图像分类方法、装置、电子设备及存储介质与流程

本公开涉及计算机视觉技术领域，具体而言，涉及一种图像分类方法、装置、电子设备和存储介质。

背景技术：

随着深度伪造篡改技术的持续进步，给深度伪造检测方法带来了极大的挑战。例如，基于生成式对抗网络(generativeadversarialnetworks，gan)可以生成逼真度极高的伪造数据，进而达到以假乱真的效果。

由于伪造方法的丰富性越来越高，导致使用单一检测模型来识别多种类型的伪造图像的难度越来越大。此外，篡改方法水平的参差不齐也将导致篡改类别数据类内差异度较大。因此，如何使用单一检测模型自适应地检测多种篡改方式的伪造图像尤为重要。

技术实现要素：

本公开实施例至少提供一种图像分类方法、装置、电子设备及存储介质。

第一方面，本公开实施例提供了一种图像分类方法，包括：

将待分类图像输入训练好的神经网络进行特征提取；

基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；

基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。

本公开实施例中，由于在提取到待分类图像的图像特征后，根据所提取的图像特征对原始分类中心特征产生偏移，得到目标分类中心特征，使调整后的目标分类中心特征更加适配当前待分类图像的分类。也即，由于当前待分类图像对原始分类中心特征的偏移量，是根据当前待分类图像自身的特征产生的，从而实现了分类中心特征的自适应调整，满足了各类不同的待分类图像，提高了图像分类的准确度。

根据第一方面，在一种可能的实施方式中，所述基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征，包括：

基于所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量；

基于所述偏移量与所述原始分类中心特征，得到所述目标分类中心特征。

本公开实施例中，先根据所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量，再基于所述偏移量与所述原始分类中心特征，得到所述目标分类中心特征，如此，不仅实现了目标分类中心特征的确定，还提高了目标分类中心特征的确定速度。

根据第一方面，在一种可能的实施方式中，所述原始分类中心特征包括原始真实样本类中心特征以及原始篡改样本类中心特征；所述目标分类中心特征包括目标真实样本类中心特征以及目标篡改样本类中心特征；

所述基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果，包括：

基于所述目标真实样本类中心特征以及所述目标篡改样本类中心特征，对所述待分类图像进行分类，得到所述分类结果。

本公开实施例中，由于所述原始分类中心包括原始真实样本类中心特征以及原始篡改样本类中心特征；使得在对待分类图像进行分类时同时根据两个分类中心特征进行分类，进而可以进一步提搞测试的准确度。

根据第一方面，在一种可能的实施方式中，所述基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征，包括：

基于所提取的图像特征，分别得到所述目标真实样本类中心特征相对于所述原始真实样本分类中心特征的第一偏移量，以及得到所述目标篡改样本类中心特征相对于所述原始篡改样本类中心特征的第二偏移量；

将所述第一偏移量与所述原始真实样本类中心特征相加，得到所述目标真实样本类中心特征，并将所述第二偏移量与所述原始篡改样本类中心特征相加，得到所述目标篡改样本类中心特征。

本公开实施例中，同时预测相对于原始真实样本类中心的第一偏移量与相对于原始篡改样本类中心的第二偏移量，并在特征维度进行逐元素相加，得到调整后分类中心，进而提高了所获得的目标真实样本类中心特征以及目标篡改样本类中心特征的适应性。

根据第一方面，在一种可能的实施方式中，所述基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果，包括：

将所提取图像特征分别与所述目标真实样本类中心特征以及所述目标篡改样本类中心特征进行比对，分别得到所述待分类图像与所述目标真实样本类中心特征之间的第一差异比较结果，以及所述待分类图像与所述目标篡改样本类中心特征之间的第二差异比对结果；

