一种图像检测方法、装置及电子设备

技术领域

本申请涉及图像检测技术领域，尤其涉及一种图像检测方法、装置及电子设备。

背景技术

随着互联网技术的高速发展，图像资源得到更广泛的应用，如应用于各类社交媒体、拼图等场景，随着各类修图软件(如Photoshop软件等)、MD5(Message-DigestAlgorithm，信息摘要算法)修改工具等对图像进行篡改，加剧了图像的恶意使用。

相关技术中，通常采用机器学习等方式对图像的相似度进行检测，机器学习方法受训练模型的影响较大，需要使用大量的样本数据进行模型训练、模型参数调优，占用较大的计算资源，且影响检测效率。另一种图像相似度检测方式是通过比较图像的MD5值来识别相似图像，然而，这种检测方式无法识别因修改图像附加属性如灰度、透明度等而导致MD5值发生改变的图像，从而导致图像相似度检测的准确度不高。

发明内容

为了解决现有的图像相似度检测方式检测效率低以及检测准确度不高的问题，本申请实施例提供了一种图像检测方法、装置及电子设备。

第一方面，本申请实施例提供了一种图像检测方法，包括：

获取待检测的第一图像和第二图像；

分别根据预设图像采样单元对所述第一图像和所述第二图像进行采样，得到所述第一图像采样后的各个第一图像采样区域，以及所述第二图像采样后的各个第二图像采样区域；

通过预设的第一相似度算法，确定每一第一图像采样区域与所述各个第二图像采样区域的各个相似性指数，所述第一相似度算法用于计算两个图像采样区域之间的相似程度；

基于相似性指数及设定的相似性指数临界值，通过预设的第二相似度算法确定所述第一图像与所述第二图像的相似性指数，得到图像检测结果，所述第二相似度算法用于计算两个图像之间的相似程度。

在一种实施方式中，分别根据预设图像采样单元对所述第一图像和所述第二图像进行采样，得到所述第一图像采样后的各个第一图像采样区域，以及所述第二图像采样后的各个第二图像采样区域，具体包括：

根据预设图像采样单元按照预设采样数量对所述第一图像进行采样，得到相应数量的第一图像采样区域；

根据预设图像采样单元对所述第二图像的像素进行采样，得到所述第二图像采样后的各个第二图像采样区域。

在一种实施方式中，通过预设的第一相似度算法，确定每一第一图像采样区域与所述各个第二图像采样区域的各个相似性指数，具体包括：

对于每一个第一图像采样区域，基于所述第一图像采样区域的各像素点的十进制颜色值生成所述第一图像采样区域的二维矩阵；

对于每一个第二图像采样区域，基于所述第二图像采样区域的各像素点的十进制颜色值生成所述第二图像采样区域的二维矩阵；

针对每一第一图像采样区域，根据所述第一图像采样区域对应的二维矩阵和各个第二图像采样区域对应的二维矩阵，确定所述第一图像采样区域与所述各个第二图像采样区域的各个相似性指数。

在一种实施方式中，所述第一图像采样区域与任一第二图像采样区域的相似性指数为所述第一图像采样区域对应的二维矩阵与所述任一第二图像采样区域对应的二维矩阵的相似度。

在一种实施方式中，在根据所述第一图像采样区域对应的二维矩阵和各个第二图像采样区域对应的二维矩阵，确定所述第一图像采样区域与所述各个第二图像采样区域的各个相似性指数之前，还包括：

将所述第一图像采样区域对应的二维矩阵进行归一化处理，以及将所述第二图像采样区域对应的二维矩阵进行归一化处理。

在一种实施方式中，所述相似性指数临界值通过以下方式设定：

预先指定所述每一第一图像采样区域的相似性指数临界值；或者

基于所述每一第一图像采样区域对应的二维矩阵确定各自对应的相似性指数临界值。

在一种实施方式中，基于所述每一第一图像采样区域对应的二维矩阵确定各自对应的相似性指数临界值，具体包括：

针对所述每一第一图像采样区域对应的二维矩阵，将所述第一图像采样区域对应的二维矩阵中的各个像素点的十进制颜色值重新进行排列生成设定数量的新的二维矩阵；

计算所述第一图像采样区域对应的二维矩阵和各个新的二维矩阵的相似性指数，得到候选相似性指数；

基于预设条件和所述候选相似度指数确定所述第一图像采样区域的相似性指数临界值。

在一种实施方式中，基于预设条件和所述候选相似度指数确定所述第一图像采样区域的相似性指数临界值，具体包括：

根据所述候选相似性指数的分布，确定在预设置信度条件下的置信区间；

将置信区间的下限值确定为所述第一图像采样区域的相似性指数临界值。

在一种实施方式中，基于相似性指数及设定的相似性指数临界值，通过预设的第二相似度算法确定所述第一图像与所述第二图像的相似性指数，包括：

统计与所述各个第二图像采样区域的各个相似性指数中包含大于等于或者仅大于所述相似性指数临界值的相似性指数的第一图像采样区域的第一数量；

将所述第一数量与所述预设采样数量的比值确定为所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，基于相似性指数及设定的相似性指数临界值，通过预设的第二相似度算法确定所述第一图像与所述第二图像的相似性指数，包括：

针对每一第一图像采样区域，从所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中，指定按照大小排序相同位次的相似性指数为所述第一图像采样区域的指定相似性指数；

