1.一种基于全卷积神经网络单张图像的超分辨率图像重建方法，其特征在于由以下步骤组成：(1)对采集的图像进行分割

获取不少于200张彩色图像，按照3:1的比例分割出训练数据集图像和测试集图像；

(2)制作网络训练集和测试集图像进行预处理

使用数据增强方法扩充训练数据集图像并制作网络训练集，并对测试集图像进行预处理；

该步骤中，数据增强方法扩充训练数据集图像并制作网络训练集的步骤为：

1)对训练数据集图像中的所有图像依次顺时针旋转90°、180°、270°，将每次旋转得到的旋转图像加入训练数据集图像中；

2)对训练数据集图像中所有图像进行水平翻转；

3)对训练数据集图像中所有图像从红、绿、蓝色彩空间，转为亮度、蓝色色度、红色色度空间，提取出亮度，从亮度中切割出16～64×16～64的像素块；

4)对每个像素块分别进行2倍、3倍、4倍双三次插值下采样，将下采样的结果再用相同的倍数上采样，恢复到原尺寸，所得到的结果为网络模型的输入，原来的像素块为网络模型的输出，得到训练集；

该步骤中，对测试集图像进行预处理步骤为：

对所有测试集图像从红、绿、蓝色彩空间，转为亮度、蓝色色度、红色色度色彩空间，提取出亮度作为测试集；

(3)构建全卷积神经网络

全卷积神经网络包含原始图像特征提取模块、特征高维映射模块、残差提取模块，特征提取模块的输出与特征高维映射模块的输入相连，特征高维映射模块的输出与残差提取模块的输入相连，构建成全卷积神经网络；

(4)训练全卷积神经网络

将步骤(2)中得到的训练集输入步骤(3)构建的全卷积神经网络中，用动态调整网络模型的学习率进行训练，得到训练好的全卷积神经网络；

上述的动态调整网络模型的学习率进行训练为：用均方误差作为损失函数，每遍历

10000个样本为一代，每过10代学习率降为当前的0.1，迭代次数为100代；

(5)重建测试集图像的超分辨率图像

将步骤(2)得到的测试集输入步骤(4)中训练好的全卷积神经网络，得到网络输出，根据网络输出重建出测试集图像的超分辨率图像；

该步骤中，根据网络输出重建出测试集图像的超分辨率图像为：把测试集图像的色彩空间从红、绿、蓝转为亮度、蓝色色度、红色色度，用全卷积神经网络的对应输出替换原测试集图像的亮度层，把图像色彩空间从亮度、蓝色色度、红色色度，转回红、绿、蓝，得到基于全卷积网络的单张超分辨率图像。

2.根据权利要求1所述的基于全卷积神经网络单张图像的超分辨率图像重建方法，其特征在于在构建全卷积神经网络步骤(3)中，所述的原始图像特征提取模块为：第一联接线性整流单元的输出与第一压缩激励单元的输入相连，第一压缩激励单元的输出与第二联接线性整流单元的输入相连，第二联接线性整流单元的输出与第二压缩激励单元的输入相连，构建成原始图像特征提取模块；

所述的特征高维映射模块为下式：

xn＝[xn-1,C(xn-1)]

式中C为胶囊模块，xn-1为第n-1个胶囊模块的输入，C(xn-1)为第n-1个胶囊模块的输出，x0为原始图像特征提取模块的输出,xn为特征高维映射模块的输出，n为胶囊模块的个数，取值为有限的正整数；

所述的残差提取模块如下：

1)提取原始特征残差

将特征高维映射模块的输出用一层卷积核大小为128×1×1的卷积层降维到与原始图像特征提取模块的输出相同维度，得到原始特征残差；

2)提取全局残差

将原始特征残差与原始图像特征提取模块的输出相加，用一层卷积核大小为1×3×3的卷积层降维到与全卷积神经网络的输入相同维度，得到全局残差；

3)构建残差提取模块

将全局残差与全卷积神经网络的输入相加，构建成残差提取模块。

3.根据权利要求2所述的基于全卷积神经网络单张图像的超分辨率图像重建方法，其特征在于在构建全卷积神经网络步骤(3)中，所述的胶囊模块为：第一卷积单元的输出与第二卷积单元的输入相连，第二卷积单元的输出与第三卷积单元的输入相连，第三卷积单元的输出与第三压缩激励单元的输入相连。

4.根据权利要求3所述的基于全卷积神经网络单张图像的超分辨率图像重建方法，其特征在于：在构建全卷积神经网络步骤(3)中，所述的第一卷积单元由批量正则层、线性整流单元层、卷积层组成，批量正则层的输出与线性整流单元层的输入相连，线性整流单元层输出与卷积层的输入相连，第二卷积单元、第三卷积单元与第一卷积单元的结构相同。

5.根据权利要求2所述的基于全卷积神经网络单张图像的超分辨率图像重建方法，其特征在于：在构建全卷积神经网络步骤(3)中，所述的第一联接线性整流单元中卷积核大小为64×3×3，偏移量为1，第二联接线性整流单元与第一联接线性整流单元相同。

6.根据权利要求2所述的基于全卷积神经网络单张图像的超分辨率图像重建方法，其特征在于：在构建全卷积神经网络步骤(3)中，所述的第一压缩激励单元由全局平均池化层、第一全连接层、第二全连接层、Sigmoid激活层组成，全局平均池化层的输出维度为128×1×1，第一全连接层的输出维度为8×1×1，第二全连接层的输出维度为128×1×1，Sigmoid激活层的输出维度为128×1×1，全局平均池化层的输出与第一全连接层的输入相连，第一全连接层的输出与第二全连接层的输入相连，第二全连接层的输出与Sigmoid激活层的输入相连；所述的第二压缩激励单元与第一压缩激励单元相同。

7.根据权利要求3所述的基于全卷积神经网络单张图像的超分辨率图像重建方法，其特征在于：在构建全卷积神经网络步骤(3)中，所述的第三压缩激励单元由全局平均池化层、第一全连接层、第二全连接层、Sigmoid激活层组成，全局平均池化层的输出维度为128×1×1，第一全连接层的输出维度为8×1×1，第二全连接层的输出维度为128×1×1，Sigmoid激活层的输出维度为128×1×1，全局平均池化层的输出与第一全连接层的输入相连，第一全连接层的输出与第二全连接层的输入相连，第二全连接层的输出与Sigmoid激活层的输入相连。

8.根据权利要求3或4所述的基于全卷积神经网络单张图像的超分辨率图像重建方法，其特征在于：在构建全卷积神经网络步骤(3)中，所述的胶囊模块的第一卷积单元、第二卷积单元、第三卷积单元的卷积核大小分别为128×1×1、128×3×3、128×3×3。