基于所述第一差异比较结果和所述第二差异比较结果，对所述待分类图像进行分类，得到分类结果。

根据第一方面，在一种可能的实施方式中，所述基于所述第一差异比较结果和所述第二差异比较结果，对所述待分类图像进行分类，得到分类结果，包括：

将所述第一差异比较结果和所述第二差异比较结果中指示差异最小的差异比对结果所对应的分类，确定为所述待分类图像所对应的分类结果。

根据第一方面，在一种可能的实施方式中，所述待分类图像包括测试图像，所述方法还包括：

获取所述测试图像对应的标注结果；

根据所述得到分类结果以及所述测试图像的标注结果，对所述训练好的神经网络进行参数调整，得到测试好的神经网络。

本公开实施例中，由于在得到分类结果后，还根据得到的分类结果对神经网络的参数进行调整，可以进一步提高神经网络的性能，进而提高了后续图像检测的可靠性。

第二方面，本公开实施例提供了一种图像分类装置，包括：

提取模块，用于将待分类图像输入训练好的神经网络进行特征提取；

计算模块，用于基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；

分类模块，用于基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。

根据第二方面，在一种可能的实施方式中，所述计算模块具体用于：

基于所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量；

基于所述偏移量与所述原始分类中心特征，得到所述目标分类中心特征。

根据第二方面，在一种可能的实施方式中，所述原始分类中心特征包括原始真实样本类中心特征以及原始篡改样本类中心特征；所述目标分类中心特征包括目标真实样本类中心特征以及目标篡改样本类中心特征；

所述分类模块具体用于：

基于所述目标真实样本类中心特征以及所述目标篡改样本类中心特征，对所述待分类图像进行分类，得到所述分类结果。

根据第二方面，在一种可能的实施方式中，所述计算模块具体用于：

基于所提取的图像特征，分别得到所述目标真实样本类中心特征相对于所述原始真实样本分类中心特征的第一偏移量，以及得到所述目标篡改样本类中心特征相对于所述原始篡改样本类中心特征的第二偏移量；

将所述第一偏移量与所述原始真实样本类中心特征相加，得到所述目标真实样本类中心特征，并将所述第二偏移量与所述原始篡改样本类中心特征相加，得到所述目标篡改样本类中心特征。

根据第二方面，在一种可能的实施方式中，所述分类模块具体用于：

将所提取图像特征分别与所述目标真实样本类中心特征以及所述目标篡改样本类中心特征进行比对，分别得到所述待分类图像与所述目标真实样本类中心特征之间的第一差异比较结果，以及所述待分类图像与所述目标篡改样本类中心特征之间的第二差异比对结果；

基于所述第一差异比较结果和所述第二差异比较结果，对所述待分类图像进行分类，得到分类结果。

根据第二方面，在一种可能的实施方式中，所述分类模块具体用于：

将所述第一差异比较结果和所述第二差异比较结果中指示差异最小的差异比对结果所对应的分类，确定为所述待分类图像所对应的分类结果。

根据第二方面，在一种可能的实施方式中，所述待分类图像包括测试图像；所述装置还包括：

获取模块，用于获取所述测试图像对应的标注结果；

调整模块，用于根据所述得到分类结果以及所述测试图像的标注结果，对所述训练好的神经网络进行参数调整，得到测试好的神经网络。

第三方面，本公开实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如第一方面所述的图像分类方法。

第四方面，本公开实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面所述的图像分类方法。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本公开实施例所提供的一种图像分类方法的流程图；