根据每一所述第一图像采样区域的所述指定相似性指数生成第一向量；

根据所述每一第一图像采样区域各自对应的相似性指数临界值生成第二向量；

根据所述第一向量和所述第二向量的相似性，确定所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，基于相似性指数及设定的相似性指数临界值，通过预设的第二相似度算法确定所述第一图像与所述第二图像的相似性指数，包括：

针对每一第一图像采样区域，从所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中，指定按照大小排序相同位次的相似性指数为所述第一图像采样区域的指定相似性指数；

将大于等于所述相似性指数临界值的所述指定相似性指数赋值为第一固定值，将小于相似性指数临界值的所述指定相似性指数赋值第二固定值；或者

将大于相似性指数临界值的所述指定相似性指数赋值为第一固定值，将小于等于相似性指数临界值的所述指定相似性指数赋值第二固定值；

根据每一所述第一图像采样区域的第一固定值和第二固定值生成第一向量；

根据所述每一第一图像采样区域各自对应的相似性指数临界值生成第二向量；

根据所述第一向量和所述第二向量的相似性，确定所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，所述大于等于或者仅大于所述相似性指数临界值的相似性指数，或所述指定相似性指数，包括所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中的最大相似性指数。

第二方面，本申请实施例提供了一种图像检测装置，包括：

获取单元，用于获取待检测的第一图像和第二图像；

采样单元，用于分别根据预设图像采样单元对所述第一图像和所述第二图像进行采样，得到所述第一图像采样后的各个第一图像采样区域，以及所述第二图像采样后的各个第二图像采样区域；

确定单元，用于通过预设的第一相似度算法，确定每一第一图像采样区域与所述各个第二图像采样区域的各个相似性指数，所述第一相似度算法用于计算两个图像采样区域之间的相似程度；

检测单元，用于基于相似性指数及设定的相似性指数临界值，通过预设的第二相似度算法确定所述第一图像与所述第二图像的相似性指数，得到图像检测结果，所述第二相似度算法用于计算两个图像之间的相似程度。

在一种实施方式中，所述采样单元，具体用于根据预设图像采样单元按照预设采样数量对所述第一图像进行采样，得到相应数量的第一图像采样区域；根据预设图像采样单元对所述第二图像的像素进行采样，得到所述第二图像采样后的各个第二图像采样区域。

在一种实施方式中，所述确定单元，具体用于对于每一个第一图像采样区域，基于所述第一图像采样区域的各像素点的十进制颜色值生成所述第一图像采样区域的二维矩阵；对于每一个第二图像采样区域，基于所述第二图像采样区域的各像素点的十进制颜色值生成所述第二图像采样区域的二维矩阵；针对每一第一图像采样区域，根据所述第一图像采样区域对应的二维矩阵和各个第二图像采样区域对应的二维矩阵，确定所述第一图像采样区域与所述各个第二图像采样区域的各个相似性指数。

在一种实施方式中，所述第一图像采样区域与任一第二图像采样区域的相似性指数为所述第一图像采样区域对应的二维矩阵与所述任一第二图像采样区域对应的二维矩阵的相似度。

在一种实施方式中，所述装置，还包括：

归一化单元，用于在根据所述第一图像采样区域对应的二维矩阵和各个第二图像采样区域对应的二维矩阵，确定所述第一图像采样区域与所述各个第二图像采样区域的各个相似性指数之前，将所述第一图像采样区域对应的二维矩阵进行归一化处理，以及将所述第二图像采样区域对应的二维矩阵进行归一化处理。

在一种实施方式中，所述检测单元，具体用于通过以下方式设定所述相似性指数临界值：预先指定所述每一第一图像采样区域的相似性指数临界值；或者基于所述每一第一图像采样区域对应的二维矩阵确定各自对应的相似性指数临界值。

在一种实施方式中，所述检测单元，具体用于针对所述每一第一图像采样区域对应的二维矩阵，将所述第一图像采样区域对应的二维矩阵中的各个像素点的十进制颜色值重新进行排列生成设定数量的新的二维矩阵；计算所述第一图像采样区域对应的二维矩阵和各个新的二维矩阵的相似性指数，得到候选相似性指数；基于预设条件和所述候选相似度指数确定所述第一图像采样区域的相似性指数临界值。

在一种实施方式中，所述检测单元，具体用于根据所述候选相似性指数的分布，确定在预设置信度条件下的置信区间；将置信区间的下限值确定为所述第一图像采样区域的相似性指数临界值。

在一种实施方式中，所述检测单元，具体用于统计与所述各个第二图像采样区域的各个相似性指数中包含大于等于或者仅大于所述相似性指数临界值的相似性指数的第一图像采样区域的第一数量；将所述第一数量与所述预设采样数量的比值确定为所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，所述检测单元，具体用于针对每一第一图像采样区域，从所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中，指定按照大小排序相同位次的相似性指数为所述第一图像采样区域的指定相似性指数；根据每一所述第一图像采样区域的所述指定相似性指数生成第一向量；根据所述每一第一图像采样区域各自对应的相似性指数临界值生成第二向量；根据所述第一向量和所述第二向量的相似性，确定所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，所述检测单元，具体用于针对每一第一图像采样区域，从所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中，指定按照大小排序相同位次的相似性指数为所述第一图像采样区域的指定相似性指数；将大于等于所述相似性指数临界值的所述指定相似性指数赋值为第一固定值，将小于相似性指数临界值的所述指定相似性指数赋值第二固定值；或者将大于相似性指数临界值的所述指定相似性指数赋值为第一固定值，将小于等于相似性指数临界值的所述指定相似性指数赋值第二固定值；根据每一所述第一图像采样区域的第一固定值和第二固定值生成第一向量；根据所述每一第一图像采样区域各自对应的相似性指数临界值生成第二向量；根据所述第一向量和所述第二向量的相似性，确定所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，所述大于等于或者仅大于所述相似性指数临界值的相似性指数，或所述指定相似性指数，包括所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中的最大相似性指数。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请所述的图像检测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请所述的图像检测方法中的步骤。

