1.基于多重一致性约束的单帧图像超分辨率重建方法，其特征在于，包括步骤如下：

S1：建立低分辨率图像和高分辨率图像之间的一致性对应关系，通过获取0阶梯度、1阶梯度和2阶梯度，分别建立关于结构、边缘和纹理的观测模型，从而获得新的数据保真模型，即一致性约束模型；

步骤S1中，构建的一致性约束模型如式(Ⅰ)所示：

式(Ⅰ)中，F(x,y)表示建立的基于低分辨率图像y和高分辨率图像x之间的多重微分一致性约束函数，i的取值分别为0，1，2，分别用来标记0阶梯度，1阶梯度，2阶梯度，λi为第i阶梯度的权重参数，ψ0为恒等变换，ψ1为1阶梯度算子，ψ2为2阶梯度算子，ψi(y)表示对低分辨率图像y求第i阶梯度，ψi(Wx)表示对拟合的低分辨率图像Wx求第i阶梯度；

S2：根据所需重建图像的种类，构建高分辨率图像和低分辨率图像之间在结构、边缘和纹理层面上的对应训练集；

S3：建立基于对称冗余深度神经网络的训练模型，通过该训练模型训练步骤S2获取的高分辨率图像和低分辨率图像之间在结构、边缘和纹理层面上的对应训练集中的数据，获得高分辨率图像和低分辨率图像之间的映射关系，即外部信息，所述映射关系也被称为先验约束；

S4：利用半二次迭代方法将步骤S1的一致性约束模型和步骤S3的先验约束建立超分辨率重建模型，并进行求解，得到重建后的超分辨率图像；

所述步骤S4，对超分辨率重建模型求解，超分辨率重建模型如式(Ⅲ)所示：

式(Ⅲ)中， 为高分辨率重建图像，x为待求高分辨率图像，z为不含外部信息的带噪图像，y为输入的低分辨率图像，λ和γ分别是求解过程中的权重参数，Φ指的是先验函数；

利用迭代格式 对x问题求解，得到：

W为降质矩阵，I为恒等矩阵，即对角线元素为1、其他元素为0的矩阵，xk+1和zk+1分别是第k+1次迭代结束之后的求得的高分辨率图像和含噪声的图像，k为当前迭代次数，xk和zk是第k次迭代后的求得的高分辨率图像和含噪声的图像，第k+1次迭代是建立在第k次迭代结果之上的；

利用步骤S3建立的低分辨率图像与高分辨率图像的映射关系，在每次迭代过程中，输入变量为x问题的解xk；通过网络后，输出为zk+1；

重复迭代过程，直到求得的两次高分辨率图像之间的差异小于预先设定的极小值ε，即|xk‑xk+1|＜ε，终止迭代，得到满足要求的高分辨率重建图像

2.根据权利要求1所述的基于多重一致性约束的单帧图像超分辨率重建方法，其特征在于，所述步骤S2，包括：构建高分辨率图像集 和对应的低分辨率图像集 i为样本序号，n为训练样本

库大小；xi表示训练样本库中第i帧高分辨率图像，yi表示训练样本库中与xi相对应的第i帧低分辨率图像。

3.根据权利要求1所述的基于多重一致性约束的单帧图像超分辨率重建方法，其特征在于，所述步骤S3，基于对称冗余深度神经网络的训练模型是一个对称模型，包括编码部分和对称的解码部分，编码部分包括5个一样的功能模块，每一个功能模块包括卷积、归一化和激活操作；对称的解码部分也包括5个功能模块，每一个功能模块包括反卷积、归一化和激活操作；编码部分的从左往右的5个功能模块的通道数量分别为256、128、64、32、16，对称的解码部分的从左往右的5个功能模块的通道数量为分别16、32、64、128、256。

4.根据权利要求1所述的基于多重一致性约束的单帧图像超分辨率重建方法，其特征在于，所述步骤S3，高分辨率图像与低分辨率图像的映射关系是指根据已有的训练集中数据对调整基于对称冗余深度神经网络的训练模型中的参数、连接权值或者结构，使得输入和输出形成映射关系，保证输出的高分辨率图像和真实的高分辨率图像之间误差尽量的小；对称冗余深度神经网络的训练模型如式(Ⅱ)所示：ψ＝fn(…(f0(ζ))    (Ⅱ)

式(Ⅱ)中，ζ是训练集中的低分辨率图像，ψ是对应的高分辨率图像，fi为n层对称冗余深度神经网络的第i层的映射函数，训练集通过基于对称冗余深度神经网络的训练模型经过若干轮迭代，得到的f＝{f0,…fn}，即高分辨率图像与低分辨率图像的映射关系。

5.根据权利要求4所述的基于多重一致性约束的单帧图像超分辨率重建方法，其特征在于，迭代次数为100次。