图2示出了本公开实施例所提供的另一种图像分类方法的流程图图；

图3示出了本公开实施例所提供的一种确定目标分类中心的方法流程图；

图4a示出了本公开实施例所提供的一种根据原始分类中心特征对待分类图图像进行分类的过程示意图；

图4b示出了本公开实施例所提供的一种确定目标分类中心特征的过程示意图；

图4c示出了本公开实施例所提供的另一种确定目标分类中心特征的过程示意图；

图5示出了本公开实施例所提供的一种对待分类图像进行分类以得到分类结果的方法流程图；

图6示出了本公开实施例所提供的一种神经网络的结构示意图；

图7示出了本公开实施例所提供的另一种对待分类图像进行分类以得到分类结果的方法流程图；

图8示出了本公开实施例所提供的再一种图像分类方法的流程图图；

图9示出了本公开实施例所提供的一种图像分类装置的结构示意图；

图10示出了本公开实施例所提供的另一种图像分类装置的结构示意图；

图11示出了本公开实施例所提供的一种电子设备的示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

深伪(deepfake)技术也被业界称为人工智能换脸技术，这种技术能对图像或视频进行数字处理以模仿某特定人物，产生众多虚假视音频内容，使辨别信息真伪变得困难。由于深度伪造内容存在潜在社会危害性，对伪造内容的检测和真伪鉴别非常必要。

现存的篡改伪造手段包括换脸、换表情、换五官、换人脸属性、全图仿真生成等，各类篡改手段生成的篡改图像差异较大，导致篡改数据类内差异度大，为模型检测带来困难。

另外，在未知篡改方式时，使用单一检测模型很难在多种篡改数据中达到稳定效果。因此，如何使用单一检测模型自适应地检测多种篡改方式的伪造图像尤为重要。

基于上述研究，本公开提供了一种图像分类方法，首先将待分类图像输入训练好的神经网络进行特征提取；接着基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；然后基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。如此，针对不同的待分类图像，会得到对应的目标分类中心特征，再基于目标分类中心特征对待分类图像进行分类，进而可以使得当前的模型适应不同类型的待分类图像。

为便于对本实施例进行理解，首先对本公开实施例所公开的一种图像分类方法进行详细介绍，本公开实施例所提供的图像分类方法的执行主体一般为具有一定计算能力的电子设备，该电子设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为移动设备、用户终端、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该图像分类方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

参见图1所示，为本公开实施例提供的图像分类方法的流程图，该图像分类方法包括以下s101～s103：

s101，将待分类图像输入训练好的神经网络进行特征提取。

示例性地，待分类图像是指需要检测真伪的图像，其可以是一张图像，也可以是对目标视频进行解码后所获取的某帧图像，在此不做限定。

应理解，将大量带有标签的样本图像输入神经网络进行训练学习，可以得到训练好的神经网络。其中，大量样本图像可以包括若干真实样本类图像以及若干篡改样本类图像。如此，经过对大量样本图像的训练可以得到用于对待分类图像进行分类的原始分类中心特征。

s102，基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得。

示例性地，可以基于所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量；然后将所述偏移量与所述原始分类中心特征相加，得到所述新分类中心特征。如此，可以使得得到的目标适配当前待分类图像的分类。

s103，基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。

示例性地，可以将所提取的待分类图像的图像特征与所述目标分类中心特征进行对比，若比对结果在预设范围内，则可确定所述待分类图像为真实图像或者是篡改图像。其中，具体的比对分类方法将在后文进行详述。

本公开实施例中，由于在提取到待分类图像的图像特征后，根据所提取的图像特征对原始分类中心特征产生偏移，得到目标分类中心特征，使调整后的目标分类中心特征更加适配当前待分类图像的分类。也即，由于当前待分类图像对原始分类中心特征的偏移量，是根据当前待分类图像自身的特征产生的，从而实现了分类中心特征的自适应调整，满足了各类不同的待分类图像，提高了图像分类的准确度。

在一些实施方式中，为了进一步提高图像检测准确度，所述原始分类中心特征包括原始真实样本类中心特征以及原始篡改样本类中心特征。也即，本公开提供的技术方案可以通过神经网络来实现，并在训练神经网络的过程中，会根据输入的样本图像的真伪进行训练，分别得到原始真实样本类中心特征以及原始篡改样本类中心特征。因此，参见图2所示，为本公开实施例提供的另一种图像分类方法的流程图，该图像分类方法包括以下s201～s203：

s201，将待分类图像输入训练好的神经网络进行特征提取。

其中，步骤s201与上述步骤s101类似，在此不再赘述。

s202，基于所提取的图像特征以及原始真实样本类中心特征，得到与所述待分类图像相对应的目标真实样本类中心特征，并基于所提取的图像特征以及原始篡改样本类中心特征，得到与所述待分类图像相对应的目标篡改样本类中心特征。

