1.一种图像分类方法，其特征在于，包括：

将待分类图像输入训练好的神经网络进行特征提取；

基于所述神经网络的全连接层对所提取的图像特征进行偏移量预测，得到目标分类中心特征相对于原始分类中心特征的偏移量，并将所述偏移量与所述原始分类中心特征相加，得到所述目标分类中心特征；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；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；

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；

所述基于所述神经网络的全连接层对所提取的图像特征进行偏移量预测，得到目标分类中心特征相对于原始分类中心特征的偏移量，并将所述偏移量与所述原始分类中心特征相加得到所述目标分类中心特征，包括：基于所述神经网络的全连接层对所述提取的图像特征进行偏移量预测，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；

所述偏移量通过以下公式得到：

其中，x为所提取的图像特征；τ为比例因子；by为对标签为y类的分类中心特征进行预测的偏移量，对应不同的分类中心特征；j为遍历的下标，[w1，...，wN]为分类中心特征。

2.根据权利要求1所述的方法，其特征在于，所述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，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。

3.根据权利要求2所述的方法，其特征在于，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。

4.根据权利要求1‑3中任一项所述的方法，其特征在于，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。

5.一种图像分类装置，其特征在于，所述装置包括：

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，用于基于所述神经网络的全连接层对所提取的图像特征进行偏移量预测，得到目标分类中心特征相对于原始分类中心特征的偏移量，并将所述偏移量与所述原始分类中心特征相加，得到所述目标分类中心特征；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；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；

分类模块，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，得到分类结果；

所述计算模块具体用于：

基于所述神经网络的全连接层对所述提取的图像特征进行偏移量预测，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；

所述偏移量通过以下公式得到：

其中，x为所提取的图像特征；τ为比例因子；by为对标签为y类的分类中心特征进行预测的偏移量，对应不同的分类中心特征；j为遍历的下标，[w1，...，wN]为分类中心特征。

6.一种电子设备，其特征在于，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权利要求1‑4任一所述的图像分类方法。

7.一种计算机可读存储介质，其特征在于，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权利要求1‑4任一所述的图像分类方法。