1.一种基于深度残差网络的图像超分辨率重建方法，其特征在于，包括以下步骤：

步骤S1：获取数据集，包含训练集和测试集；所述训练集还经过了旋转、水平翻转、降尺度在内的数据增强处理；

步骤S2：对原始高分辨率图像进行下采样，并通过插值、裁剪处理得到训练样本；

步骤S3：构建并训练图像重建模型，所述图像重建模型包括一个特征提取模块、若干个堆叠的特征增强模块和一个重建模块，所述特征提取模块用于提取原始低分辨率图像的特征信息；每个特征增强模块包含一个增强单元和非线性化单元，增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元用于提取多样的非线性特征；所述重建模块则使用不含激活函数的转置卷积；

步骤S4：利用步骤S3训练好的图像重建模型进行图像重建，得到特征信息重建高分辨率图像；

所述步骤S3图像重建模型中将每个特征增强模块的增强单元都融合上特征提取模块提取的特征信息，使一些较早层提取出的特征融合到较深层使用，增强模块间特征信息的重用；

所述步骤S3的图像重建模型训练使用Adam算法优化，Adam算法基于训练数据迭代地更新神经网络权重，步骤：1.用小批量梯度下降法计算出权重和偏置项的梯度；2.计算加权平‑4 ‑4均数；3.更新权重，图像批处理大小为64，权重衰减为10 ，学习率初始设置为10 ，微调阶段除以10；损失函数先使用L1损失训练模型，再用L2损失微调模型。

2.根据权利要求1所述的一种基于深度残差网络的图像超分辨率重建方法，其特征在于，所述步骤S1的训练集是通用的超分辨重率训练集91张图像和伯克利分割数据集中的

200图像；为了充分利用训练数据，还使用了3种数据增强方法：(1)将图像旋转90°，180°，

270°；(2)水平翻转图像；(3)对图像进行降尺度，降尺度因子分别为0.9，0.8，0.7和0.6；测试集是图像超分辨率重建领域中常用的4个数据集：Set5、Set14、BSD100和Urban100；Set5，Set14和BSD100包含了自然景色，Urban100包含了具挑战性的城市景色。

3.根据权利要求2所述的一种基于深度残差网络的图像超分辨率重建方法，其特征在于，所述步骤S2训练样本预处理，具体包括：首先使用matalab的一个resize函数升尺度因子m对原始高分辨率图像进行下采样，也就是缩小图像利用双三次线性插值来生成与下采样过后的图像对应LR低分辨率图像，将LR图像裁剪为一组大小为lsub×lsub像素的子图像，lsub表示低分辨率裁剪后的子图像大小，并将对应的HR高分辨率真实图像划分为mlsub×mlsub大小的子图像，这些LR和HR子图像对即为训练样本，利用深度学习框架Caffe来训练时，重建模型中转置卷积的滤波器产生的输出尺2

寸为(mlsub‑m+1) ，还需在HR子图像上裁剪(m‑1)像素边界，最后对于尺度为2，3和4的模型，

2 2 2 2 2 2

分别将LR/HR子图像对的大小设置为39/77，26/76，19/73。

4.根据权利要求3所述的一种基于深度残差网络的图像超分辨率重建方法，其特征在于，所述步骤S4利用步骤S3训练好的图像重建模型进行图像重建，得到特征信息重建高分辨率图像，具体包括：将低分辨率图像输入到模型中特征提取模块中提取特征，接着将提取到的特征输入到堆叠的特征增强模块中增强特征信息的表示能力，最后将增强的特征信息输入到重建模块后结合低分辨率双三次插值后的特征图对应位置相加得到的特征信息重建高分辨率图像。

5.一种存储介质，该存储介质内部存储计算机程序，其特征在于，所述计算机程序被处理器读取时，执行上述权利要求1～4任一项的方法。