1.一种基于群等变与延迟聚合的量子经典混合图像分类方法，其特征在于，针对混合图像中的目标图像，执行如下步骤S1‑步骤S5，完成目标图像的分类：步骤S1：构建提升卷积模块，输入单通道的目标图像，初始化一个卷积核，针对卷积核进行四个方向的旋转，获得相应的四个旋转后的卷积核，采用旋转后的各卷积核分别对目标图像进行卷积，将卷积结果堆叠，获得提升卷积模块的输出图像；

步骤S2：构建群卷积模块，输入提升卷积模块的输出图像，将提升卷积模块的输出图像转化为多个独立的图像样本，使用相同卷积核权重的卷积处理各图像样本，针对卷积处理后的各图像样本，执行逆向重塑操作，获得群卷积模块的输出图像；

步骤S3：构建群池化与展平模块，针对群卷积模块的输出图像进行自适应平均池化，将群卷积模块的输出图像压缩为包含四个旋转方向信息的结构化的特征向量，获得群池化与展平模块输出的特征向量；

步骤S4：构建群等变量子特征处理模块，针对群池化与展平模块输出的特征向量，使用四组量子比特，根据旋转方向信息，将特征向量分别编码到各组量子比特上；利用各组共享的旋转门和组间循环纠缠，在量子态空间通过非线性变换提取群不变特征；

步骤S5：构建延迟聚合与输出模块，对量子线路中全部的量子比特进行测量，得到相对应的测量结果，对测量结果进行聚合，获得聚合特征值并进行分类，完成混合图像中目标图像的分类；

步骤S5中延迟聚合与输出模块具体执行步骤如下：步骤S5.1：测量所有16个量子比特的Pauli‑Z期望值，所组成的输出向量形式为(B,

16)，取值范围为[‑1,1]；其中16个量子比特对应的16个Pauli‑Z期望值分布为：索引0‑3：对应0°旋转方向的逻辑组；

索引4‑7：对应90°旋转方向的逻辑组；

索引8‑11：对应180°旋转方向的逻辑组；

索引12‑15：对应270°旋转方向的逻辑组；

步骤S5.2：将输出向量的形式由(B,16)重塑为(B,4,4)，其中第一个维度B表示批次大小，第二个维度表示逻辑组，第三个维度表示特征；在逻辑组维度上执行求和或平均操作，获得聚合特征值：；

其中， 表示第 个图像样本的第 个聚合特征值，表示图像样本批次索引，取值范围为0 B‑1；表示聚合特征值索引，取值范围为0 3； 表示0°、90°、180°、270°~ ~四个旋转方向中第 个逻辑组； 表示第 个逻辑组的特征映射函数；

步骤S5.3：聚合特征值 的形式为(B,4)，对聚合特征值 进行二分类，获得目标图像的分类结果。

2.根据权利要求1所述的一种基于群等变与延迟聚合的量子经典混合图像分类方法，其特征在于，步骤S1中所述的提升卷积模块具体如下：输入单通道的目标图像 ，目标图像 的形式为 ，其中第一个维度 表示批次大小，第二个维度表示通道数，第三个维度表示目标图像的高度，第四个维度表示目标图像的宽度；

初始化一个卷积核 ，形状为 ，其中， 表示卷积层的输出通道数，表示卷积核的尺寸；生成卷积核 在 旋转群下的四个旋转后的卷积核：

；

；

；

；

式中， 、 、 、 分别表示卷积核 经旋转0°、90°、180°、270°的卷积核；

表示将图像进行逆时针旋转90°的操作，括号中的1、2、3分别表示将图像进行逆时针旋转90°的次数；

用四个卷积核 、 、 、 分别对输入的目标图像 进行卷积，调用标准二维卷积算子如下式：；

其中， 表示卷积操作的输出张量， 表示二维卷积操作；表示卷积操作采用的卷积核， 表示卷积步长， 表示卷积填充；

将四个卷积核对应的卷积结果堆叠，输出图像形状为 ，然后将维度再进行变换，图像形状重塑为 , 第一个维度 表示批次大小，第二个维度表示群维度,第三个维度表示通道数，第四个维度表示图像的高度，第五个维度表示图像的宽度。

