1.一种基于图像纹理信息构建损失函数的高分辨率图像预测方法，其特征在于，包括如下步骤：步骤1、网络初始化：随机初始化SRCNN卷积神经网络的连接权重与偏置，并设置网络参数，包括：卷积核尺寸、卷积核数量、学习率、移动步长、迭代次数；

步骤2、训练数据预处理：用双三次插值扩展训练图像数据集，获得高、低分辨率图像对训练集；

步骤3、网络预测：将低分辨率图像输入基于SRCNN卷积神经网络框架，得到网络输出的高分辨率图像；

步骤4、误差计算：计算网络输出的高分辨率图像和步骤2所得高分辨率图像的损失函数值，判断迭代次数是否达到预设，如果是，则网络训练结束，转入步骤6；如果否，则转入步骤5；

步骤5、权值修正：计算步骤4中损失函数的梯度，采用经典随机梯度下降法修正网络权值，然后转入步骤3；

步骤6、输出结果：获得网络训练后各类参数的最优结果，得到训练好的网络；

步骤7、测试阶段：输入低分辨率图像至训练好的网络，得到预测的高分辨率图像。

2.根据权利要求1所述的方法，其特征在于，步骤3中所述SRCNN卷积神经网络共三层，训练库的图像经过第一层卷积层后得到特征图，再经过Sigmoid激活函数；然后，经过第二层卷积层得到特征图，再经过Sigmoid激活函数；最后经过第三层对特征进行卷积运算，得到网络输出的高分辨率图像。

3.根据权利要求1或2所述的方法，其特征在于，SRCNN卷积神经网络分为三个卷积层，其中：卷积核尺寸分别设为7×7，1×1，5×5；卷积核数量分别设置为64，32，3；学习率设置：第一层为10-5，第二层为10-6，第三层为10-7；移动步长为1×1；迭代次数设为15；

每一层权重初始化均值为0、标准差为0.001的高斯分布，每一层的偏置初始化为0，每一层卷积输出均采用Sigmoid函数为激活函数。

4.根据权利要求1所述的方法，其特征在于：步骤4中计算网络输出高分辨率图像和步骤2所得高分辨率图像的损失函数值，所述损失函数值包括像素值损失，以及按一定权重计算的图像纹理信息损失，如下式：LMSE-V＝LMSE+λLVAR，

其中，LMSE-V为损失函数，LMSE为经典MSE损失函数，表示图像像素值损失；LVAR为图像纹理特征损失，实现高、低分辨率图像块各自方差的绝对差计算；λ为权重系数。

5.根据权利要求4所述的方法，其特征在于：

图像像素值损失LMSE函数具体计算方法如下：

图像纹理特征损失LVAR函数具体计算方法如下：

其中，IHR表示高分辨率图像块，ILR表示低分辨率图像块，F(ILR)为超分辨率图像块，var(.)为对图像块求方差， 和 分别表示对应图像块的均值，W为图像块的宽，单位为像素，H为图像块的高，单位为像素，x和y为图像的像素的下标索引。