1.一种基于深度展开网络的手写文本图像超分辨率重建方法，其特征在于，包括以下步骤：步骤1:构建基于边缘驱动的深度展开网络，并进行训练；

步骤2：深度展开网络输入待处理的低分辨率图像y和目标放大倍数，待处理的输入图像称为低分辨率图像；

步骤3：使用步骤2中输入的低分辨率图像通过双三次插值法进行处理，将低分辨率图像上采样到目标放大倍数获得初始图像低频信息步骤4：使用步骤2输入的低分辨率图像进行双三次插值法上采样，通过边缘提取模块获取初始图像高频信息1

步骤5：整合图像低频信息以及图像高频信息获得超分辨图像x；

1

步骤6：将图像低频信息通过深度去噪模块获取图像去噪信息v；

1 1

步骤7：将图像去噪信息v、超分辨率图像x 、图像低频信息 通过低频重构模块重建图像低频信息1

步骤8：将超分辨率图像x通过边缘提取模块获取图像高频信息步骤9：重复步骤5至步骤8，迭代计算图像低频信息 图像高频信息步骤10：整合步骤9中的图像低频信息 图像高频信息 获得最终的超分辨率图像x；

步骤11：深度展开网络输出重建得到最终的超分辨率图像x；

步骤1中，基于边缘驱动的深度展开网络模型为：

其中，xl表示缺失了高频细节的重构图像，xh为高频信息，其中A表示退化算子，λ是拉格朗日乘数，Ω(v)是正则化函数，边缘提取算法fedge，α为补偿系数，δ为松弛参数；

步骤1中，使用端到端的方式来训练深度展开网络，具体步骤如下：步骤1.1：首先需要构建手写文本图像数据集，数据集需要包含多组图片，每一组图片包含原始分辨率照片作为高分辨率图像，不同倍数下采样的照片作为低分辨率图像；

步骤1.2：将低分辨率图像yi以及对应的放大倍数输入到深度展开网络中，并获得重构得到的超分辨率图像xi；

步骤1.3：将步骤1.2中获得超分辨率图像xi与低分辨率图像yi，计算L1损失函数，公式如下：步骤1.4：采用梯度下降算法更新超分辨率网络的模型参数。

2.根据权利要求1所述的一种基于深度展开网络的手写文本图像超分辨率重建方法，其特征在于，步骤6中的深度去噪模块具体内容为：该模块采用U‑net的变体作为深度去噪模块的主干，包含四个编码网络和四个解码网络组成，除去最后一个编码网络外，每一个编码网络都有一个下采样层，该下采样层通过2倍的比例因子对特征映射进行子采样，以增加神经元的接收场，除去最后一个解码网络外，每一个编码网络后都有一个上采样层，通过2倍的比例因子对增大特征图的空间大小。

3.根据权利要求1所述的一种基于深度展开网络的手写文本图像超分辨率重建方法，其特征在于，步骤4，步骤8中的边缘提取模块具体为：步骤a：滤波降噪处理，采用高斯滤波去除噪声；

步骤b：采用Sobel算子差分计算幅值和方向，标识每个点上的最大值以及生成的边缘的方向，同时对非极大值抑制，获得二值图像；

步骤c：双阈值筛选，根据高阈值得到一个边缘图像，在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合，获取到图像的边缘信息。

4.根据权利要求1所述的一种基于深度展开网络的手写文本图像超分辨率重建方法，其特征在于，步骤7中的低频重建模块具体为：该模块通过浅四层卷积网络来模拟退化的正向与反向过程，退化过程A是通过下采样网络来模拟的，通过4层卷积层构成，以相应的比例降低空间T分辨率，上采样网络模拟过程A 由三个卷积层和一个反卷积层构成，以相应的比例提高空间分辨率，从而构建出图像低频信息xl。