我正在尝试实施一种解决方案，该解决方案将在某种程度上评估一张图片，告诉它从较小的图像放大的可能性有多大。
我的方法如下：
然后缩小图像并将其放大回相同的大小并比较熵。或者然后放大图像并将其缩小到相同的大小并比较熵。
听起来合理吗？我应该使用什么技术作为（1）？另外，也许我应该分小步做，这样我就不会引入太多的人工点？我的意思是，如果图像被放大（最好是立即放大到目标尺寸），这并不重要 - 但如果图像没有放大，这种增量改进对于图片来说会比立即拍摄和放大更好吗？
这是穷人的方法：
var histogram = []
foreach pixel
histogram.append(abs(pixel.value - pixel.south.value))
histogram.append(abs(pixel.value - pixel.east.value))
sort(histogram)
sharpness = histogram[histogram.count * 0.95]
upscaled = sharpness < X // You choose X experimentally
鉴于升级方法可以进行后处理，并且数据可以四舍五入或量化，完美的检测听起来很困难。但是，如果使用了基本的放大方法，使用多项式插值（线性、二次、三次），则图像可能具有几乎分段的多项式部分。分段多项式部分在现实世界的图像中非常不自然。
然后，可以使用具有一些消失矩的不同双正交小波（低次多项式对小波不可见）。小波子带至少在视觉上可以表现出接近于零的系数组、不同于自然噪声的方差块，或者像蒙德里安绘画那样的垂直和水平条纹。如下图所示。
这不是真正的图像，而是作为图像投射的地质网格。黄色条纹告诉我们，所谓的细网格确实放大了 1 倍使用简单的线性插值，我们可以在原始数据上进行验证。然而，这对于双三次和量化可能不太明显。
这是图像伪造检测的一个实例。图像伪造检测， Hany Farid 的一项调查（重采样一章）可以为您提供其他想法。
我不太确定它是如何工作的，但我使用了它并且工作正常。也许您可以尝试一下并弄清楚它是如何完成的？
http://rest7.com/image_upscaled
在那里，您可以上传您的图片并获得原始尺寸，如下所示：
{
"is_upscaled": true,
"current_width": "2000",
"current_height": "928",
"original_width": "1750",
"original_height": "696",
"accuracy": "82%",
"success": 1
}
比较图像的一种简单方法是模板匹配
它通常用于在较大的图像中找到较小的图像。
您也可以使用它来比较两个相同大小的图像的相似程度。
我链接到的opencv文章列出了许多不同的相关函数，例如平方差之和和相关系数。
这对于您正在做的事情是否足够准确，只有在您尝试过之后才会变得清晰。