1.一种结合小波变换和张量网络的医学图像分类方法，其特征在于，包括步骤：S1、将具有N个像素的医学二维灰度图像展平为长度为N的一维向量v(x)；

S2、将一维向量v(x)中的每一个元素xi特征映射为希尔伯特空间当中的一个量子态，得到N个量子态；

S3、通过结合了小波变换和张量网络的粗粒化网络对N个量子态进行L次粗粒化处理，每次输出一个仅含有单个|1>态的项，从而得到L个仅含有单个|1>态的项作为粗粒化输出；

S4、将该粗粒化输出特征映射为多个特征值并通过张量积连接起来输入训练完成的张量分类网络中，得到预测的分类结果。

2.根据权利要求1所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于：在所述步骤S3中，所述粗粒化网络基于粗粒化单元构建，所述粗粒化单元包括两个解纠缠器和一个等距；该两个解纠缠器用于输入通过张量积连接的步骤S2所得N个量子态中的四个相邻量子态，通过解纠缠各自得到一个仅含有单个|1>态的项；该等距用于对该两个解纠缠器输出的两个仅含有单个|1>态的项进行粗粒化操作，得到对应的一个仅含有单个|

1>态的项。

3.根据权利要求2所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于，分别用U、V表示解纠缠器和等距，则U、V定义为：其中，θu＝‑π/6，θv＝π/12。

4.根据权利要求3所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于：

所述粗粒化网络由解纠缠器和等距组成多层网络结构，每层网络结构包含2个以上解纠缠器和1个以上等距，每个解纠缠器具有两个输入指标和两个输出指标，每个等距具有两个输入指标和一个输出指标；每层网络结构的最后一个解纠缠器与第一个解纠缠器通过一个附加的等距相连接；

在非顶层的网络结构中，一个等距的两个输入指标各连接相邻两个解纠缠器的一个输出指标，一个解纠缠器的两个输出指标各连接相邻两个等距的一个输入指标，同一层中各个等距的输出指标连接下一层网络结构中解纠缠器的输入指标；

在最底层的网络结构中，每相邻两个解纠缠器的四个输入指标用于输入通过张量积连接的步骤S2所得N个量子态中的每四个相邻量子态；

每个解纠缠器用于保留输入的张量积连接下的两个量子态的纠缠，并解除这两个量子态与输入其他解纠缠器量子态之间的纠缠，每个解纠缠器分别从两个输出指标输出仅含有单个|1>态的第一项和第二项，其中第一项、第二项分别为该两个量子态在尺度函数运算中位于后两位和前两位输入时得到的结果；

每个等距用于对输入的张量积连接下的两个仅含有单个|1>态的项进行粗粒化操作，得出输入到与其相连的两个解纠缠器中的4个相邻量子态经过D4小波变换后的结果。

5.根据权利要求4所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于，在步骤S2中，一维向量v(x)中的第i个元素xi被映射为：|φ(xi)>＝|0>+xi|1>。

6.根据权利要求5所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于，在步骤S3中，对四个相邻量子态组成的张量积由相邻的第一解纠缠器、第二解纠缠器以及所述第一解纠缠器、所述第二解纠缠器均连接的第一等距进行粗粒化的过程包括步骤：S31、第一解纠缠器对张量积 进行解纠缠，输出只含有单个|1>态的第二项至第一等距中；第二解纠缠器对张量积 进行解纠缠，输出只含有单个|1>态的第一项至第一等距中；

S32、第一等距对输入的两个只含有单个|1>态的项进行张量积操作，得到只含有单个|

1>态的项输入该第一等距连接的下一层网络结构中的一解纠缠器中。

7.根据权利要求6所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于，

第一解纠缠器根据自身的定义对张量积 进行解纠缠，用公式表示为：其中，(x2i+1sinθu+x2icosθu)|1>、(x2i+1cosθu‑x2isinθu)|1>分别为第一解纠缠器输出的仅含有单个|1>态的第一项和第二项；

同理，第二解纠缠器输出的仅含有单个|1〉态的第一项和第二项分别为(x2i+3sinθu+x2i+2cosθu)|1〉、(x2i+3cosθu‑x2i+2sinθu)|1〉：则第一等距根据自身的定义对第一解纠缠器输出的第二项和第二解纠缠器输出的第一项进行张量积得到只含有单个|1〉态的项，用公式表示为：其中，作用到原始输入数据(x2i x2i+1x2i+2x2i+3)上的系数为：

8.根据权利要求1～7任一项所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于，所述步骤S4具体包括步骤：S41、保留步骤S3所得粗粒化输出中所有|1〉态的项的系数，并使用离差标准化方法将这L个系数值归一化到区间[0,1]当中，得到L个归一化值；

S42、采用如下公式对L个归一化值进行特征映射：其中，x指代L个归一化值中的任一个，φ(x)表示对x映射后得到的特征值；

S43、通过张量积将步骤S42得到的L个特征值连接起来，得到该医学二维灰度图像对应的全局特征映射；

S44、将该全局特征映射输入训练完成的张量分类网络中，预测得到该医学二维灰度图像的分类结果。

9.根据权利要求8所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于，张量分类网络采用矩阵乘积态，用线性决策函数表示为：j j

其中，f (x)表示张量分类网络对第j个样本的预测结果，Φ(x) 表示数据集中第j个样本的全局特征映射，W表示权重矩阵，由L个权重张量 组成，n＝0,1,2,...,L，经数据集训练后，W固定不变。

10.根据权利要求9所述的一种结合小波变换和张量网络的医学图像分类方法，其特征在于，在训练张量分类网络的过程中，使用交叉熵损失函数来计算张量分类网络的预测结果和真实标签之间的距离，并使用反向传播算法来更新张量分类网络中的权重张量；交叉熵损失函数表示为：

其中，yj表示第j个样本的标签，正类为1，负类为0；pj表示第j个样本被预测为正类的概率。