一种图像分类方法、装置、设备及计算机可读存储介质与流程

本发明涉及图像分类领域，特别是涉及一种图像分类方法，本发明还涉及一种图像分类装置、设备及计算机可读存储介质。

背景技术：

图像分类技术在自动驾驶以及医疗辅助系统等领域具有广泛应用，但是有不少不法份子通过对正常图像进行攻击使其成为对抗图像，对抗图像对于肉眼来说与正常图像没有什么区别，但是对于分类器来说，对抗图像很容易被分类错误，现有技术中没有一种成熟的能够分类对抗图像的图像分类方法，因此存在严重的安全隐患。

因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。

技术实现要素：

本发明的目的是提供一种图像分类方法，能够成功地将对抗图像进行分类，消除了安全隐患，且对于正常图像进行正确分类的成功率较高；本发明的另一目的是提供一种图像分类装置、设备及计算机可读存储介质，能够成功地将对抗图像进行分类，消除了安全隐患，且对于正常图像进行正确分类的成功率较高。

为解决上述技术问题，本发明提供了一种图像分类方法，包括：

预先利用经过多尺度图像演化的正常训练图像对分类器进行训练；

将经过多尺度图像演化后的待分类图像输入所述分类器，得到各尺度下的所述待分类图像被分类到的各个类别的概率分布结果；

根据所有的所述概率分布结果，确定所述待分类图像被分类到的各个类别的平均概率；

将所述平均概率最大的类别作为所述待分类图像的类别。

优选地，所述正常训练图像包括：

mnist数据集、cifar10数据集以及imagenet-10数据集。

优选地，所述将经过多尺度图像演化后的待分类图像输入所述分类器，得到各尺度下的所述待分类图像被分类到的各个类别的概率分布结果具体为：

将经过多尺度图像演化后的预设数目个尺度下的待分类图像输入所述分类器，得到各尺度下的所述待分类图像被分类到的各个类别的概率分布结果。

优选地，所述将所述平均概率最大的类别作为所述待分类图像的类别之后，该图像分类方法还包括：

判断所述待分类图像是否为对抗图像。

优选地，所述判断所述待分类图像是否为对抗图像之后，该图像分类方法还包括：

提示判断结果。

优选地，所述判断所述待分类图像是否为对抗图像具体为：

根据所述概率分布结果，确定出所述待分类图像被分类到同一类别的概率在各个尺度间的波动范围；

若最大的所述波动范围大于预设阈值，确定所述待分类图像为对抗图像；

若最大的所述波动范围小于预设阈值，确定所述待分类图像为正常图像。

为解决上述技术问题，本发明还提供了一种图像分类装置，包括：

预设模块，用于预先利用经过多尺度图像演化的正常训练图像对分类器进行训练；

输入模块，用于将经过多尺度图像演化后的待分类图像输入所述分类器，得到各尺度下的所述待分类图像被分类到的各个类别的概率分布结果；

确定模块，用于根据所有的所述概率分布结果，确定所述待分类图像被分类到的各个类别的平均概率；

结果模块，用于将所述平均概率最大的类别作为所述待分类图像的类别。

优选地，所述图像分类装置还包括：

判断模块，用于判断所述待分类图像是否为对抗图像。

为解决上述技术问题，本发明还提供了一种图像分类设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上任一项所述图像分类方法的步骤。

为解决上述技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述图像分类方法的步骤。

本发明提供了一种图像分类方法，包括预先利用经过多尺度图像演化的正常训练图像对分类器进行训练；将经过多尺度图像演化后的待分类图像输入分类器，得到各尺度下的待分类图像被分类到的各个类别的概率分布结果；根据所有的概率分布结果，确定待分类图像被分类到的各个类别的平均概率；将平均概率最大的类别作为待分类图像的类别。

可见，由于经过不同尺度的图像演化过后能够消除受到攻击的对抗图像中被添加的干扰，因此本发明能够成功地将对抗图像进行分类，消除了安全隐患，另外由于在对分类器的训练过程中采用了经过多尺度图像演化的正常训练图像进行训练，因此即使待分类图像为正常图像，分类器也不会受到图像演化的干扰，能够具有较高的分类成功率。

本发明还提供了一种图像分类装置、设备及计算机可读存储介质，具有如上图像分类方法相同的有益效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为本发明提供的一种图像分类方法的流程示意图；

