变化得到：

（scale=0由于理论上的原因缺失）与一阶相比，我们看到左下角更强烈，这是由于颜色以变化的速度移动（更快地朝向分形奇点）。

优先快速

为了保持最快的变化， set J=1，它省略了低频小波并使低通变窄（也减少了子采样）：

输出太多？

只需使用您需要的那些。检查使用的小波，并保留一个子集（或仅一个）；代码中的示例。

J=3没有二次采样/低通

不能使用库代码，请参阅答案下方的评论。

莉娜示例

代码；可能会改善

走得更远

可以在具有分割目标的散射特征之上训练卷积网络；小波散射在有限数据设置的许多基准测试中达到了 SOTA。

更多例子——散射讲座。

图书馆

目前处于开发阶段，您可以通过以下方式获取最新版本（从此处）：

pip install git+https://github.com/kymatio/kymatio.git@refs/pull/674/head

或克隆dev没有kymatio.visuals. 内置模数 + 低通 + 二次采样，中心频率与比例相关。

代码

import numpy as np
import PIL
from kymatio.numpy import Scattering2D
from kymatio.visuals import imshow

def load_rgb(img):
    img = np.array(PIL.Image.open(path).convert("RGB")).astype('float64')
    img /= np.abs(img).max(axis=(0, 1))
    return img

def group_by_angle(out, J, L):
    n_S1 = J * L  # number of first-order coeffs
    S1_all = out[1:n_S1 + 1]

    theta_all = list(range(L))
    S1_slices = {k: [] for k in theta_all}

    i = 0
    for p1 in S.psi:
        S1_slices[p1['theta']].append(S1_all[i][None])
        i += 1

    for theta in S1_slices:
        S1_slices[theta] = np.vstack(S1_slices[theta]).mean(axis=0)[None]
    S1_theta = np.vstack(list(S1_slices.values()))
    return S1_theta

def group_by_scale(out, J, L):
    n_S1 = J * L  # number of first-order coeffs
    S1_all = out[1:n_S1 + 1]
    S1_scale = S1_all.reshape(L, -1, *out.shape[-2:], order='F').mean(axis=0)
    return S1_scale

def viz_by_angle(S1_theta, L, ticks=0):
    for theta in range(L):
        th = int(L - L/2 - 1) - theta
        angle = 90 * th / L
        imshow(S1_theta[theta], title=f"angle={angle}",
               w=.5, h=.5, abs=1, ticks=ticks)

def viz_by_scale(S1_scale, J, ticks=0, second_order=False):
    J = J - 1 if second_order else J
    for j in range(J):
        j_title = j + 1 if second_order else j
        imshow(S1_scale[j], title=f"scale={j_title}",
               w=.5, h=.5, abs=1, ticks=ticks)

def viz_all_first_order(out, J, L, ticks=0):
    n_S1 = J * L  # number of first-order coeffs
    S1_all = out[1:n_S1 + 1]

    for i, o in enumerate(S1_all):
        j, theta = S.psi[i]['j'], S.psi[i]['theta']
        th = int(L - L/2 - 1) - theta
        angle = 90 * th / L
        imshow(o, title=f"angle={angle}, scale={j}",
               abs=1, w=.5, h=.5, ticks=ticks)

def group_by_angle_second_order(out, J, L):
    n_S1 = J * L
    S2_all = out[n_S1 + 1:]
    theta_all = list(range(L))
    S2_slices = {k: [] for k in theta_all}

    i = 0
    for p1 in S.psi:
        j1 = p1['j']
        for n2, p2 in enumerate(S.psi):
            j2 = p2['j']
            if j2 <= j1:
                continue
            S2_slices[p2['theta']].append(S2_all[i][None])
            i += 1

    for theta in S2_slices:
        if S2_slices[theta] != []:
            S2_slices[theta] = np.vstack(S2_slices[theta]).mean(axis=0)[None]

    S2 = np.vstack([arr for arr in S2_slices.values() if len(arr) != 0])
    return S2

def group_by_scale_second_order(out, J, L):
    n_S1 = J * L
    S2_all = out[n_S1 + 1:]
    j_all = list(range(J))
    S2_slices = {k: [] for k in j_all}

    i = 0
    for p1 in S.psi:
        j1 = p1['j']
        for n2, p2 in enumerate(S.psi):
            j2 = p2['j']
            if j2 <= j1:
                continue
            S2_slices[p2['j']].append(S2_all[i][None])
            i += 1

    for j in S2_slices:
        if S2_slices[j] != []:
            S2_slices[j] = np.vstack(S2_slices[j]).mean(axis=0)[None]

    S2 = np.vstack([arr for arr in S2_slices.values() if len(arr) != 0])
    return S2

#%%
path = r"C:\Desktop\colors.png"
img = load_rgb(path)
#%%
imshow(img, w=.6, h=.6, title="%s x %s image" % img.shape[:2])
#%%
J, L = 4, 8  # largest scale; number of angles
S = Scattering2D(shape=img.shape[:2], L=L, J=J)

#%%
# take 3 wavelet transforms on each channel and average
out = np.mean([S(im) for im in img.transpose(-1, 0, 1)], axis=0)
#%%
S1_scale = group_by_scale(out, J, L)
viz_by_scale(S1_scale, J)
#%%
S1_theta = group_by_angle(out, J, L)
viz_by_angle(S1_theta, L)
#%%
S2_theta = group_by_angle_second_order(out, J, L)
viz_by_angle(S2_theta, L)
#%%
S2_scale = group_by_scale_second_order(out, J, L)
viz_by_scale(S2_scale, J, second_order=True)

#%%
viz_all_first_order(out, J, L)