1.一种图像超分辨率重建方法，其特征在于，包括：

获取训练数据集并对训练数据集进行增广处理；

构建图像超分辨率重建网络模型；

通过增广处理后的训练数据集对构建好的图像超分辨率重建网络模型进行训练；

将待重建的图像输入训练好的图像超分辨率重建网络模型f得到重建的超分辨率图像；

其中，所述图像超分辨率重建网络模型包括浅层特征提取模块、非局部对比增强残差组模块、上采样模块以及重构模块；

所述浅层特征提取模块用于对增广后的训练数据集进行浅层特征提取，得到浅层图像特征图F0；

所述非局部对比增强残差组模块用于根据浅层图像特征图F0得到图像深度特征输出FDF；

所述上采样模块用于对图像深度特征输出FDF进行上采样，得到上采样特征图，记作F↑；

所述重构模块用于根据对上采样特征图F↑进行重构，得到重建的高分辨率图像，记作xSR。

2.根据权利要求1所述的一种图像超分辨率重建方法，其特征在于，所述图像超分辨率重建网络模型还包括自适应目标生成模块，用于生成自适应目标对训练好的图像超分辨率重建网络模型f继续训练得到最终的图像超分辨率重建网络模型F；

将待重构的图像输入最终的图像超分辨率重建网络模型F得到最终的高分辨率重建图像，记作F(xLR)。

3.根据权利要求1所述的一种图像超分辨率重建方法，其特征在于，所述非局部对比增强残差组模块包括两个非局部对比注意力模块和一个二阶注意力共享源残差组模块；

其中一个非局部对比注意力模块用于根据浅层图像特征图F0得到非局部注意力特征图如下式(1)、(2)、(3)所示：其中，q为放大因子，Q、K和V分别表示对浅层图像特征图F0上的三种不同的映射，θ、δ和g分别为相应的特征变换函数，Qi和Kj分别为特征图经过Q映射的位置i和经过K映射的位置j的像素特征，φ为无偏近似函数，D为softmax函数中的归一化项；

所述二阶注意力共享源残差组模块用于根据非局部注意力特征图 提取图像的深度特征FG，如式(4)所示其中，二阶注意力共享源残差组模块由若干二阶注意力共享源残差模块串联而成，WSSC表示卷积层的权重，Fg为第g个二阶注意力共享源残差模块的输出；

其中，Hg表示第g个二阶注意力共享源残差模块的函数，Fg‑1为第g个二阶注意力共享源残差模块的输入；

另一个非局部对比注意力模块用于根据图像的深度特征FG得到更深的图像深度特征FDF。

4.根据权利要求1所述的一种图像超分辨率重建方法，其特征在于，所述图像超分辨率重建网络模型训练过程中的L1损失函数L(Θ)为：其中， 表示超分辨率重建网络模型预测图像的第i个像素， 表示原始高分辨率图像的第i个像素，N表示图像总像素量。

5.根据权利要求2所述的一种图像超分辨率重建方法，其特征在于，所述生成自适应目标对训练好的图像超分辨率重建网络模型f继续训练得到最终的图像超分辨率重建网络模型F包括：通过式(7)生成自适应目标图像

其中，ATG表示ATG模块对应的函数，f(xLR)、xSR分别表示模型当前预测输出和对应的原始高分辨率图像，通过自适应目标图像 进一步训练模型f得到最终的图像超分辨率重建网络模型F其中，l为L2损失函数，i表示图像中像素的序。

6.一种图像超分辨率重建装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至5任一项所述方法的步骤。

7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。