3.根据权利要求2所述的一种基于群等变与延迟聚合的量子经典混合图像分类方法，其特征在于，步骤S2中所述的群卷积模块具体如下：将提升卷积模块的输出图像的形式由 转化为 ，视为B×4个独立的图像样本；

使用相同卷积核权重 的标准二维卷积分别处理B×4个图像样本；卷积输出后，执行逆向重塑操作，将输出图像形状保持为( )；

经过三次卷积后，最终图像形状为 ；

其中，第一次卷积中卷积核的尺寸k=11，卷积步长 ，卷积填充 ；

第二次卷积中卷积核的尺寸k=3，卷积步长 ，卷积填充 ；

第三次卷积中卷积核的尺寸k=3，卷积步长 ，卷积填充 。

4.根据权利要求3所述的一种基于群等变与延迟聚合的量子经典混合图像分类方法，其特征在于，步骤S3中所述的群池化与展平模块具体如下：对每个群通道独立进行自适应平均池化，将群卷积模块的输出图像的形状转化为；

通过展平将图像形式重塑为 ，作为群池化与展平模块输出的特征向量；特征向量中16表示16个特征，具体包含0°、90°、180°、270°四个旋转方向的特征组，每个旋转方向的特征组中均包含4个特征。

5.根据权利要求4所述的一种基于群等变与延迟聚合的量子经典混合图像分类方法，其特征在于，步骤S4中群等变量子特征处理模块具体执行步骤如下：步骤S4.1：对群池化与展平模块输出的特征向量应用双曲正切函数并缩放，具体如下式：；

其中， 表示编码后的特征向量， 表示双曲正切函数， 表示群池化与展平模块输出的特征向量；

步骤S4.2：使用16个量子比特，并将其划分为4个逻辑组，每个逻辑组包含4个量子比特，具体如下：；

；

；

；

其中， 表示0°、90°、180°、270°四个旋转方向中第 个逻辑组，表示逻辑组索引， 表示第 个量子比特，表示量子比特索引；

步骤S4.3：采用角度编码和重上传策略，将编码后的特征向量 映射为量子门的旋转门 ；

对每一个量子比特 ，施加 旋转门；旋转门的旋转角度为编码后的特征向量的第 个分量，最终为下式：；

其中， 表示量子线路的初始量子态； 表示编码后的特征向量 的第个分量； 表示量子比特的基态； 表示张量积；

设定变分参数矩阵 ，形状为(L,4,3)，其中第一个维度L为层数，第二个维度为每个逻辑组内的量子比特数，第三个维度代表旋转轴各有 三个旋转门；

对于变分参数矩阵的第 层，从变分参数矩阵中取出参数子集 ， 形状为(4×3)，表示对一个逻辑组内的4个量子比特分别作用3个旋转门；

其中4个逻辑组互相共享同一套旋转门； 的第 个量子比特所用的旋转门，与的第 个量子比特完全一致；

步骤S4.4：分别针对各逻辑组，进行组内纠缠，在逻辑组内部形成环形CNOT连接，第 个逻辑组中的第 个量子比特 与第 个逻辑组中的第 个量子比特的下一个量子比特进行CNOT连接，其中，表示逻辑组索引，分别对应0°、90°、180°、270°四个旋转方向； 表示模4运算；表示量子比特索引，分别对应每个逻辑组内的四个量子比特；

针对四个逻辑组，进行组间纠缠，在对应位置的量子比特之间建立循环纠缠；具体如下：

0°与90°旋转方向的交互： ；

90°与180°旋转方向的交互： ；

180°与270°旋转方向的交互： ；

270°与0°旋转方向的交互： ；

其中， 表示CNOT连接。

6.一种电子设备，包括存储器、处理器及存储在所述存储器上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1‑5任一项所述的一种基于群等变与延迟聚合的量子经典混合图像分类方法。

7.一种计算机可读存储介质，其上存储有计算机程序，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1‑5任一项所述的一种基于群等变与延迟聚合的量子经典混合图像分类方法。