本申请的有益效果如下：

本申请实施例提供的图像检测方法、装置及电子设备，获取待检测的第一图像和第二图像，分别根据预设图像采样单元对第一图像和第二图像进行采样，得到第一图像采样后的各个第一图像采样区域，以及第二图像采样后的各个第二图像采样区域，通过预设的第一相似度算法，确定每一第一图像采样区域与各个第二图像采样区域的各个相似性指数，第一相似度算法用于计算两个图像采样区域之间的相似程度，基于相似性指数及设定的相似性指数临界值，通过预设的第二相似度算法确定第一图像与所述第二图像的第二相似性指数，得到图像检测结果，第二相似度算法用于计算两个图像之间的相似程度，相似性指数临界值用于衡量图像采样区域的相似性指数的可信度，相比于现有技术，本申请实施例中，利用预设图像采样单元对第一图像进行采样得到各第一图像采样区域，对第二图像进行采样得到各第二图像采样区域，通过分别计算每一第一图像采样区域与各个第二图像采样区域的各个相似性指数，来衡量每一第一图像采样区域与各个第二图像的相似性程度，进而，基于每一第一图像采样区域之与各第二图像采样区域的各个相似性指数、设的的相似性指数临界值计算第一图像和第二图像的相似性指数，以第一图像和第二图像的相似性指数衡量第一图像与第二图像的相似性程度，上述图像相似性检测方式计算简单、占用较少的计算资源即可完成，提高了检测效率，并且，显著区别于传统图像处理中常用的色阶、灰度、子图Hash等方式，提高了图像相似性检测的准确度。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的图像检测方法的实施流程示意图；

图2为本申请实施例提供的第一图像采样示例图；

图3为本申请实施例提供的第二图像采样示例图；

图4为本申请实施例提供的确定每一第一图像采样区域与各个第二图像采样区域的各个相似性指数的实施流程示意图；

图5为本申请实施例提供的又一确定第一图像采样区域与第二图像采样区域的相似性指数的实施流程示意图；

图6为本申请实施例提供的确定相似性指数临界值的实施流程示意图；

图7为本申请实施例提供的确定第一图像与第二图像的相似性指数实施流程示意图；

图8为本申请实施例提供的又一确定第一图像与第二图像的相似性指数实施流程示意图；

图9为本申请实施例提供的又一确定第一图像与第二图像的相似性指数实施流程示意图；

图10为本申请实施例提供的图像检测装置的结构示意图；

图11为本申请实施例提供的电子设备的结构示意图。

具体实施方式

为了解决现有的图像相似度检测方式检测效率低以及检测准确度不高的问题，本申请实施例提供了一种图像检测方法、装置及电子设备。

以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本申请实施例提供的图像检测方法可应用于服务器，也可以应用于具有计算能力的终端设备，本申请实施例对此不作限定。

服务器可以是独立的物理服务器，也可以是提供云服务器、云数据库、云存储等基础云计算服务的云服务器。终端设备可以但不限于为：智能手机、平板电脑、笔记本电脑、台式计算机等，本申请实施例对此不作限定。

基于上述应用场景，下面将参照附图2～4更详细地描述本申请的示例性实施例，需要注意的是，上述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。

如图1所示，其为本申请实施例提供的图像检测方法的实施流程示意图，该图像检测方法可应用于服务器或终端设备，可以包括以下步骤：

S11、获取待检测的第一图像和第二图像。

具体实施时，如果应用于图像篡改检测场景中的图像相似性检测，第一图像可以为原图像，第二图像可以为检测是否相比于原图像发生篡改的图像。如果应用于其他仅仅需判定两个任意图像的相似性的场景，如拼图场景、相似图像过滤等场景，第一图像和第二图像可为任意两个图像，本申请实施例对此不作限定。

S12、分别根据预设图像采样单元对第一图像和第二图像进行采样，得到第一图像采样后的各个第一图像采样区域，以及第二图像采样后的各个第二图像采样区域。

具体实施时，可根据预设图像采样单元按照预设采样数量对第一图像进行采样，得到相应数量的第一图像采样区域，在实施过程中，可以根据预设图像采样单元按照预设采样数量对第一图像进行采样，也可以根据预设图像采样单元按照预设采样数量对第一图像逐像素进行采样，也可以使用其他任意地均匀采样方式，本申请实施例对此不作限定。

预设图像采样单元可以为对图像进行采样的矩形区域，可以预先设定图像采样单元的大小尺寸，如M×N，表示M行N列的矩形区域，包含M×N个像素点，可根据实际需求自行设定图像采样单元的大小M×N和采样数量C，例如，可设定预设图像采样单元的大小为10×4，本申请实施例对此不作限定。为保证检测准确性，采样数量C的设定可基于图像采样单元的大小和图像的总像素点个数进行设定，可设置采样的像素点的总个数与图片的总像素点个数的比值不低于设定阈值，采样的像素点的总个数等于图像采样单元包含的像素点个数与采样数量的乘积：M×N×C，设定阈值可根据需求自行进行设置，如可设置采样的像素点的总个数不低于图片的总像素点个数的80％，本申请实施例对此不作限定。

