1.一种基于二值化量化模型的图像处理方法，其特征在于，包括以下步骤：S1、对图像集进行预处理，得到每张图像的初始输入数据；

S2、构建二值化量化模型；

S3、采用每张图像的初始输入数据对二值化量化模型进行训练，得到训练完成的二值化量化模型；

S4、将一张图像的初始输入数据输入训练完成的二值化量化模型，得到图像中物体的边界和属性，完成对图像的处理；

所述步骤S2中二值化量化模型包括：第一子二值化量化模型、第二子二值化量化模型、第三子二值化量化模型、第四子二值化量化模型、第五子二值化量化模型、第六子二值化量化模型和第七子二值化量化模型；

所述第一子二值化量化模型的输入端作为二值化量化模型的输入端，其A输出端与第二子二值化量化模型的输入端连接，其B输出端分别与第六子二值化量化模型的输出端和第七子二值化量化模型的输入端连接；所述第二子二值化量化模型的A输出端与第三子二值化量化模型的输入端连接，其B输出端分别与第六子二值化量化模型的输入端和第五子二值化量化模型的输出端连接；所述第三子二值化量化模型的A输出端与第四子二值化量化模型的输入端连接，其B输出端分别与第五子二值化量化模型的输入端和第四子二值化量化模型的输出端连接；所述第七子二值化量化模型的输出端作为二值化量化模型的输出端；

所述第一子二值化量化模型包括：第一卷积层、第一线性整流层、第二卷积层、第二线性整流层、第一最大池化层、第一归一化层和第一量化层；

所述第一卷积层的输入端作为第一子二值化量化模型的输入端，其输出端与第一线性整流层的输入端连接；所述第二卷积层的输入端与第一线性整流层的输出端连接，其输出端与第二线性整流层的输入端连接；所述第二线性整流层的输出端与第一最大池化层的输入端连接，并作为第一子二值化量化模型的B输出端；所述第一最大池化层的输出端与第一归一化层的输入端连接；所述第一量化层的输入端与第一归一化层的输出端连接，其输出端作为第一子二值化量化模型的A输出端；

所述第二子二值化量化模型包括：第三卷积层、第三线性整流层、第四卷积层、第四线性整流层、第二最大池化层、第二归一化层和第二量化层；

所述第三卷积层的输入端作为第二子二值化量化模型的输入端，其输出端与第三线性整流层的输入端连接；所述第四卷积层的输入端与第三线性整流层的输出端连接，其输出端与第四线性整流层的输入端连接；所述第四线性整流层的输出端与第二最大池化层的输入端连接，并作为第二子二值化量化模型的B输出端；所述第二最大池化层的输出端与第二归一化层的输入端连接；所述第二量化层的输入端与第二归一化层的输出端连接，其输出端作为第二子二值化量化模型的A输出端；

所述第三卷积层与第一卷积层的结构相同，第三线性整流层与第一线性整流层的结构相同，第四卷积层与第二卷积层的结构相同，第四线性整流层与第二线性整流层的结构相同，第二最大池化层与第一最大池化层的结构相同，第二归一化层与第一归一化层的结构相同，第二量化层与第一量化层的结构相同；

所述第三子二值化量化模型包括：第五卷积层、第五线性整流层、第六卷积层、第六线性整流层、第三最大池化层、第三归一化层和第三量化层；

所述第五卷积层的输入端作为第三子二值化量化模型的输入端，其输出端与第五线性整流层的输入端连接；所述第六卷积层的输入端与第五线性整流层的输出端连接，其输出端与第六线性整流层的输入端连接；所述第六线性整流层的输出端与第三最大池化层的输入端连接，并作为第三子二值化量化模型的B输出端；所述第三最大池化层的输出端与第三归一化层的输入端连接；所述第三量化层的输入端与第三归一化层的输出端连接，其输出端作为第三子二值化量化模型的A输出端；

所述第五卷积层与第一卷积层的结构相同，第五线性整流层与第一线性整流层的结构相同，第六卷积层与第二卷积层的结构相同，第六线性整流层与第二线性整流层的结构相同，第三最大池化层与第一最大池化层的结构相同，第三归一化层与第一归一化层的结构相同，第三量化层与第一量化层的结构相同。

2.根据权利要求1所述的基于二值化量化模型的图像处理方法，其特征在于，所述步骤S1包括以下分步骤：S11、对图像集中每一张图像进行归一化处理，得到归一化后的图像像素点值；

S12、将归一化后的图像像素点值缩放到[‑128,128]，得到每一张图像的初始输入数据。

3.根据权利要求2所述的基于二值化量化模型的图像处理方法，其特征在于，所述步骤S11中对图像进行归一化处理的方法为：将图像中所有像素点的均值调整为0，方差调整为

1；

归一化处理的公式为：

其中， 为第i个归一化后的图像像素点值，xi为归一化前的第i个像素点值，m为像素点总数，∈为防止分母为零的参数；

步骤S12中将归一化后的图像像素点值缩放到[‑128,128]的具体方法为：将每个归一化后的图像像素点值均用一个256位的一维二值化向量I＝(i1,i2,…,in,…,i256)表示，其中，i1,i2,…,in,…,i256为二值化向量I的256个分量，每个分量的取值范围{+1，‑1}。

