本技术属于图像处理，尤其涉及一种图像分类方法、装置、电子设备及存储介质。
背景技术：
1、图像作为人类生活中最重要信息传输载体之一，是对现实生活中的各种事物和场景最直观、最清晰的展现，也是人们获取信息的重要手段。
2、图像分类是指对图像经过一系列处理后，从图像中得到其特征表达，以判断该图像属于预定义的类别中的哪一类。图像分类能帮助人们从海量的图像数据中提取出有用的图像，在自动驾驶、医学图像分析、个人行为识别、图像检索、目标检测、图像标注等场景中，发挥着至关重要的作用。
3、传统的图像分类方法多是基于图像特征通过机器学习实现分类，然而数据规模增长加快，传统的机器学习算法在处理复杂任务时面临着巨大的计算和时间挑战，导致传统的图像分类方法效率较低。
4、目前，还可以通过量子神经网络(quantum neural networks，简称qnns)实现图像分类。量子神经网络是一种结合了量子计算和神经网络理论的前沿研究领域，它利用量子比特(qubits)来存储和处理信息，基于量子力学的特性，提高计算效率和处理复杂数据的能力，旨在解决某些对于传统计算机而言非常困难的问题。量子神经网络相对于纯量子设备更容易实现，但是，目前的量子芯片规模受限，使得基于纯量子设备的量子神经网络实现图片分类的性能受限，导致基于量子神经网络进行图像分类的分类效率较低。
技术实现思路
1、本技术实施例提供了一种图像分类方法、装置、设备及存储介质，可以解决现有基于量子神经网络实现图像分类的技术中量子芯片受限导致的分类效率较低的技术问题。
2、第一方面，本技术实施例提供了一种图像分类方法，包括：
3、获取待分类图像，以及与所述待分类图像对应的图像特征数据，其中，所述图像特征数据为对所述待分类图像进行特征提取和降维得到；
4、分割所述图像特征数据，得到多个子图像特征数据；
5、将多个所述子图像特征数据并行输入至图像分类模型中的多个量子经典混合网络进行分类，得到所述待分类图像的多个所述子图像特征数据各自对应的分类结果，其中，所述图像分类模型为采用多个样本训练集对预先构建的初始图像分类模型进行训练优化后得到的，所述样本训练集包括：样本图像，以及与所述样本图像对应的样本分类结果；
6、根据所述待分类图像对应的多个所述子图像特征数据各自对应的分类结果，确定所述待分类图像的最终分类结果。
7、在第一方面的一种可能的实现方式中，每个所述量子经典混合网络包括量子神经网络层和经典神经网络层；
8、所述将多个所述子图像特征数据并行输入图像分类模型中的多个量子经典混合网络进行分类，得到所述待分类图像的多个所述子图像特征数据各自对应的分类结果，包括：
9、将多个所述子图像特征数据并行输入至所述图像分类模型中的多个量子经典混合网络，通过各个所述量子经典混合网络中的所述量子神经网络层，分别对输入所述量子经典混合网络的所述子图像特征数据进行量子计算和量子测量，得到各个所述子图像特征数据各自对应的量子测量结果；
10、根据各个所述子图像特征数据各自对应的所述量子测量结果，通过各个所述量子经典混合网络中的所述经典神经网络层，分别对输入该量子经典混合网络的所述子图像特征数据进行分类，得到各个所述子图像特征数据各自对应的分类结果。
11、在第一方面的一种可能的实现方式中，每个所述量子神经网络层均包括量子态制备子网络、变分线路子网络和测量子网络；
12、所述通过各个所述量子经典混合网络中的量子神经网络层，分别对输入该量子经典混合网络的所述子图像特征数据进行量子计算和测量，得到各个所述子图像特征数据各自对应的量子测量结果，包括：
13、通过各个所述量子神经网络层中的所述量子态制备子网络，对输入该量子神经网络层的所述子图像特征数据进行编码，得到各个所述子图像特征数据各自对应的初始量子态；
14、通过各个所述量子神经网络层中的所述变分线路子网络，对输入该量子神经网络层的所述子图像特征数据对应的所述初始量子态进行演化处理，得到各个所述子图像特征数据各自对应的变分量子态；
15、通过各个所述量子神经网络层中的所述测量子网络，对输入该量子神经网络层的所述子图像特征数据对应的变分量子态进行测量处理，得到各个所述子图像特征数据各自对应的量子测量结果。
16、在第一方面的一种可能的实现方式中，所述根据各个所述子图像特征数据各自对应的所述量子测量结果，通过各个所述量子经典混合网络中的经典神经网络层，分别对输入该量子经典混合网络的所述子图像特征数据进行分类，得到各个所述子图像特征数据各自对应的分类结果，包括：
17、通过各个所述量子经典混合网络中的经典神经网络层，分别对输入该量子经典混合网络的所述子图像特征数据对应的所述量子测量结果进行格式转换，得到各个所述子图像特征数据各自对应的关键特征向量；
18、通过各个所述经典神经网络层的全连接层，根据各个所述子图像特征数据各自对应的所述关键特征向量，分别对各个所述子图像特征数据进行分类，得到各个所述子图像特征数据各自对应的分类结果。
19、在第一方面的一种可能的实现方式中，所述通过各个所述量子神经网络层中的所述量子态制备子网络，对输入该量子神经网络层的所述子图像特征数据进行编码，得到各个所述子图像特征数据各自对应的初始量子态，包括：
20、通过各个所述量子神经网络层的中的所述量子态制备子网络，将输入该量子神经网络层的所述子图像特征数据，作为量子神经网络层指定的逻辑门的旋转角度，编码到对应的初始量子态，得到各个所述子图像特征数据各自对应的初始量子态；
21、其中，所述量子神经网络层指定的逻辑门为该量子神经网络层的量子态制备子网络中设有的逻辑门。
22、在第一方面的一种可能的实现方式中，所述采用多个样本训练集对预先构建的初始图像分类模型进行训练优化，包括：