假设第一图像如图2所示，图像采样单元大小为6×4，在第一图像上按照预设的采样数量进行采样，得到相应数量的第一图像采样区域，图2中仅示出一个第一图像采样区域，每个第一图像采样区域的大小即为6×4，包含24个像素点。

在实施时，可根据预设图像采样单元对第二图像逐像素进行采样，得到采样后的各个第二图像采样区域，也可以根据预设图像采样单元对第二图像进行随机采样，本申请实施例对此不作限定。

在一种实施方式中，为了进一步提高检测的准确度，对第二图像采样根据预设图像采样单元逐像素遍历获取与第一图像采样区域相同的各个第二图像采样区域。

假设第二图像如图3所示，预设图样采样单元大小仍为6×4，则在第二图像逐像素遍历进行采样，得到各第二图像采样区域，为便于查看图3中仅示出六个第二图像采样区域，每个第二图像采样区域的大小也为6×4，包含24个像素点。

S13、通过预设的第一相似度算法，确定每一第一图像采样区域与各个第二图像采样区域的各个相似性指数。

具体实施时，第一相似度算法用于计算两个图像采样区域之间的相似程度，第一图像采样区域与任一第二图像采样区域的相似性指数为第一图像采样区域对应的二维矩阵与该任一第二图像采样区域对应的二维矩阵的相似度。

具体地，可以按照如图4所示的流程确定每一第一图像采样区域与各个第二图像采样区域的各个相似性指数，包括步骤：

S21、对于每一个第一图像采样区域，基于第一图像采样区域的各像素点的十进制颜色值生成第一图像采样区域的二维矩阵。

具体实施时，针对每一像素点，可根据该像素点的RGB值计算获得该像素点的十进制颜色值，具体地，将像素点的R值、G值和B值分别转换为十六进制数，将各自对应的十六进制数进行拼接，得到拼接后的十六进制数，再将拼接后的十六进制数转化为十进制数，该十进制数即为该像素点的十进制颜色值。假设某一像素点的R值为10，G值为255，B值为10，则R值对应的十六进制数为：0A，G值对应的十六进制数为FF，B值对应的十六进制数为：0A，拼接后的十六进制数为：0AFF0A，将0AFF0A转换为十进制数为：720650，则该像素点的十进制颜色值即为720650。

在实施时，针对每一个第一图像采样区域，按照该第一图像采样区域各像素点的位置及相应位置处像素点的十进制颜色值进行排列生成一个二维矩阵，即为该第一图像采样区域对应的二维矩阵。

例如，图2中示出的第一图像采样区域第一行各像素点的十进制颜色值依次为：3、5、14、0，第二行各像素点的十进制颜色值依次为：7、3、3、2，第三行各像素点的十进制颜色值依次为:7、3、2、2，第四行各像素点的十进制颜色值依次为：3、2、5、1，第五行各像素点的十进制颜色值依次为：0、0、0、0，第六行各像素点的十进制颜色值依次为：9、3、7、0，则将该第一图像采样区域中各个像素点的十进制颜色值按照在第一图像采样区域中的位置进行排列组成该第一图像采样区域对应的二维矩阵为：

按照同样的方式分别生成每一第一图像采样区域对应的二维矩阵。

S22、对于每一个第二图像采样区域，基于第二图像采样区域的各像素点的十进制颜色值生成第二图像采样区域的二维矩阵。

具体实施时，针对每一个第二图像采样区域，按照该第二图像采样区域各像素点的位置及相应位置处像素点的十进制颜色值进行排列生成一个二维矩阵，即为该第二图像采样区域对应的二维矩阵。

按照步骤S21同样的方式得到图3中第二图像采样区域(如左下角的第二图像采样区域)对应的二维矩阵：

按照同样方式分别生成每一第二图像采样区域对应的二维矩阵。

S23、针对每一第一图像采样区域，根据第一图像采样区域对应的二维矩阵和各个第二图像采样区域对应的二维矩阵，确定第一图像采样区域与各个第二图像采样区域的各个相似性指数。

其中，相似性指数表征相似程度，第一图像采样区域与第二图像采样区域的相似性指数表征第一图像采样区域与第二图像采样区域的相似程度。

具体实施时，针对每一第一图像采样区域对应的二维矩阵与每一第二图像采样区域对应的二维矩阵，可以通过计算第一图像采样区域对应的二位矩阵与第二图像采样区域对应的二维矩阵的相似度来确定第一图像采样区域与第二图像采样区域的相似性指数。

具体地，可以但不限于采用如下算法计算第一图像采样区域对应的二位矩阵与第二图像采样区域对应的二维矩阵的相似度：余弦相似度、欧氏距离、曼哈顿距离、杰卡德相似系数、皮尔逊相关系数等算法，本申请实施例对此不作限定。

在一种实施方式中，在计算第一图像采样区域对应的二维矩阵与第二图像采样区域对应的二维矩阵的相似度之前，还可以将第一图像采样区域对应的二维矩阵进行归一化处理，以及将第二图像采样区域对应的二维矩阵进行归一化处理，计算归一化后的第一图像采样区域对应的二维矩阵和归一化后的第二图像采样区域对应的二维矩阵的相似度，作为第一图像采样区域与第二图像采样区域的相似性指数。

在此实施方式中，具体可以按照如图5所示的流程确定第一图像采样区域与第二图像采样区域的相似性指数：

S31、将第一图像采样区域对应的二维矩阵中各像素点的十进制颜色值进行归一化处理以及将第二图像采样区域对应的二维矩阵中各像素点的十进制颜色值进行归一化处理，得到归一化后的第一图像采样区域对应的二维矩阵和归一化后的第二图像采样区域对应的二维矩阵。