示例性地，如图3所示，步骤s202可以包括以下s2021～2022：

s2021，基于所提取的图像特征，分别得到所述目标真实样本类中心特征相对于所述原始真实样本分类中心特征的第一偏移量，以及得到所述目标篡改样本类中心特征相对于所述原始篡改样本类中心特征的第二偏移量。

示例性地，可根据如下公式以及当前所提取的图像特征，分别得到第一偏移量以及目标篡改样本类中心特征相对于所述原始篡改样本类中心特征的第二偏移量。

其中，x为所提取的图像特征；[wiwn；]为分类中心特征；τ为比例因子；by对应不同的分类中心特征。

具体地，在神经网络中，可以通过神经网络的两个全连接层来得到偏移量。其中，该两个连接层分别具有归一化处理功能(softmax)以及线性整流函数(rectifiedlinearunit，relu)。该relu又称修正线性单元，是一种人工神经网络中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数。

s2022，将所述第一偏移量与所述原始真实样本类中心特征相加，得到所述目标真实样本类中心特征，并将所述第二偏移量与所述原始篡改样本类中心特征相加，得到所述目标篡改样本类中心特征。

示例性地，将待分类图像经训练好的神经网络进行特征提取后得到图像特征，该图像特征为高维特征，经过降维后形成二维平面的示意图如图4a中所示，其中，a所指的wr代表原始真实样本类分类中心特征，b所指指的wf代表原始篡改样本类分类中心特征，“+”代表分类结果为篡改图像的待分类图像，“·”代表分类结果为真实图像的待分类图像。

示例性地，可以采用t-sne算法将高维特征映射到二维平面。其中，t-sne是用于降维的一种机器学习算法。具体地，t-sne是一种非线性降维算法，适用于高维数据降维到2维或者3维，进行可视化。

s203，基于所述目标真实样本类中心特征以及所述目标篡改样本类中心特征，对所述待分类图像进行分类，得到所述分类结果。

示例性地，参见图4a所示，原始真实样本类分类中心特征a和原始篡改样本类分类中心特征b确定了原始分类面s，若依照原始真实样本类分类中心特征a和原始篡改样本类分类中心特征b对待分类图像分类，会将原本是真实图像的待分类图像x分类为篡改图像，而将原本是篡改图像的待分类图像y分类为真实图像，进而会导致待分类图像x和待分类图像y分类不准的情况。

然而，采用本方案的步骤后，参见图4b所示，首先根据提取的待分类图像x的图像特征，分别确定第一偏移量及第二偏移量，然后基于第一偏移量和第二偏移量得到目标真实样本类分类中心特征a1及目标篡改样本类分类中心特征b1，目标真实样本类分类中心特征a1及目标篡改样本类分类中心特征b1重新确定了目标分类面s1，从图4b中可以看出，在对原始真实样本类分类中心特征a和原始篡改样本类分类中心特征b进行调整之后，待分类图像x的分类结果为真实图像，也即此时的分类结果是准确的。

同理，参见图4c所示，首先根据提取的待分类图像y的图像特征，分别确定第一偏移量及第二偏移量，然后基于第一偏移量和第二偏移量得到目标真实样本类分类中心特征a2及目标篡改样本类分类中心特征b2，目标真实样本类分类中心特征a2及目标篡改样本类分类中心特征b2重新确定了目标分类面s2，从图4c中可以看出，在对原始真实样本类分类中心特征a和原始篡改样本类分类中心特征b进行调整之后，待分类图像y的分类结果为篡改图像，也即此时的分类结果是准确的，提高了神经网络的适用性。