4.根据权利要求1所述的基于二值化量化模型的图像处理方法，其特征在于，所述第一1

卷积层的卷积核大小为3×3，其公式为：I (I)＝I*Wb，Wb＝Binariz  e(W)，其中，W为待训练的权重矩阵，Wb为二值化后的权重矩阵，1

Binariz e()为二值化函数，I为二值化向量，L(I)为第一卷积层的输出，*为卷积操作；

2 1

所述第一线性整流层的公式为：L (I)＝ReLU(L (I))，其中，ReLU()为激活函数，2

L(I)为第一线性整流层的输出；

3 2 3

所述第二卷积层的卷积核大小为3×3，其公式为：L (I)＝L (I)*Wb，其中，L (I)为第二卷积层的输出；

4 3 4

所述第二线性整流层的公式为：L (I)＝ReLU(L (I))，其中，L (I)为第二线性整流层的输出；

5

所述第一最大池化层上设置有1个2×2的滤波器，其步长为2，其公式为：L (I)＝

4 5

MaxPool(L(I))，其中，MaxPool()为最大池化函数，L(I)为第一最大池化层的输出；

6 5

所述第一归一化层的公式为：L (I)＝BN(L (I))，其中，BN()为BatchNormalization函6

数，L(I)为第一归一化层的输出；

7 6 7

所述第一量化层的公式为：L (I)＝Binarize(L (I))，其中，Binarize()为量化函数，L(I)为第一量化层的输出；

在第一量化层的正向传播时：

在第一量化层的反向传播时：

5.根据权利要求1所述的基于二值化量化模型的图像处理方法，其特征在于，所述第四子二值化量化模型包括依次连接的第七卷积层、第七线性整流层、第八卷积层、第八线性整流层和第一反池化层；所述第七卷积层的输入端作为第四子二值化量化模型的输入端；所述第一反池化层的输出端作为第四子二值化量化模型的输出端；

所述第五子二值化量化模型包括依次连接的第九卷积层、第九线性整流层、第十卷积层、第十线性整流层和第二反池化层；所述第九卷积层的输入端作为第五子二值化量化模型的输入端；所述第二反池化层的输出端作为第五子二值化量化模型的输出端；

所述第六子二值化量化模型包括依次连接的第十一卷积层、第十一线性整流层、第十二卷积层、第十二线性整流层和第三反池化层；所述第十一卷积层的输入端作为第六子二值化量化模型的输入端；所述第三反池化层的输出端作为第六子二值化量化模型的输出端；

所述第七子二值化量化模型包括依次连接的第十三卷积层、第十三线性整流层、第十四卷积层、第十四线性整流层和第十五卷积层；所述第十三卷积层的输入端作为第七子二值化量化模型的输入端；所述第十五卷积层的输出端作为第七子二值化量化模型的输出端；

所述第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层和第十四卷积层的结构均与第一卷积层相同；

所述第十五卷积层的运算公式与第一卷积层相同，其卷积核大小为1*1；

所述第七线性整流层、第八线性整流层、第九线性整流层、第十线性整流层、第十一线性整流层、第十二线性整流层、第十三线性整流层和第十四线性整流层的结构均与第一线性整流层相同；

所述第一反池化层、第二反池化层和第三反池化层的结构相同，其均采用反池化函数UnPool()。

6.根据权利要求1所述的基于二值化量化模型的图像处理方法，其特征在于，所述步骤S3包括以下分步骤：S31、构建损失函数；

S32、对二值化量化模型随机输入一张图像的初始输入数据，采用损失函数计算梯度；

S33、根据梯度，对二值化量化模型中二值化后的权重矩阵和学习率进行更新；

S34、重复执行步骤S32至步骤S33，直到二值化后的权重矩阵和学习率达到最优，得到训练完成的二值化量化模型。

7.根据权利要求6所述的基于二值化量化模型的图像处理方法，其特征在于，所述步骤S31中损失函数为：其中，为损失函数，ytrue为训练过程的二值化量化模型的输出，ypred为预测输出；

所述步骤S32中对二值化后的权重矩阵和学习率进行更新的公式为：t t‑1

其中，Wb为第t次训练过程得到的二值化后的权重矩阵，Wb 为第t‑1次训练过程得到t的二值化后的权重矩阵，η为超参数，Wb为二值化后的权重矩阵，η为第t次训练过程的学习t‑1率，η 为第t‑1次训练过程的学习率， 为第t‑1次训练过程的一阶矩估计的指数衰减率。