具体实施时，在计算一个第一图像采样区域和一个第二图像采样区域的相似性指数时，先对该第一图像采样区域对应的二维矩阵中各个像素点的十进制颜色值进行归一化处理，得到归一化后的第一图像采样区域对应的二维矩阵，也就是说归一化后的第一图像采样区域对应的二维矩阵中的值为第一图像采样区域对应的二维矩阵中各个像素点的十进制颜色值的归一化值；对该第二图像采样区域对应的二维矩阵中各个像素点的十进制颜色值进行归一化处理，得到归一化后的第二图像采样区域对应的二维矩阵，也即：归一化后的第二图像采样区域对应的二维矩阵中的值为第二图像采样区域对应的二维矩阵中各像素点的十进制颜色值的归一化值。

具体地，可以但不限于按照如下公式对第一图像采样区域对应的二维矩阵中各个像素点的十进制颜色值进行归一化，得到各个像素点的十进制颜色值的归一化值：

其中，X

同样地，可按照如下公式对第二图像采样区域对应的二维矩阵中各个像素点的十进制颜色值进行归一化，得到各个像素点的十进制颜色值的归一化值：

其中，Y

仍延续上例，第一图像采样区域对应的二维矩阵为：

通过上述公式计算后得到归一化后的第一图像采样区域对应的二维矩阵：

第二图像采样区域对应的二维矩阵为：

归一化后的第二图像采样区域对应的二维矩阵为：

S32、根据归一化后的第一图像采样区域对应的二维矩阵和归一化后的第二图像采样区域对应的二维矩阵，确定第一图像采样区域与第二图像采样区域的相似性指数。

在一种实施方式中，可通过以下公式计算第一图像采样区域与第二图像采样区域的相似性指数：

其中，P表示第一图像采样区域对应的二维矩阵和第二图像采样区域对应的二维矩阵的相似度，将第一图像采样区域对应的二维矩阵和第二图像采样区域对应的二维矩阵的相似度P作为第一图像采样区域和第二图像采样区域的相似性指数；

X

采样区域的相似性指数P的取值范围为0～1，P值越大，表明两个采样区域的相似程度越高，当P＝0时，表明两个采样区域的差异性最大，即完全不一致，如果P＝1，表明两个采样区域之间无差异，二者完全相同。

仍延续上例，通过计算得到第一图像采样区域和第二图像采样区域的相似性指数为：0.683。

还可以通过计算归一化后的第一图像采样区域对应的二维矩阵与归一化后的第二图像采样区域对应的二维矩阵余弦相似度、欧氏距离、曼哈顿距离、杰卡德相似系数或皮尔逊相关系数来确定第一图像采样区域和第二图像采样区域的相似性指数，本申请实施例对此不作限定。

进而，分别计算出每一第一图像采样区域和各个第二图像采样区域的相似性指数。

S14、基于相似性指数及设定的相似性指数临界值，通过预设的第二相似度算法确定第一图像与第二图像的相似性指数，得到图像检测结果。

具体实施时，第二相似度算法用于计算两个图像之间的相似程度，第一图像与第二图像的相似性指数表征第一图像与第二图像之间的相似程度。

相似性指数临界值(也即采样区域的相似性指数临界值)用于衡量图像采样区域的相似性指数的可信度，可以根据经验值预先指定每一第一图像采用区域的相似性指数临界值，或者，也可以基于每一第一图像采样区域对应的二维矩阵确定各自对应的相似性指数临界值，还可以基于其他方法得到相似性指数的临界值，本申请对此不做限制。

具体地，可按照如图6所示的流程确定每一第一图像采用区域对应的相似性指数临界值，包括以下步骤：

S41、针对每一第一图像采样区域对应的二维矩阵，将第一图像采样区域对应的二维矩阵中的各个像素点的十进制颜色值重新进行排列生成设定数量的新的二维矩阵。

具体实施时，针对每一图像采样区域对应的二维矩阵，可采用Matlab软件中的随机函数unidrnd函数(或Python中的随机函数Random函数等其他任意随机函数)将第一图像采样区域对应的二维矩阵中的各个像素点的十进制颜色值顺序随机打乱进行重新排列成行列相同的新的二维矩阵，可重组设定次数以生成设定数量的新的二维矩阵，其中，设定次数的值与设定数量相等，设定数量的值可根据需求自行设定，例如可设置为20000，本申请实施例对此不作限定。其中，采用随机函数unidrnd函数(或Random函数)进行采样得到的样本符合正态分布。

S42、计算第一图像采样区域对应的二维矩阵和各个新的二维矩阵的相似性指数，得到候选相似性指数。

具体实施时，针对每一第一图像采样区域对应的二维矩阵及对应生成的新的二维矩阵，分别计算第一图像采样区域对应的二维矩阵和对应生成的各个新的二维矩阵的相似性指数，得到各个候选相似性指数，也即可得到设定数量的(如上述所设置的20000)个候选相似性指数。

S43、基于预设条件和候选相似度指数确定第一图像采样区域的相似性指数临界值。

具体实施时，可根据候选相似性指数的分布，确定在预设置信度条件下的置信区间，将置信区间的下限值确定为第一图像采用区域的相似性指数临界值。

具体地，基于候选相似性指数确定候选相似性指数的概率分布函数(也即：概率分布曲线)，在预设置信度条件下基于候选相似性指数的均值和标准差确定置信区间，将置信区间的下限值确定为第一图像采样区域的相似性指数临界值，其中，预设置信度(也即置信水平)可以根据需求自行进行设定，其取值范围在(0，1)，如可设置置信度为95％，本申请实施例对此不作限定。

