这个问题可以通过图像分类来解决，这很可能是Google的解决方案。基本上，您要做的是（i）获得一组标记为3类的图像：照片，剪贴画和线条画； （ii）从这些图像中提取特征； （iii）使用图像的特征和标签来训练分类器。

特征提取：

在此步骤中，您必须提取视觉信息，这可能有助于分类器区分图像的3类：

• 图像直方图及其变体是一个非常基本但有用的视觉功能。例如，照片的灰度直方图可能比剪贴画的直方图更平滑，在剪贴画中，您的区域可能全都具有相同的颜色值。
• 可以使用的另一功能是将图像转换到频域（例如，使用FFT或DCT ）并测量高频分量的能量。由于线条图可能会具有鲜明的颜色过渡，因此其高频分量将倾向于积累更多的能量。

还可以使用许多其他特征提取算法 。

训练分类器：

在特征提取阶段之后，我们将为每个图像提供一个数值向量（我们将其称为图像特征向量）及其元组。这是训练分类器的合适输入。至于分类器，可以考虑神经网络 ， SVM 等 。

分类：

现在我们有了训练有素的分类器，要对图像进行分类（即检测图像类别），我们只需提取其特征并将其输入到分类器中，它将返回其预测的类别

相当简单但有效的方法来区分图纸和照片。结合使用它们可获得最佳精度：

1）MIME类型或文件扩展名

PNG通常是剪贴画或绘图，而JPEG主要是照片。

2）透明度

如果图像具有Alpha通道，则很可能是图形。如果存在Alpha通道，则可以另外遍历所有像素以检查是否确实使用了透明度。这是一个Python示例代码：

from PIL import Image
img = Image.open('test.png')
transparency = False
if img.mode in ('RGBA', 'RGBa', 'LA') or (img.mode == 'P' and 'transparency' in img.info):
    if img.mode != 'RGBA': img = img.convert('RGBA')
    transparency = any(px for px in img.getdata() if px[3] < 220)

print 'Transparency:', transparency

3）颜色分布

剪贴画通常具有相同颜色的区域。如果几种颜色构成了图像的重要部分，则它是一张图而不是照片。此代码输出由十种最常用的颜色构成的图像区域的百分比（Python示例）：

from PIL import Image
img = Image.open('test.jpg')
img.thumbnail((200, 200), Image.ANTIALIAS)
w, h = img.size
print sum(x[0] for x in sorted(img.convert('RGB').getcolors(w*h), key=lambda x: x[0], reverse=True)[:10])/float((w*h))

您需要调整和优化这些值。十种颜色足以存储您的数据吗？哪个百分比最适合您。通过测试大量样本图像来找出答案。 30％或更多通常是剪贴画。不过，不适用于天空照片或类似照片。因此，我们需要另一种方法-下一个。

4）通过FFT检测锐边

尖锐的边缘导致傅立叶频谱中的高频。通常，这些功能通常在图形中找到（另一个Python代码段）：

from PIL import Image
import numpy as np
img = Image.open('test.jpg').convert('L')
values = abs(numpy.fft.fft2(numpy.asarray(img.convert('L')))).flatten().tolist()
high_values = [x for x in values if x > 10000]
high_values_ratio = 100*(float(len(high_values))/len(values))
print high_values_ratio

此代码为您提供每个区域超过一百万个的频率数。再次：根据您的样本图像优化此类数字。

为您的图像集组合并优化这些方法。让我知道您是否可以改善-或只是编辑此答案。我想自己改善它：-)

直方图将是这样做的第一种方法。
将彩色图像转换为灰度并计算直方图。一个非常双峰的直方图，在黑色（或深色）和白色（或右侧）中有两个尖锐的峰值，可能还有更多的白色，这是画线的好兆头。
如果您只有几个峰，则可能是剪贴画类型的图像。
否则，是照片。