1.一种基于条件生成对抗网络的超分辨率重建方法，其特征在于，包括如下步骤：步骤1，对训练集中的高分辨率图像采用双三次插值的方法进行下采样处理，获得低分辨率图像，分别对高分辨率图像和低分辨率图像进行随机裁剪，获得训练图像对集；

步骤2，设计条件生成对抗网络，所述条件生成对抗网络包括生成器网络和判别器网络，其中，生成器网络包括低频信息提取模块、深度密集残差模块、亚像素上采样模块和重建模块，判别器网络的判别条件是原始高分辨率图像；

所述条件生成对抗网络中生成器网络和判别器网络的对抗过程公式如下：其中，G表示生成器网络，D表示判别器网络，E表示期望，y表示原始高分辨率图像，x表示低分辨率图像，G(x)表示G生成的超分辨率图像，D(y,y)表示在y的条件下，判断输入图像y的真伪，D(y,G(x))表示在y的条件下，判断输入图像G(x)的真伪；

步骤3，将步骤1获得的训练图像对集输入步骤2设计好的条件生成对抗网络，进行迭代训练，并通过感知损失函数判断条件生成对抗网络的收敛情况，从而得到训练好的条件生成对抗网络模型；

所述感知损失函数表达式为：

‑8 ‑3

Loss＝lMSE+0.006*lVGG+2*10 lTV+100*L1+10 lGen其中，Loss表示感知损失函数，lMSE表示最小均方差损失，lVGG表示神经网络损失，lTV表示梯度损失，L1表示L1范数，lGen表示对抗损失；

所述最小均方差损失lMSE，公式如下：

其中，r表示放大因子，W、H是高分辨率图像的宽、高大小；

所述梯度损失lTV，公式如下：

所述对抗损失lGen，公式如下：

其中，N表示训练样本数量；

步骤4，对测试集中的高分辨率图像采用双三次插值的方法进行下采样处理，得到低分辨率测试图像，将低分辨率测试图像作为训练好的条件生成对抗网络模型的输入，并输出超分辨率图像。