示例性地，如图5所示，一些实施方式中，针对上述步骤s203可以包括以下s2031～s2032：

s2031，将所提取图像特征分别与所述目标真实样本类中心特征以及所述目标篡改样本类中心特征进行比对，分别得到所述待分类图像与所述目标真实样本类中心特征之间的第一差异比较结果，以及所述待分类图像与所述目标篡改样本类中心特征之间的第二差异比对结果。

s2032，基于所述第一差异比较结果和所述第二差异比较结果，对所述待分类图像进行分类，得到分类结果。

示例性地，参见图6所示，将待分类图像(a)输入至神经网络后进行特征提取，根据所提取到的图像特征可以分别得到目标真实样本类中心特征以及目标篡改样本类中心特征；然后将待分类图像分别与目标真实样本类中心特征以及目标篡改样本类中心特征进行比对，得到第一比对结果及第二比对结果；再根据比对结果确定当前待分类图像的分类结果。

比如，若当前待分类图像与目标真实样本类中心特征的比对差异结果较小，说明当前待分类图像是真实图像的概率越大；反之，若当前待分类图像与目标篡改样本类中心特征的比对差异结果较小，说明当前待分类图像是篡改图像的概率较大。因此，在一些实施方式中，可以将将所述第一差异比较结果和所述第二差异比较结果中指示差异最小的差异比对结果所对应的分类，确定为所述待分类图像所对应的分类结果。

另一些实施方式中，参见图7所示，针对上述s203，在基于所述目标真实样本类中心特征以及所述目标篡改样本类中心特征，对所述待分类图像进行分类，得到分类结果时，可以包括以下s203a～203b：

s203a，分别计算所提取的图像特征与所述目标真实样本类中心特征以及所述目标篡改样本类中心特征之间的余弦相似度，分别得到所述待分类图像与所述真实样本类中心特征之间的第一计算结果，以及所述待分类图像与所述目标篡改样本类中心特征之间的第二计算结果。

其中，余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间。

s203b将所述第一计算结果和所述第二计算结果中较大的计算结果所对应的分类，确定为所述待分类图像所对应的分类结果。

其中，余弦相似性通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1，而其他任何角度的余弦值都不大于1；并且其最小值是-1。从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。两个向量有相同的指向时，余弦相似度的值为1；两个向量夹角为90°时，余弦相似度的值为0；两个向量指向完全相反的方向时，余弦相似度的值为-1。这结果是与向量的长度无关的，仅仅与向量的指向方向相关。余弦相似度通常用于正空间，因此给出的值为-1到1之间。

本实施方式中，结算结果越大，说明图像特征与分类中心特征之间相似度越大(指示差异越小)，因此，将所述第一计算结果和所述第二计算结果中较大的计算结果所对应的分类，确定为所述待分类图像所对应的分类结果。例如，若第一计算结果较大，则确定当前待分类图像为真实图像；而若第二计算结果较大，则确定当前待分类图像为篡改图像。

一些实施方式中，待分类图像包括测试图像；参见图8所示，为本公开实施例提供的再一种图像分类方法的流程图，该方法与图1中的方法不同的是，还包括如下步骤s104～s105：

s104，获取所述测试图像对应的标注结果。

s105，根据所述得到分类结果以及所述测试图像的标注结果，对所述训练好的神经网络进行参数调整，得到测试好的神经网络。

请再次参阅图6，可以理解，在待分类图像为测试图像的情况下，每个测试图像均会有相应的标注结果，该标注结果可以是真实图像也可以篡改图像。为了使得神经网络能够在适用不同篡改方式所篡改的图像的同时，提供检测的准确度，还可以根据以上方法所得到的分类结果以及测试图像的标注结果对神经网络的参数进行调整。也即，在对测试图像进行分类，得到分类结果后，可以将分类结果和标注结果进行比对，若标注结果为真实图像，分解结果也为真实图像，则表明当前分类结果准确，反之，则表明当前分类结果不准，神经网络的参数需要进一步调整，直至分类结果与标注结果一致，进而提高神经网络的性能。