图2为本发明提供的一种图像分类装置的结构示意图；

图3为本发明提供的一种图像分类设备的结构示意图。

具体实施方式

本发明的核心是提供一种图像分类方法，能够成功地将对抗图像进行分类，消除了安全隐患，且对于正常图像进行正确分类的成功率较高；本发明的另一核心是提供一种图像分类装置、设备及计算机可读存储介质，能够成功地将对抗图像进行分类，消除了安全隐患，且对于正常图像进行正确分类的成功率较高。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明提供的一种图像分类方法的流程示意图，包括：

步骤s1：预先利用经过多尺度图像演化的正常训练图像对分类器进行训练；

具体的，多尺度图像演化是一种采用不同强度的高斯核对图像进行演化从而得到图像多尺度表示的图像处理方法，可以视作是消除图像表面干扰的一种方法，演化尺度的不同可能导致对图像干扰的消除程度的不同，从而影响了分类结果。

其中，正是由于本申请中采用正常训练图像对分类器进行训练，在后续步骤中，对于待分类的正常图像，即使进行了多尺度演化，分类器也能够具有较高的分类准确率。

具体的，预先的训练仅需执行一次，后续过程中只需要使用分类器进行分类即可，无需再重复预先训练的步骤，本发明实施例在此不做限定。

步骤s2：将经过多尺度图像演化后的待分类图像输入分类器，得到各尺度下的待分类图像被分类到的各个类别的概率分布结果；

具体的，对于经过不同尺度演化后的待分类图像，待分类图像被分类到各个类别的概率分布结果是不同的，但是其实际归属的正确类别只有一类，其中被分类到正确类别的概率最高的情况所对应的演化尺度区间是有限的，但是通常情况下正确类别所占有的尺度区间要大于其他任意一项错误类别所对应的尺度区间，无法准确地找到这个尺度区间，例如待分类图像可能被分类为两类，待分类图像实际为狼，但是被攻击之后，在没有经过尺度演化时，该图像很可能被分类器以97％的概率认定为金鱼，仅有百分之0.15的概率被分类到狼，假设把多尺度演化的尺度总区间分为10等份，其中前3份尺度的演化之后，分类器还是有极大的概率将图像分类为金鱼，而在第4-10份尺度区间内，分类器有极大地概率将图像分类为狼，在上述实际的例子中，仅仅列举了两个具体类别，实际中还有其他多个错误类别，例如兔子以及乌龟等，但是通常情况下正确类别所占有的尺度区间要大于其他任意一项错误类别所对应的尺度区间，例如在100等份的尺度区间下，其中20份尺度区间下，被分类到狼的概率均为最大，而在其他80份尺度区间中，可能有10份尺度区间被分类到金鱼的概率最大，有15份尺度区间被分类到兔子的概率最大，有8份尺度区间被分类到乌龟的概率最大等等，但是正确类别所对应的尺度区间永远大于其他任一错误类别所对应的尺度区间。

步骤s3：根据所有的概率分布结果，确定待分类图像被分类到的各个类别的平均概率；

具体的，依据上述步骤s2的论述，假设对于不同尺度演化后的每个待分类图像，分类器均有可能将待分类图像分类为同样的十个类别，只是概率分布结果不同，假设本发明实施例进行了三个不同尺度的演化，根据上述步骤中的概率分布结果，便能够确定出每一类在不同尺度演化下的平均概率，由于正确类别所对应的尺度区间是最大的，所以在平均概率的对比中，正确类别的平均概率往往是最大的，因此本发明实施例可以对待分类图像进行正确的分类。

步骤s4：将平均概率最大的类别作为待分类图像的类别。

具体的，将平均概率最大的类别作为待分类图像的类别之后，可以准确地确定出待分类图像的类别，分类的成功率较高。

本发明提供了一种图像分类方法，包括预先利用经过多尺度图像演化的正常训练图像对分类器进行训练；将经过多尺度图像演化后的待分类图像输入分类器，得到各尺度下的待分类图像被分类到的各个类别的概率分布结果；根据所有的概率分布结果，确定待分类图像被分类到的各个类别的平均概率；将平均概率最大的类别作为待分类图像的类别。

