1.一种基于递归注意力机制的图像超分辨率方法，其特征在于由下述步骤组成：(1)图像预处理

从图像库中选取图像划分为训练集、测试集、验证集，训练集与测试集、验证集的图像比为8：1：1，经双三次插值法缩放2倍下采样，作为与标签图像相对应的低分辨率图像；

(2)构建超分辨网络模型

超分辨率网络模型由递归注意力网络模块与重建网络模块串联构成，递归注意力网络模型块由预处理卷积(4)与第一注意力子模块(1)、第二注意力子模块(2)、第三注意力子模块(3)连接构成，预处理卷积层(4)的输出分别与第一注意力子模块(1)、第二注意力子模块(2)、第三注意力子模块(3)的输入相连，第一注意力子模块(1)的输出与第二注意力子模块(2)相连，第二注意力子模块(2)的输出与第三注意力子模块(3)相连；重建网络模块由骨干网络单元(5)与上采样器(6)、后处理卷积层(7)串联构成，骨干网络单元(5)的输入与第三注意力子模块(3)的输出相连、输出与上采样器(6)的输入相连，上采样器(6)的输出与后处理卷积层(7)的输入相连；

(3)确定网络训练目标函数

按式(1)确定网络训练的目标函数J(W)：其中Y为训练集高分辨率的标签图像，X表示与Y对应的低分辨率图像，D(·)表示超分辨率网络模型，||·||1表示F范数，W为超分辨率网络模型中的权重系数；

(4)训练超分辨率网络

采用ADAM参数更新算法和目标函数J(·)对超分辨率网络模型在训练集进行训练，初‑4

始学习率为10 ，训练300个迭代，每100个迭代对学习率减半，每个迭代使用验证集对超分辨率网络模型进行评估；

(5)重建超分辨率图像

将测试集图像输入到训练后的超分辨率网络模型进行超分辨重建。

2.根据权利要求1所述的基于递归注意力机制的图像超分辨率方法，其特征在于:在(2)构建超分辨网络模型步骤中，所述的第一个注意力子模块由至少2个相互串联的残差块、第一长短期记忆网络、第一卷积层连接构成，至少2个相互串联的残差块的输入与预处理卷积层(4)的输出相连、输出与第一长短期记忆网络的输入相连，第一长短期记忆网络的输出与第一卷积层的输入以及第二注意力子模块(2)相连，预处理卷积层(4)的输出与第二注意力子模块(2)相连；

所述的第二注意力子模块(2)由至少2个相互串联的残差块、第二长短期记忆网络、第二卷积层连接构成，至少2个相互串联的残差块的输入与预处理卷积层(4)的输出相连、输出与第二长短期记忆网络的输入相连，第二长短期记忆网络的输出与第二卷积层的输入以及第三注意力子模块(3)相连，第二卷积层的输出与第三注意力子模块(3)相连；

所述的第三注意力子模块(3)由至少2个相互串联的残差块、第三长短期记忆网络、第三卷积层连接构成，至少2个相互串联的残差块的输入与预处理卷积层(4)的输出相连、输出与第三长短期记忆网络的输入相连，第三长短期记忆网络的输出与第三卷积层的输入相连，第三卷积层的输出与重建网络模块相连。

3.根据权利要求1所述的基于递归注意力机制的图像超分辨率方法，其特征在于:在(2)构建超分辨网络模型步骤中，所述的骨干网络单元(5)由16～32个相互串联的残差块构成。

4.根据权利要求2或3所述的基于递归注意力机制的图像超分辨率方法，其特征在于:所述的残差块由卷积层与ReLU激活层、卷积层串联构成。

5.根据权利要求2所述的基于递归注意力机制的图像超分辨率方法，其特征在于：所述的第一长短期记忆网络与第二长短期记忆网络、第三长短期记忆网络的结构相同，第一长短期记忆网络为：输入门特征It按式(2)确定，遗忘门特征Ft按式(3)确定，输出门特征Ot按式(4)确定，细胞状态特征C1按式(5)确定：It＝Sigmoid(Conv1([H0,F0]))          (2)Ft＝Sigmoid(Conv2([H0,F0]))         (3)Ot＝Sigmoid(Conv3([H0,F0]))      (4)C1＝Sigmoid(Conv4([H0,F0]))              (5)其中，H0是输出门特征、为全零矩阵，F0为输入特征，Sigmoid(·)为Sigmoid激活函数，Convi(·)表示第i个卷积层函数，[·]表示连接操作，按式(6)确定深层注意力特征H1：H1＝Tanh(C0⊙Ft+It⊙C1)⊙Ot           (6)其中细胞状态特征C0为全零矩阵，Tanh(·)表示Tanh激活函数，⊙表示逐元素相乘，H1、C1将被输入到下一个注意力子模块的长短期记忆网络。