在实施时，可以通过以下公式计算置信区间:

其中，Q

μ表示候选相似性指数的均值；

σ表示候选相似性指数的标准差；

α表示预设置信度，也即置信水平；

z

L表示样本大小，也即候选相似性指数的数量，也即设定数量。

其中，Q

本申请实施例中，将置信区间的下限值Q

仍延续上例，假设预设置信度为95％，计算出的候选相似性指数的均值为：0.67066，标准差为0.05501，则第一图像采样区域的相似性指数临界值为：Q

进而，可根据每一第一图像采样区域与各个第二采样区域的各个相似性指数、每一第一图像采样区域的相似性指数临界值以及预设采样数量确定第一图像与第二图像的相似性指数，具体可按照如图7所示的流程确定第一图像与第二图像的相似性指数，包括以下步骤：

S51、统计与各个第二图像采样区域的各个相似性指数中包含大于等于或者仅大于相似性指数临界值的相似性指数的第一图像采样区域的第一数量。

具体实施时，针对每一第一图像采样区域与各个第二图像采样区域的各个相似性指数，判断是否包含大于等于第一图像采样区域的相似性临界值的相似性指数，统计包含大于等于第一图像采样区域的相似性临界值的相似性指数的第一图像采样区域的数量，可记为第一数量，或者，判断是否包含仅大于第一图像采样区域的相似性临界值的相似性指数，统计包含仅大于第一图像采样区域的相似性临界值的相似性指数的第一图像采样区域的数量，记为第一数量，本申请实施例对此不作限定。其中，大于等于或者仅大于相似性指数临界值的相似性指数，包括第一图像采样区域与各个第二图像采样区域的各个相似性指数中的最大相似性指数。

S52、将第一数量与预设采样数量的比值确定为第一图像与第二图像的相似性指数。

具体实施时，可通过以下公式计算第一图像与第二图像的相似性指数：

其中，S

D表示与各个第二图像采样区域的各个相似性指数中包含大于等于或者仅大于相似性指数临界值的相似性指数的第一图像采样区域的第一数量；

C表示预设采样数量。

在一种实施方式中，还可以直接通过统计大于相似性指数临界值的最大相似性指数的第二数量，将第二数量与预设采样数量的比值确定为第一图像和第二图像的相似性指数。

具体实施时，针对每一第一图像采样区域，获取第一图像采样区域与各个第二图像采样区域的相似性指数中的最大相似性指数，这样，有C个第一图像采样区域，即可得到C个第一图像采样区域与第二图像采样区域的最大相似性指数，统计这C个最大相似性指数中大于各自对应的第一图像采样区域的相似性指数临界值的最大相似性指数的数量，可记为第二数量。

仍以图2和图3为例对第一图像采样区域与第二图像采样区域的最大相似性指数进行说明，假设图2中所示出的第一图像采样区域与图3中所示出的六个第二图像采样区域的相似性指数分别为：0.214、0.312、0.445、0.618、0.683、0.521，则该第一图像采样区域与第二图像采样区域的最大相似性指数为：0.683。

可通过以下公式计算第一图像与第二图像的相似性指数：

其中，S

D’表示大于相似性指数临界值的最大相似性指数的第二数量；

C表示预设采样数量。

在一种实施方式中，还可根据每一第一图像采样区域与各个第二采样区域的各个相似性指数和每一第一图像采样区域的相似性指数临界值确定第一图像与第二图像的相似性指数。具体可按照如图8所示的流程确定第一图像与第二图像的相似性指数，可以包括以下步骤：

S61、针对每一第一图像采样区域，从第一图像采样区域与各个第二图像采样区域的各个相似性指数中，指定按照大小排序相同位次的相似性指数为第一图像采样区域的指定相似性指数。

具体实施时，对于每一第一图像采样区域，将第一图像采样区域与各个第二图像采样区域的各个相似性指数按照由大到小的顺序(也可以按照由小到大的顺序)进行排列，将每一第一图像采样区域与各个第二图像采样区域的相似性指数中排在相同位次的相似性指数确定为每一第一图像采样区域的指定相似性指数。其中，第一图像采样区域的指定相似性指数包括第一图像采样区域与各个第二图像采样区域的各个相似性指数中的最大相似性指数。

例如，假设对第一图像采样后得到5个第一图像采样区域，对第二图像采样后得到10个第二图像采样区域，那么，每一个第一图像采样区域和10个第二图像采样区域有10个相似性指数，即有五组10个相似性指数，将这五组10个相似性指数分别按照大小顺序进行排序，则可将排序后的五组10个相似性指数相同位置处的相似性指数分别作为这5个第一图像采样区域的指定相似性指数，例如，可以将每组相似性指数中的最大相似性指数分别作为5个第一图像采样区域的指定相似性指数，如果排序方式为由大到小的顺序排列，也就是将每组的第一个相似性指数分别作为每一第一图像采样区域的指定相似性指数，也可以将每组相似性指数中的第二大值分别作为这5个第一图像采样区域的指定相似性指数，也就是将每组的第二个相似性指数分别作为每一第一图像采样区域的指定相似性指数，还可以将每组相似性指数中排列在任意相同位次的相似性指数分别作为每一第一图像采样区域的指定相似性指数，本申请实施例对此不作限定。