可见，由于经过不同尺度的图像演化过后能够消除受到攻击的对抗图像中被添加的干扰，因此本发明能够成功地将对抗图像进行分类，消除了安全隐患，另外由于在对分类器的训练过程中采用了经过多尺度图像演化的正常训练图像进行训练，因此即使待分类图像为正常图像，分类器也不会受到图像演化的干扰，能够具有较高的分类成功率。

在上述实施例的基础上：

作为一种优选的实施例，正常训练图像包括：

mnist数据集、cifar10数据集以及imagenet-10数据集。

具体的，mnist数据集、cifar10数据集以及imagenet-10数据集的专业度较高，图像比较全面。

当然，除了上述数据集之外，正常训练图像可以为其他类别的训练图像，本发明实施例在此不做限定。

作为一种优选的实施例，将经过多尺度图像演化后的待分类图像输入分类器，得到各尺度下的待分类图像被分类到的各个类别的概率分布结果具体为：

将经过多尺度图像演化后的预设数目个尺度下的待分类图像输入分类器，得到各尺度下的待分类图像被分类到的各个类别的概率分布结果。

具体的，预设数目可以进行自主设定，预设数目太少的话可能影响图像分类的准确率，而预设数目太多的话则可能加大计算量，降低效率。

其中，预设数目可以为8等，本发明实施例在此不做限定。

作为一种优选的实施例，将平均概率最大的类别作为待分类图像的类别之后，该图像分类方法还包括：

判断待分类图像是否为对抗图像。

具体的，考虑到现有技术中在分类图像时，无法同时对图像是否受到过攻击，即待分类图像是否为对抗图像进行判定，还需要额外进行判定，本发明实施例在进行图像分类的同时便可以判断待分类图像是否为对抗图像，无需额外进行判定，提高了工作效率。

作为一种优选的实施例，判断待分类图像是否为对抗图像之后，该图像分类方法还包括：

提示判断结果。

具体的，将判断结果提示出来可以别方便用户获得提示，无需主动调取出判断结果，进一步提高了工作效率以及便捷程度。

其中，提示的方式可以为多种类型，例如可以为文字提示或者语音提示等，本发明实施例在此不做限定。

作为一种优选的实施例，判断待分类图像是否为对抗图像具体为：

根据概率分布结果，确定出待分类图像被分类到同一类别的概率在各个尺度间的波动范围；

若最大的波动范围大于预设阈值，确定待分类图像为对抗图像；

若最大的波动范围小于预设阈值，确定待分类图像为正常图像。

具体的，考虑到由于对抗图像的置信度，即被分类到各个类别的概率随着尺度的增加变化的十分剧烈，因此本发明实施例中通过确定出待分类图像被分类到同一类别的概率在各个尺度间的波动范围，并与预设阈值进行比较，便可以确定出待分类图像是否为对抗图像，例如待分类图像为狼，通过判断不同尺度下，待分类图像被分类为狼的概率之间的最大范围是否大于预设阈值，便可以确定出待分类图像是否为对抗图像，简单快捷，进一步提高了工作效率。

其中，预设阈值可以进行自主设定，本发明实施例在此不做限定。

请参考图2，图2为本发明提供的一种图像分类装置的结构示意图，包括：

预设模块1，用于预先利用经过多尺度图像演化的正常训练图像对分类器进行训练；

输入模块2，用于将经过多尺度图像演化后的待分类图像输入分类器，得到各尺度下的待分类图像被分类到的各个类别的概率分布结果；

确定模块3，用于根据所有的概率分布结果，确定待分类图像被分类到的各个类别的平均概率；

结果模块4，用于将平均概率最大的类别作为待分类图像的类别。

作为一种优选的实施例，图像分类装置还包括：

判断模块，用于判断待分类图像是否为对抗图像。

对于本发明实施例提供的图像分类装置的介绍请参照前述的图像分类方法的实施例，本发明实施例在此不再赘述。

请参考图3，图3为本发明提供的一种图像分类设备的结构示意图，包括：

存储器5，用于存储计算机程序；

处理器6，用于执行计算机程序时实现如上任一项图像分类方法的步骤。

对于本发明实施例提供的图像分类设备的介绍请参照前述的图像分类方法的实施例，本发明实施例在此不再赘述。

本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一项图像分类方法的步骤。

对于本发明实施例提供的计算机可读存储介质的介绍请参照前述的图像分类方法的实施例，本发明实施例在此不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。还需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。