这里有一个相当简单的方法，可以工作：
1.从x和y方向均平移1个像素的副本中减去图像。
1.按列和行对像素求和（我只在下面显示列）。
1.计算峰位置的频率和标准偏差。
1.如果标准偏差低于某个阈值，则图像被像素化。
步骤1后的图像：

的数据
显示出清晰的网格图案。现在，如果我们按列对像素求和，我们得到：

现在，如果我们可以计算出峰值列间距的规律性，并将其作为阈值来确定图像是否像素化。
下面是一些快速而粗略的Python代码，以给予一种方法的想法：

import numpy as np
import Image, ImageChops

im = Image.open('fireworks-pixelate-02.gif')    
im2 = im.transform(im.size, Image.AFFINE, (1,0,1,0,1,1))
im3 = ImageChops.subtract(im, im2)
im3 = np.asarray(im3)
im3 = np.sum(im3,axis=0)[:-1]
mean = np.mean(im3)
peak_spacing = np.diff([i for i,v in enumerate(im3) if v > mean*2])
mean_spacing = np.mean(peak_spacing)
std_spacing = np.std(peak_spacing)
print 'mean gap:', mean_spacing, 'std', std_spacing

字符串
输出量：

mean gap: 14.6944444444 std: 3.23882218342

型
低标准=像素化图像
这张未像素化的图像：

的
有一个类似这样的对应图：

产生更高的标准：

mean gap: 16.1666666667 std: 26.8416136293

型
这里请注意，“平均差距”是没有意义的，因为标准差要高得多。
希望这足以说明这种方法可以很好地工作。

一些办法：
1)执行canny或其他边缘检测并改变边缘阈值以查看结果是否是网格。可以通过将霍夫线检测器应用于所得到的边缘图像来检测网格。见下文（2）。
2)（这实际上是在边缘检测之前对图像进行阈值化;还建议用中值滤波器或其它噪声去除滤波器来平滑图像）。从左到右扫描，并在每个像素颜色变化时将黑色或白色分配给像素。继续使用黑色/白色，直到颜色发生变化，并从黑色切换到白色或从白色切换到黑色。如果像素化，你最终会得到一个像网格一样的图像。您可以在图像上运行一个标准的线检测（也可以对1执行），并查看结果线的斜率是否垂直和平行，以及这些线是否相当等距。互联网上有采样线检测算法（甚至Java实现）。
这个website参考了线检测和边缘检测算法。
编辑：在回答mmgp的问题（+1的挑战，我喜欢！），这是我对问题中的示例图像所做的：1）边缘检测2）灰度3）高变换（高阈值）通过评估具有水平/垂直斜率的所有线并计算它们之间的距离，可以辨别网格图案。这并不自动意味着图像是像素化的（棋盘将显示为像素化的）。可能会有假阳性。
x1c 0d1x的数据

这将是有问题的，有很多方法来像素化图像。即使使用单一方法，也可以任意旋转。从理论上讲，这种旋转不会影响像Hough这样的方法，但实际上会影响，因为您不可能以任意Angular 完美地光栅化线条。我的方法是简单的，它不会每次都有效（它可能会在大多数时候失败），但你真的必须更好地定义你想做什么。你会告诉用户：“嘿，你的图像是像素化的，我不想要它”？你想做什么不清楚，范围也不清楚。
这就是方法。将您的图像拆分为颜色通道，您的示例是一个调色板GIF，但可以很容易地看到RGB图像。如果它是一个灰度，那么你最喜欢有一个通道，这是罚款。如果你的图像有一个Alpha通道，混合它或忽略它。使用这种分离的颜色通道，在每个通道中应用形态梯度，通过大津对每个通道进行二值化（因为它是自动的，相对较好，易于获得），并通过将它们相加将n个二值通道合并成一个。形态学梯度将对强边缘（包括噪声）给予高响应，并且二值化步骤将保留它们。现在，您将删除太小的组件，并进行细化以获得一个像素宽的边缘。以下是我们在这些步骤之后获得的示例图像：

f = Import["http://www.caughtinthefire.com/wp-content/uploads/2009/03/\
     fireworks-pixelate-02.gif"]
split = Binarize[ImageSubtract[Dilation[#, 1], Erosion[#, 1]]] & /@ 
  ColorSeparate[f, "RGB"]
thin = Thinning[SelectComponents[Fold[ImageAdd, split[[1]], split[[2 ;;]]], 
  "Count", # > 10 &]]

字符串
现在，我们继续检测该细化的二进制图像中的线。我们的期望是，当图像像素化时，它会形成许多矩形区域，但不能保证我们实际上可以形成这些矩形区域。假设我们可以，将这些区域中的每一个视为一个连通的组件。然后，如果我们执行简单的分量分析：如果其船体的面积和其边界框的面积之间的比率大于某个值，则该面积是矩形面积。如果我们最终有许多矩形区域，那么你说你的图像是像素化的（但实际上没有信心说这样的事情）。接下来，我们看到原始图像与检测到的线重叠，在右侧，我们看到在考虑使用> 95%的比率所提到的分析之后保留的连接分量（不是黑色的点）。在这种情况下，总共有542个连接的组件，减少到483个。这意味着近90%的组件是矩形的。您也可以考虑剩余组件的面积，或者将此分析与其他分析结合起来，但这里不做这些。

lines = ImageLines[thin, 0.05, Method -> "RANSAC"];
Show[f, Graphics[{Thick, Blue, Line /@ lines}]] (* The left image above. *)
blank = Image[ConstantArray[255, Reverse@ImageDimensions[thin]]];
blankcc = ImagePad[Binarize[Image[Show[blank, 
  Graphics[{Thick, Black, Line /@ lines}]]]], 1, Black]
ccrect = SelectComponents[MorphologicalComponents[blankcc], {"BoundingBoxArea", 
  "ConvexArea"}, #2/#1 > 0.95 &];
Colorize[ccrect, ColorFunction -> "DarkRainbow"] (* The right image above. *)

型
这是你的“像素化”的指示。
以下是考虑到其他图像的其他结果。这始终是一系列三个图像的顺序：原始的，结果如上而不改变任何东西，在改变用于行检测的阈值之后结果如上。
所有检测到的都是矩形。但是这里的行检测阈值0.05太高了，在将其降低到0.01后，我们得到了更好的分量划分。

接下来，我们考虑一个超出我们期望的图像，所以我们最终只有很少的组件。不存在将给予更大量矩形分量的线检测阈值，因此第三图像是空的（或全黑的，因为没有分量剩余）。

最后，一个像素化的方块旋转。生成下面图像的过程可能与示例图像中使用的过程不同，但我不知道，因为我不是作者。右图是将线阈值提高到0.08的结果。这里的问题是，区域相对较大，我不会考虑像素化图像的检测。