S62、根据每一第一图像采样区域的指定相似性指数生成第一向量。

S63、根据每一第一图像采样区域各自对应的相似性指数临界值生成第二向量。

S64、根据第一向量和第二向量的相似性，确定第一图像与第二图像的相似性指数。

具体实施时，可通过以下公式计算第一图像与第二图像的相似性指数：

其中，S

P

P

除了本申请的方法，向量之间的相似度还有众多公开的算法，因此可以任意选择一种或多种适用的向量相似度的算法，本申请在此不做限定。

第一图像与第二图像的相似性指数可反映第一图像与第二图像的相似性程度，第一图像与第二图像的相似性指数越高，则第一图像与第二图像的相似程度越高，第一图像与第二图像的相似性指数越低，则第一图像与第二图像的相似性程度越低。

在一种实施方式中，还可以按照如图9所示的流程确定第一图像与第二图像的相似性指数，可以包括以下步骤：

S71、针对每一第一图像采样区域，从第一图像采样区域与各个第二图像采样区域的各个相似性指数中，指定按照大小排序相同位次的相似性指数为第一图像采样区域的指定相似性指数。

本步骤的实施可参照步骤S61，此处不再赘述。

S72、将大于等于相似性指数临界值的指定相似性指数赋值为第一固定值，将小于相似性指数临界值的指定相似性指数赋值第二固定值；或者将大于相似性指数临界值的指定相似性指数赋值为第一固定值，将小于等于相似性指数临界值的指定相似性指数赋值第二固定值。

具体实施时，在得到每一第一图像采样区域的指定相似性指数之后，还可根据每一第一图像采样区域的相似性指数临界值分别对每一指定相似性指数进行如下处理：

在一种实施方式中，可以将大于等于第一图像采样区域的相似性指数临界值的指定相似性指数赋值为第一固定值，将小于第一图像采样区域的相似性指数临界值的指定相似性指数赋值第二固定值。

具体地，针对每一第一图像采样区域，将该图像采样区域的指定相似性指数与该图像采样区域的相似性指数临界值进行比较，若指定相似性指数大于等于相似性指数临界值，则将该指定相似性指数赋值为第一固定值，若指定相似性指数小于相似性指数临界值，则将该指定相似性指数赋值为第二固定值。

在一种实施方式中，还可以将大于第一图像采样区域的相似性指数临界值的指定相似性指数赋值为第一固定值，将小于等于第一图像采样区域的相似性指数临界值的指定相似性指数赋值第二固定值。

具体地，针对每一第一图像采样区域，将该图像采样区域的指定相似性指数与该图像采样区域的相似性指数临界值进行比较，若指定相似性指数大于相似性指数临界值，则将该指定相似性指数赋值为第一固定值，若指定相似性指数小于等于相似性指数临界值，则将该指定相似性指数赋值为第二固定值。

其中，第一固定值和第二固定值可根据需求自行进行设置，例如可以设置第一固定值为1，设置第二固定值为0，还可以设置为其他任意数值，本申请实施例对此不进行限制。

S73、根据每一第一图像采样区域的第一固定值和第二固定值生成第一向量。

本步骤中，根据将每一第一图像采样区域指定相似性指数赋值后的第一固定值和第二固定值生成第一向量。

S74、根据每一第一图像采样区域各自对应的相似性指数临界值生成第二向量。

S75、根据第一向量和第二向量的相似性，确定第一图像与第二图像的相似性指数。

具体实施时，可通过以下公式计算第一图像与第二图像的相似性指数：

其中，S

表示第i个第一图像采样区域与各个第二图像采样区域的相似性指数中的指定相似性指数赋值后的第一固定值或第二固定值，i＝1～C，C表示第一图像采样区域的预设采样数量；

P

除了本申请的方法，向量之间的相似度还有众多公开的算法，因此可以任意选择一种或多种适用的向量相似度的算法，本申请在此不做限定。本申请实施例提供的图像检测方法，基于图像像素点的RGB值，将图像采样区域转化为包含像素点的十进制颜色值和相对位置信息的二维矩阵，采用采样单元采样、相似性计算、显著性分析等确定两个图像的相似性，显著区别于传统图像处理中常用的色阶、灰度、子图Hash等方式，提高了图像相似性检测的准确度，通过调整采样单元的大小和采样数量可达到像素级的对比，随机采样的引入则使用局部(即采样单元)来分析整体图像，与MD5、机器学习等方法截然不同，能更好地分析嵌套类图像，拼图类等场景。并且，图像处理过程可见，标准统一，结果可量化(即：新的用于衡量图像相似程度的技术指标：图像的相似性指数)，应用范围广泛，无依赖，如可应用于图像篡改检测场景、拼图类场景、图像嵌套场景的图像相似度检测等。无需进行庞大的模型训练和复杂的参数调优等，计算简单、占用较少的计算资源即可完成，提高了图像的相似程度的检测效率。由于矩阵的特性(矩阵整体性变化不影响两个矩阵的相似性)，可更好地适用于修图类场景，如灰度、透明度调整的情况下对图像相似性的检出准确度仍然很高。

基于同一发明构思，本申请实施例还提供了一种图像检测装置，由于上述图像检测装置解决问题的原理与上述图像检测方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。

如图10所示，其为本申请实施例提供的图像检测装置的结构示意图，所述图像检测装置，可以包括：

获取单元81，用于获取待检测的第一图像和第二图像；

采样单元82，用于分别根据预设图像采样单元对所述第一图像和所述第二图像进行采样，得到所述第一图像采样后的各个第一图像采样区域，以及所述第二图像采样后的各个第二图像采样区域；

