1.一种基于像素级注意力机制的超分辨率图像重构方法，其特征在于，包括如下步骤：获取低分辨率的单幅图像，提取其浅层图像特征；

将所述浅层图像特征输入级联融合模块的第一层，浅层图像特征作为补充与级联融合模块前一层的输出共同输入下一层，级联融合模块的所有层的输出融合后得到深层特征；

利用像素级注意力机制对深层特征进行加权微调，具体为：通道降维；

扩大感受野；

计算权重矩阵；

恢复感受野大小；

恢复通道维度；

利用精炼提纯之后的深层特征以及浅层特征生成超分辨率图片。

2.如权利要求1所述的基于像素级注意力机制的超分辨率图像重构方法，其特征在于，通道降维方法为：

采用1×1卷积层，设置降维比率，假设输入为 1×1卷积层θ1×1和降维比率r，输出对特征压缩后的特征图U为：U＝θ1×1(F), C′＝C/r其中，F代表输入的深层特征,H为特征图的高，W为特征图的宽，C为特征图的通道数，为实数集合，C′为压缩后的特征图的通道数，r为压缩比率。

3.如权利要求1所述的基于像素级注意力机制的超分辨率图像重构方法，其特征在于，扩大感受野的方法如下：

利用最大池化层，池化大小和步幅都设置为降维比率的大小，假设σ表示最大池化操作，池化大小为p和步幅为s，输出缩小的特征图V为：V＝σ(U), H′＝H/s,W′＝W/s其中，H′为缩放后的特征图的高，W′为缩放后的特征图的宽。

4.如权利要求1所述的基于像素级注意力机制的超分辨率图像重构方法，其特征在于，计算权重矩阵的方法如下：

使用3×3卷积层，将权重矩阵W记为：W＝θ3×3(V),

5.如权利要求1所述的基于像素级注意力机制的超分辨率图像重构方法，其特征在于，恢复感受野大小的方法为：

采用双线性插值方法来恢复特征图的大小，引入跳跃连接来稳定最终计算结果；假设τ表示插值方法，输出像素级特征图权重M为：

6.如权利要求1所述的基于像素级注意力机制的超分辨率图像重构方法，其特征在于，恢复通道维度的方法为：采用1×1卷积层进行通道扩张，再将权重矩阵投影为0‑1之间的值，输出N为：

N＝Sigmoid(θ1×1(M)),

7.如权利要求1所述的基于像素级注意力机制的超分辨率图像重构方法，其特征在于，级联融合网络的损失函数为：

其中，θ是指系统的可更新参数，||·||1表示l1范数，N表示像素点的数量； 和 中I表示像素点的值，下标i表示像素点的序号，上标HR表示真正的高清图像，SR表示算法还原出来的超分辨率图像， 是计算两个对应图像像素点之间的差值大小。

8.一种利用权利要求1‑7之一所述的基于像素级注意力机制的超分辨率图像重构方法的重构系统，其特征在于，包括浅层特征提取单元、深层特征提取单元、像素级注意力模块和重建单元；

所述浅层特征提取单元，用于提取低分辨率图像的浅层特征；

所述深层特征提取单元，用于接收浅层特征并提取深层特征，深层特征提取单元进行多级特征融合；

所述像素级注意力模块对深层特征进行加权微调；

所述重建单元利用精炼提纯后的深层特征和浅层特征，生成超分辨图片。

9.如权利要求8所述的重构系统，其特征在于，所述深层特征提取单元包括多个级联融合模块，浅层图像特征输入级联融合模块的第一层，浅层图像特征作为补充与级联融合模块前一层的输出共同输入下一层，级联融合模块的所有层的输出融合后得到深层特征。

10.如权利要求8所述的重构系统，其特征在于，所述注意力模块包括通道降维模块、扩大感受野模块、获取权重矩阵模块、恢复感受野模块和恢复通道维度模块，深层特征依次经过通道降维模块、扩大感受野模块、获取权重矩阵模块、恢复感受野模块和恢复通道维度模块。