1.一种基于改进SwinIR的路面缺陷图像超分辨率重建方法，其特征在于，具体包括以下步骤：步骤1：获取路面缺陷图像，构建第一数据集；所述第一数据集中，路面缺陷图像可通过数码相机进行拍摄、从行车记录仪或者监控视频中获取；

步骤2：基于第一数据集生成第二数据集，所述第二数据集通过对第一数据集进行两倍下采样，生成与高分辨率图像相对应的低分辨率图像对，并将其划分为训练集、验证集和测试集；

步骤3：构建基于改进SwinIR的路面缺陷图像超分辨率重建模型，所述模型包括浅层特征提取模块、深层特征提取模块和高质量修复模块，模型的构建进一步包括步骤3.1至步骤

3.3：

步骤3.1：将第二数据集的低质量图像训练集和验证集输入浅层特征提取模块，所述浅层特征提取模块使用3×3卷积层提取初始特征，生成初步特征图；

步骤3.2：将初步特征图输入至深层特征提取模块，所述深层特征提取模块由5个RSTB模块、5个SimAM注意力机制以及1个3×3卷积组成，其中，每个RSTB模块包含6个STL层和1个深度可分离卷积模块；

步骤3.3：将深层特征提取模块的输出送至高质量修复模块进行图像重建，所述高质量修复模块由上采样模块和一个3×3卷积组成；所述上采样模块使用PixelShuffle方法对特征图进行上采样，提升图像分辨率；上采样后的特征图再通过3×3卷积层进行进一步细化，有效修复图像细节，最终输出高质量的重建图像；

步骤4：设计结合Wasserstein距离改进的L1损失函数，其计算公式为：LTotal＝loss_weight×LL1+wass_weight×LWass         (1)其中，LL1表示L1Loss，用于衡量预测值与真实值之间的绝对差异；LWass表示Wasserstein距离损失，用于衡量预测值和真实值之间的分布差异；loss_weight和wass_weight分别为L1Loss和Wasserstein距离的权重；

L1 Loss的计算公式为：

Wasserstein距离的计算公式为：

其中，f(xi)和yi分别表示第i个样本的预测值及相应真实值，n为样本的个数，Hist(·)表示直方图化操作；

步骤5：利用第二数据集的训练集和验证集对步骤3所述的基于改进SwinIR的路面缺陷图像超分辨率重建模型进行训练，并保存训练好的模型及权重，所述步骤5，进一步包括步骤5.1至步骤5.4：步骤5.1：设置所述基于改进SwinIR的路面缺陷图像超分辨率重建模型训练参数；

步骤5.2：将第二数据集的训练集和验证集图像对输入到改进的SwinIR路面缺陷图像超分辨率重建模型中，使用反向传播算法计算损失函数对模型参数的梯度，根据梯度更新模型的参数，使损失函数逐渐减小；

步骤5.3：监控训练过程中的损失函数值和性能指标，训练集的损失函数不再下降，同时评价指标PSNR和SSIM也不再提高时，停止训练以避免模型过拟合；

步骤5.4：在训练完成后，从中选取最优模型并保存训练权重；

步骤6：采用第二数据集的测试集对所述步骤5.4选取的最优模型进行测试，并对测试结果进行评估，若模型的PSNR和SSIM满足泛化性要求，即获得最终基于改进SwinIR的路面缺陷图像超分辨率重建模型，所述步骤6进一步包括步骤6.1至步骤6.3：步骤6.1：将所述测试集图像对输入到所述步骤5选取的最优模型中进行测试；

步骤6.2：计算模型性能指标PSNR，所述PSNR的具体计算公式如下：其中，x(i,j)和y(i,j)分别表示图像x和图像y在第i,j像素位置的值；m和n表示图像的宽和高，MAXx为图像x中最大像素值；

计算模型性能指标SSIM，所述SSIM的具体计算公式如下：

其中，μx和μy分别表示两个图像x和y的局部均值，用来估计亮度；c1和c2是常数项，防止除数为零； 和 表示图像x和y的局部方差，用来衡量图像的对比度；σxy表示图像x和y的协方差，用来衡量图像之间的结构相似性；

步骤6.3：评估测试集的性能指标，若测试集的PSNR和SSIM指标与训练集相近，说明模型满足泛化性的要求，获得最终基于改进SwinIR的路面缺陷图像超分辨率重建模型；

步骤7：将第一数据集与步骤5保存的训练权重一起输入到改进后的SwinIR路面缺陷图像超分辨率重建模型进行重建，即获得最终的超分辨率重建图像。