从一维像素序列重建二维图像：未知尺寸下的复原方法问询

你提到的这种通过"同步指标峰值"锁定原始图像尺寸的思路，本质是利用自然图像的空间相关性特征，这类问题有成熟的实现逻辑，核心是通过计算不同候选宽度下的图像结构合理性指标，找到峰值对应的尺寸：

核心可用指标 #

• 相邻行像素相似度：自然图像中相邻行的对应位置像素通常具有较高相似性。当候选宽度等于原始宽度时，相邻行的像素差异总和会达到最小值（或相似度达到最大值）；如果用错误宽度分割，行边界会被强行截断，相邻行的像素差异会显著增大。
• 水平边缘能量：按错误宽度分割时，行与行的拼接处会产生大量虚假的水平边缘，计算图像的水平边缘能量（比如用Sobel算子检测水平边缘），真实尺寸对应的边缘能量会远低于错误尺寸的情况。
• 1D信号频域周期检测：把展平的像素序列看作一维信号，原始图像的行重复会让信号呈现周期为原始宽度的规律。通过FFT分析信号的频率成分，主周期对应的数值就是原始图像的宽度（或高度，需结合合理性判断）。

简单实现示例（伪代码） #

def find_original_image_size(pixel_list):
    total_pixels = len(pixel_list)
    max_similarity = -1.0
    best_width = 1

    # 仅遍历合理范围的候选宽度（避免无意义遍历）
    start_w = max(1, int(total_pixels**0.5) - 20)
    end_w = min(total_pixels, int(total_pixels**0.5) + 20)

    for w in range(start_w, end_w + 1):
        if total_pixels % w != 0:
            continue  # 仅考虑能整除的情况，保证行列数为整数
        h = total_pixels // w
        current_similarity = 0.0

        # 计算所有相邻行的平均相似度
        for row_idx in range(h - 1):
            row_start = row_idx * w
            next_row_start = (row_idx + 1) * w
            for p_idx in range(w):
                # 假设像素是RGB三元组，计算归一化相似度
                p1 = pixel_list[row_start + p_idx]
                p2 = pixel_list[next_row_start + p_idx]
                rgb_diff = sum((c1 - c2)**2 for c1, c2 in zip(p1, p2)) ** 0.5
                current_similarity += 1 - (rgb_diff / (255 * (3**0.5)))
        
        # 计算平均相似度得分
        avg_similarity = current_similarity / ((h - 1) * w)
        if avg_similarity > max_similarity:
            max_similarity = avg_similarity
            best_width = w

    # 补充检查高度作为宽度的情况（适配竖屏图像）
    best_height = total_pixels // best_width
    if best_height < best_width:
        best_width, best_height = best_height, best_width

    return best_width, best_height

注意事项 #

• 遍历范围不需要覆盖所有可能的因数，只需围绕总像素数的平方根附近展开即可，大幅减少计算量。
• 如果是灰度图像，可以简化像素差异的计算逻辑，直接用灰度值的绝对差即可。
• 对于噪声较大的图像，可以加入平滑处理（比如对相邻行的相似度做滑动平均），避免局部噪声干扰指标峰值的判断。

内容的提问来源于stack exchange，提问作者RGBA8888