23、获取多个样本训练集，以及预先构建的包含多个所述量子经典混合网络的初始图像分类模型；
24、对所述多个样本训练集中的所述样本图像进行特征提取和降维，得到各个所述样本图像各自对应的样本图像特征数据；
25、对多个所述样本图像各自对应的样本图像特征数据进行分割，得到各个所述样本图像的多个样本子图像特征数据；
26、将多个所述样本图像各自的多个样本子图像特征数据并行输入所述初始图像分类模型中的多个量子经典混合网络进行分类，得到各个所述样本图像的多个所述样本子图像特征数据各自对应的分类结果；
27、根据多个所述样本图像的多个所述样本子图像特征数据各自对应的分类结果，确定各个所述样本图像的最终分类结果；
28、根据多个所述样本图像的所述最终分类结果和各个所述样本图像对应的所述样本分类结果，对所述初始图像分类模型进行优化，得到图像分类模型。
29、在第一方面的一种可能的实现方式中，所述根据多个所述样本图像的所述最终分类结果和各个所述样本图像对应的所述样本分类结果，对所述初始图像分类模型进行优化，得到图像分类模型，包括：
30、根据多个所述样本图像的所述最终分类结果和各个所述样本图像对应的所述样本分类结果，计算得到所述初始图像分类模型的损失值：
31、根据所述初始图像分类模型的损失值，对所述初始图像分类模型中的多个所述量子经典混合网络的参数进行优化调整，得到优化后的图像分类模型。
32、第二方面，本技术实施例提供了一种图像分类装置，包括：
33、图像获取模块，用于获取待分类图像，以及与所述待分类图像对应的图像特征数据，其中，所述图像特征数据为对所述待分类图像进行特征提取和降维得到；
34、图像分割模块，用于分割所述图像特征数据，得到多个子图像特征数据；
35、子图像分类模块，用于将多个所述子图像特征数据并行输入至图像分类模型中的多个量子经典混合网络进行分类，得到所述待分类图像的多个所述子图像特征数据各自对应的分类结果，其中，所述图像分类模型为采用多个样本训练集对预先构建的初始图像分类模型进行训练优化后得到的，所述样本训练集包括：样本图像，以及与所述样本图像对应的样本分类结果；
36、图像分类模块，用于根据所述待分类图像对应的多个所述子图像特征数据各自对应的分类结果，确定所述待分类图像的最终分类结果。
37、第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器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，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
38、第四方面，本技术实施例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存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
39、第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一项所述的方法。
40、本技术实施例与现有技术相比存在的有益效果是：通过获取待分类图像，以及对待分类图像进行特征提取和降维得到的图像特征数据，分割图像特征数据得到多个子图像特征数据，将分割之后的多个子图像特征数据并行输入至图像分类模型中的多个量子经典混合网络进行分类，得到多个子图像特征数据各自对应的分类结果，其中，图像分类模型为采用多个样本训练集对预先构建的初始图像分类模型训练优化后得到的，样本训练集包括样本图像以及与样本图像对应的样本分类结果，根据多个子图像特征数据各自对应的分类结果，确定待分类图像的最终分类结果，由于在输入图像分类模型之前，预先对待分类图像进行了特征提取和降维，并且进行了分割，使得图像分类模型可以通过规模较小的量子经典混合网络进行物理实现，并行对待分类图像的各个子图像特征数据进行分别分类，节约了大量的时间成本，特征提取和降维的操作无需通过图像分类模型，节约了模型训练的时间，使得图像分类模型的分类效率得到了有效提高，从而有效解决了现有技术中基于量子神经网络实现图像分类的技术中分类效率较低的技术问题。
1.一种图像分类方法，其特征在于，包括：
2.如权利要求1所述的图像分类方法，其特征在于，每个所述量子经典混合网络包括量子神经网络层和经典神经网络层；
3.如权利要求2所述的图像分类方法，其特征在于，每个所述量子神经网络层均包括量子态制备子网络、变分线路子网络和测量子网络；
4.如权利要求2所述的图像分类方法，其特征在于，所述根据各个所述子图像特征数据各自对应的所述量子测量结果，通过各个所述量子经典混合网络中的经典神经网络层，分别对输入该量子经典混合网络的所述子图像特征数据进行分类，得到各个所述子图像特征数据各自对应的分类结果，包括：
5.如权利要求3所述的图像分类方法，其特征在于，所述通过各个所述量子神经网络层中的所述量子态制备子网络，对输入该量子神经网络层的所述子图像特征数据进行编码，得到各个所述子图像特征数据各自对应的初始量子态，包括：
6.如权利要求1所述的图像分类方法，其特征在于，所述采用多个样本训练集对预先构建的初始图像分类模型进行训练优化，包括：
7.如权利要求6所述的图像分类方法，其特征在于，所述根据多个所述样本图像的所述最终分类结果和各个所述样本图像对应的所述样本分类结果，对所述初始图像分类模型进行优化，得到图像分类模型，包括：
8.一种图像分类装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