示例性地，可以根据如下公式确定损失l，基于损失l可以对神经网络的参数进行调整。

l(x，y)＝-logp(y＝y|x)

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

基于同一技术构思，本公开实施例中还提供了与图像分类方法对应的图像分类装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述图像分类方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

参照图9所示，为本公开实施例提供的一种图像分类装置500的示意图，该图像分类装置包括：

提取模块501，用于将待分类图像输入训练好的神经网络进行特征提取；

计算模块502，用于基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；

分类模块503，用于基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。

在一种可能的实施方式中，所述计算模块502具体用于：

基于所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量；

基于所述偏移量与所述原始分类中心特征，得到所述目标分类中心特征。

在一种可能的实施方式中，所述原始分类中心特征包括原始真实样本类中心特征以及原始篡改样本类中心特征；所述目标分类中心特征包括目标真实样本类中心特征以及目标篡改样本类中心特征；

所述分类模块503具体用于：

基于所述目标真实样本类中心特征以及所述目标篡改样本类中心特征，对所述待分类图像进行分类，得到所述分类结果。

在一种可能的实施方式中，所述计算模块502具体用于：

基于所提取的图像特征，分别得到所述目标真实样本类中心特征相对于所述原始真实样本分类中心特征的第一偏移量，以及得到所述目标篡改样本类中心特征相对于所述原始篡改样本类中心特征的第二偏移量；

将所述第一偏移量与所述原始真实样本类中心特征相加，得到所述目标真实样本类中心特征，并将所述第二偏移量与所述原始篡改样本类中心特征相加，得到所述目标篡改样本类中心特征。

在一种可能的实施方式中，所述分类模块503具体用于：

将所提取图像特征分别与所述目标真实样本类中心特征以及所述目标篡改样本类中心特征进行比对，分别得到所述待分类图像与所述目标真实样本类中心特征之间的第一差异比较结果，以及所述待分类图像与所述目标篡改样本类中心特征之间的第二差异比对结果；

基于所述第一差异比较结果和所述第二差异比较结果，对所述待分类图像进行分类，得到分类结果。

在一种可能的实施方式中，所述分类模块503具体用于：

将所述第一差异比较结果和所述第二差异比较结果中指示差异最小的差异比对结果所对应的分类，确定为所述待分类图像所对应的分类结果。

在一种可能的实施方式中，参见图10所示，所述待分类图像包括测试图像；所述装置还包括：

获取模块504，用于获取所述测试图像对应的标注结果；

调整模块505，用于根据所述得到分类结果以及所述测试图像的标注结果，对所述训练好的神经网络进行参数调整，得到测试好的神经网络。

关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。

基于同一技术构思，本公开实施例还提供了一种电子设备。参照图11所示，为本公开实施例提供的电子设备700的结构示意图，包括处理器701、存储器702、和总线703。其中，存储器702用于存储执行指令，包括内存7021和外部存储器7022；这里的内存7021也称内存储器，用于暂时存放处理器701中的运算数据，以及与硬盘等外部存储器7022交换的数据，处理器701通过内存7021与外部存储器7022进行数据交换。

本申请实施例中，存储器702具体用于存储执行本申请方案的应用程序代码，并由处理器701来控制执行。也即，当电子设备700运行时，处理器701与存储器702之间通过总线703通信，使得处理器701执行存储器702中存储的应用程序代码，进而执行前述任一实施例中所述的方法。

其中，存储器702可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread－onlymemory，prom)，可擦除只读存储器(erasableprogrammableread－onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread－onlymemory，eeprom)等。

处理器701可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

可以理解的是，本申请实施例示意的结构并不构成对电子设备700的具体限定。在本申请另一些实施例中，电子设备700可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中的图像分类方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。

本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中的图像分类方法的步骤，具体可参见上述方法实施例，在此不再赘述。

其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(softwaredevelopmentkit，sdk)等等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。