1.一种基于二值化图像分类网络的图像分类方法，其特征在于，包括以下步骤：S1：采集原始图像，并对原始图像进行初始化；

S2：根据初始化后的原始图像，搭建图像分类网络；

S3：利用图像分类网络的softmax分类器进行图像分类；

所述步骤S1包括以下子步骤：

S11：采集尺寸为224*224*3的原始图像，并在原始图像的四周各添加宽度为3的0元素，得到尺寸为230*230*3的第一输出图像；

S12：利用尺寸为7*7且步长为1的卷积核对第一输出图像进行卷积操作，得到尺寸为

224*224*64的第二输出图像，并对第二输出图像进行批量归一化，得到尺寸为224*224*64的第三输出图像；

S13：利用非线性激活函数H(x)对第三输出图像进行激活，并对激活后的第三输出图像进行最大池化，得到尺寸为112*112*64的第四输出图像；

S14：利用符号函数S(x')对第四输出图像进行二值化，得到尺寸为112*112*64的第五输出图像，完成原始图像初始化；

所述步骤S2包括以下子步骤：

S21：在第五输出图像的四周各添加宽度为1的0元素，得到尺寸为114*114*64的第六输出图像；

S22：利用尺寸为3*3且步长为1的二值化卷积核对第六输出图像进行卷积操作，得到尺寸为112*112*128的第七输出图像；

S23：利用非线性激活函数H(x)对第七输出图像进行激活，并对激活后的第七输出图像进行最大池化，得到尺寸为56*56*128的第八输出图像；

S23：在第八输出图像的四周各添加宽度为1的0元素，得到尺寸为58*58*128的第九输出图像；

S24：利用尺寸为3*3且步长为1的二值化卷积核对第九输出图像进行卷积操作，得到尺寸为56*56*256的第十输出图像；

S25：利用非线性激活函数H(x)对第十输出图像进行激活，并对激活后的第十输出图像进行最大池化，得到尺寸为28*28*256的第十一输出图像；

S26：在第十一输出图像的四周各添加宽度为1的0元素，得到尺寸为30*30*256的第十二输出图像；

S27：利用尺寸为3*3且步长为1的二值化卷积核对第十二输出图像进行卷积操作，得到尺寸为28*28*512的第十三输出图像；

S28：利用非线性激活函数H(x)对第十三输出图像进行激活，并对激活后的第十三输出图像进行最大池化，得到尺寸为14*14*512的第十四输出图像；

S29：在第十四输出图像的四周各添加宽度为1的0元素，得到尺寸为16*16*512的第十五输出图像；

S210：利用尺寸为3*3且步长为1的二值化卷积核对第十五输出图像进行卷积操作，得到尺寸为14*14*512的第十六输出图像；

S211：利用非线性激活函数H(x)对第十六输出图像进行激活，并对激活后的第十六输出图像进行最大池化，得到尺寸为7*7*512的第十七输出图像；

S212：在第十七输出图像的四周各添加宽度为1的0元素，得到尺寸为9*9*512的第十八输出图像；

S213：利用尺寸为3*3且步长为1的二值化卷积核对第十八输出图像进行卷积操作，得到尺寸为7*7*512的第十九输出图像；

S214：利用非线性激活函数H(x)对第十九输出图像进行激活，并对激活后的第十九输出图像进行拉伸，得到尺寸为1*25088的第二十输出图像；

S215：将第二十输出图像输入至两层神经元为4096的全连接层，完成图像分类网络搭建；

所述步骤S2中，对尺寸为3*3的卷积核进行二值化包括以下子步骤：A21：利用尺寸为3*3*Cin*Cout的第一二值化卷积核Bi1、第二二值化卷积核Bi2、第三二值化卷积核Bi3和第四二值化卷积核Bi4对尺寸为3*3的卷积核分别进行线性近似，其中，Cin表示输入通道数，Cout表示输出通道数；

A22：对线性近似后的卷积核矩阵中的各个元素进行归一化处理，得到归一化处理后的卷积核；

A23：设定第一二值化卷积核Bi1、第二二值化卷积核Bi2、第三二值化卷积核Bi3和第四二值化卷积核Bi4对应的激活阈值，分别为bi1、bi2、bi3和bi4；

A24：在第一二值化卷积核Bi1、第二二值化卷积核Bi2、第三二值化卷积核Bi3和第四二值化卷积核Bi4中，分别将归一化处理后的卷积核矩阵中小于激活阈值bi1、bi2、bi3和bi4的参数确定为0，大于激活阈值bi1、bi2、bi3和bi4的参数确定为1，并随机初始化第一二值化卷积核Bi1、第二二值化卷积核Bi2、第三二值化卷积核Bi3和第四二值化卷积核Bi4的权重，完成尺寸为3*3的卷积核的二值化。

2.根据权利要求1所述的基于二值化图像分类网络的图像分类方法，其特征在于，所述步骤S14中，符号函数S(x′)的表达式为：其中，x表示符号函数的输入图像，α表示第一待学习参数。

3.根据权利要求1所述的基于二值化图像分类网络的图像分类方法，其特征在于，所述步骤S13、步骤S23、步骤S25、步骤S28、步骤S211和步骤S214中，进行最大池化的池化池大小为2*2，步长为2*2。

4.根据权利要求1所述的基于二值化图像分类网络的图像分类方法，其特征在于，所述步骤S13、步骤S23、步骤S25、步骤S28和步骤S211中，非线性激活函数H(x)的表达式为：其中，x表示非线性激活函数的输入图像，β表示第二待学习参数，γ表示第三待学习参数，τ表示第四待学习参数。

5.根据权利要求1所述的基于二值化图像分类网络的图像分类方法，其特征在于，所述步骤A21中，进行线性近似的计算公式为：Wi≈αi1*Bi1+αi2*Bi2+αi3*Bi3+αi4*Bi4其中，Wi表示线性近似后的卷积核，αi1表示第一二值化卷积核Bi1的权重，αi2表示第二二值化卷积核Bi2的权重，αi3表示第三二值化卷积核Bi3的权重，αi4表示第四二值化卷积核Bi4的权重；

所述步骤A22中，对线性近似后的卷积核矩阵中的各个元素aij进行归一化处理的公式为：

其中，a′ij表示归一化后的各个元素，min表示元素aij中的最小值，max表示元素aij中的最大值。