确定单元83，用于通过预设的第一相似度算法，确定每一第一图像采样区域与所述各个第二图像采样区域的各个相似性指数，所述第一相似度算法用于计算两个图像采样区域之间的相似程度；

检测单元84，用于基于相似性指数及设定的相似性指数临界值，通过预设的第二相似度算法确定所述第一图像与所述第二图像的相似性指数，得到图像检测结果，所述第二相似度算法用于计算两个图像之间的相似程度。

在一种实施方式中，所述采样单元82，具体用于根据预设图像采样单元按照预设采样数量对所述第一图像进行采样，得到相应数量的第一图像采样区域；根据预设图像采样单元对所述第二图像的像素进行采样，得到所述第二图像采样后的各个第二图像采样区域。

在一种实施方式中，所述确定单元83，具体用于对于每一个第一图像采样区域，基于所述第一图像采样区域的各像素点的十进制颜色值生成所述第一图像采样区域的二维矩阵；对于每一个第二图像采样区域，基于所述第二图像采样区域的各像素点的十进制颜色值生成所述第二图像采样区域的二维矩阵；针对每一第一图像采样区域，根据所述第一图像采样区域对应的二维矩阵和各个第二图像采样区域对应的二维矩阵，确定所述第一图像采样区域与所述各个第二图像采样区域的各个相似性指数。

在一种实施方式中，所述第一图像采样区域与任一第二图像采样区域的相似性指数为所述第一图像采样区域对应的二维矩阵与所述任一第二图像采样区域对应的二维矩阵的相似度。

在一种实施方式中，所述装置，还包括：

归一化单元，用于在根据所述第一图像采样区域对应的二维矩阵和各个第二图像采样区域对应的二维矩阵，确定所述第一图像采样区域与所述各个第二图像采样区域的各个相似性指数之前，将所述第一图像采样区域对应的二维矩阵进行归一化处理，以及将所述第二图像采样区域对应的二维矩阵进行归一化处理。

在一种实施方式中，所述检测单元84，具体用于通过以下方式设定所述相似性指数临界值：预先指定所述每一第一图像采样区域的相似性指数临界值；或者基于所述每一第一图像采样区域对应的二维矩阵确定各自对应的相似性指数临界值。

在一种实施方式中，所述检测单元84，具体用于针对所述每一第一图像采样区域对应的二维矩阵，将所述第一图像采样区域对应的二维矩阵中的各个像素点的十进制颜色值重新进行排列生成设定数量的新的二维矩阵；计算所述第一图像采样区域对应的二维矩阵和各个新的二维矩阵的相似性指数，得到候选相似性指数；基于预设条件和所述候选相似度指数确定所述第一图像采样区域的相似性指数临界值。

在一种实施方式中，所述检测单元84，具体用于根据所述候选相似性指数的分布，确定在预设置信度条件下的置信区间；将置信区间的下限值确定为所述第一图像采样区域的相似性指数临界值。

在一种实施方式中，所述检测单元84，具体用于统计与所述各个第二图像采样区域的各个相似性指数中包含大于等于或者仅大于所述相似性指数临界值的相似性指数的第一图像采样区域的第一数量；将所述第一数量与所述预设采样数量的比值确定为所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，所述检测单元84，具体用于针对每一第一图像采样区域，从所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中，指定按照大小排序相同位次的相似性指数为所述第一图像采样区域的指定相似性指数；根据每一所述第一图像采样区域的所述指定相似性指数生成第一向量；根据所述每一第一图像采样区域各自对应的相似性指数临界值生成第二向量；根据所述第一向量和所述第二向量的相似性，确定所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，所述检测单元84，具体用于针对每一第一图像采样区域，从所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中，指定按照大小排序相同位次的相似性指数为所述第一图像采样区域的指定相似性指数；将大于等于所述相似性指数临界值的所述指定相似性指数赋值为第一固定值，将小于相似性指数临界值的所述指定相似性指数赋值第二固定值；或者将大于相似性指数临界值的所述指定相似性指数赋值为第一固定值，将小于等于相似性指数临界值的所述指定相似性指数赋值第二固定值；根据每一所述第一图像采样区域的第一固定值和第二固定值生成第一向量；根据所述每一第一图像采样区域各自对应的相似性指数临界值生成第二向量；根据所述第一向量和所述第二向量的相似性，确定所述第一图像与所述第二图像的相似性指数。

在一种实施方式中，所述大于等于或者仅大于所述相似性指数临界值的相似性指数，或所述指定相似性指数，包括所述第一图像采样区域与各个第二图像采样区域的各个相似性指数中的最大相似性指数。

基于同一技术构思，本申请实施例还提供了一种电子设备900，参照图11所示，电子设备900用于实施上述方法实施例记载的图像检测方法，该实施例的电子设备900可以包括：存储器901、处理器902以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如图像检测程序。所述处理器执行所述计算机程序时实现上述各个图像检测方法实施例中的步骤，例如图1所示的步骤S11。

本申请实施例中不限定上述存储器901、处理器902之间的具体连接介质。本申请实施例在图11中以存储器901、处理器902之间通过总线903连接，总线903在图11中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线903可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器901可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器901也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器901是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器901可以是上述存储器的组合。

处理器902，用于实现本申请实施例提供的图像检测方法。

本申请实施例还提供了一种计算机可读存储介质，存储为执行上述处理器所需执行的计算机可执行指令，其包含用于执行上述处理器所需执行的程序。

在一些可能的实施方式中，本申请提供的图像检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行本说明书上述描述的根据本申请各种示例性实施方式的图像检测方法中的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。