1.一种电子显微镜成像图像增强方法，其特征在于：包括以下步骤：S1、微生物电子显微镜图像数据集制作，对微生物样品使用电子显微镜成像设备，得到高分辨率图像，将五类微生物进行标注，所述五类微生物为大肠杆菌、葡萄球菌、幽门螺杆菌、酵母菌和枯草芽孢杆菌，标注后的图像构成微生物电子显微镜图像数据集；

S2、构建深度特征提取模块DFEM，包括特征提取模块和上采样模块；

在S2步骤中，对于深度特征提取模块，输入低分辨率微生物电子显微镜图像 ，，H、W和3分别表示微生物图像的高、宽和通道数；首先通过一个3×3标准卷积进行初步的特征提取得到 ， ， 为一个3×3卷积；将初始特征经过N个残差块得到图像特征 ， ， ；残差块包括以下三个步骤：首先进行多尺度特征提取，

， 表示1×1

卷积， 表示3×3卷积， 表示5×5卷积， 表示连接操作；然后提取其通道特 征 ， ， 为

Sigmod激活函数， 为全连接层， 为激活函数， 为全局平均池化；然后提取其空间特征， ，为最大池化， 为平均池化；然后对经过N个残差块得到的图像特征进行上采样，得到 ， ， ，

为深度卷积， 为PixelShuffle操作，得到的 为深度特征提取模块的输出；

S3、构建特征处理模块FPM，包括3×3卷积和ReLU激活函数；

在S3步骤中，对于特征处理模块，通过深度特征提取模块处理后的得到微生物的高分辨率特征 ， ， 、 和 分别表示 的高、宽和通道数；特征处理模块包括三个卷积层，每个卷积层之后使用ReLU激活函数，， ，， 为3×3卷积， 为激活函数， 为特征处理模块的输出；

S4、构建自适应特征增强模块AFE，包括初始潜在编码 latent code 的计算；

在步骤S4中，对于自适应特征增强模块，通过特征处理模块得到微生物图像特征， ， 、 和 分别表示 的高、宽和通道数；使用双线性插值方法计算 中 个特征位置的初始潜在编码 latent code  ，对应 中 个特征点的坐标， ，

， 是特征图 中 的第k个最近邻点的

特征值，k取值最大为4， 表示第k个临近点的权重，初始潜在编码 为自适应特征增强模块的输出；

S5、构建自适应注意力特征融合模块AAFF，包括使用自注意力加强特征融合；

在步骤S5中，对于自适应注意力特征融合模块，通过自适应特征增强模块得到微生物的初始潜在编码 latent code  ，通过特征处理模块得到微生物的预处理图像特征， ， ， 、 和 分别表示 和的高、宽和通道数， 对应 中 个特征点的坐标， ；选取目标位置 周围的8个最近邻特征值， 表示特征图 中 位置的第k个最近邻点的特征值，k取值最大为8；首先计算初始潜在编码 latent code  与每个邻近特征 之间的相似性，相似性得分用 来表示，， 和 是线性变换，用于将特征映射到

Query和Key空间；然后计算注意力权重，注意力权重为每个邻近特征 在生成的最终潜在编码 中的重要性，注意力权重用 来表示，， 为激活函数， 使得权重

的总和为1；然后计算最终的潜在编码 ， 为经过注意力机制增强的特征表示， ， 是线性变换，用于将特征映射到Value空间， 为自适应注意力特征融合模块的输出；

S6、构建最终图像生成模块，包括反卷积、3×3卷积和ReLU激活函数；

在步骤S6中，对于最终图像生成模块，输入特征为 ， ，首先 通过一层反卷积层和ReLU激活函数，， 为 反 卷 积 ，

为激活函数；然后使用一个卷积层将处理后的特征图 转换为最终的高分辨率图像，， 为一个3×3卷积， 为最终图像生成模块的输出；

S7、构建微生物电子显微镜图像高分辨率模型，依次由输入、深度特征提取模块DFEM、特征处理模块FPM、自适应特征增强模块AFE、自适应注意力特征融合模块AAFF、最终图像生成模块、全连接层和输出组成。