1.一种基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：包括如下步骤：步骤S10、获取图像的数据集，并基于所述数据集创建复数张高分辨率图像以及高分辨率图像所对应的低分辨率图像；

步骤S20、创建三通道卷积神经网络模型，并利用所述三通道卷积神经网络模型对各高分辨率图像和低分辨率图像进行训练，并生成低分辨率图像与高分辨率图像的映射关系；

步骤S30、利用均方误差损失函数对所述映射关系进行优化；

步骤S40、基于优化后的所述映射关系，将待重建的低分辨率图像输入所述三通道卷积神经网络模型，输出重建后的高分辨率图像。

2.如权利要求1所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述步骤S10具体包括：步骤S11、获取图像的数据集，并基于所述数据集创建复数张高分辨率图像；

步骤S12、设定一尺度因子，将各所述高分辨率图像分别基于尺度因子向下采样得到低分辨率图像；

步骤S13、将各所述高分辨率图像以及低分辨率图像进行随机翻转和90度旋转，用于增加训练数据。

3.如权利要求1所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述步骤S20具体包括：步骤S21、基于PyTorch框架创建三通道卷积神经网络模型；

步骤S22、设置训练参数，基于所述训练参数，将所述低分辨率图像作为三通道卷积神经网络模型的输入，将所述高分辨率图像作为三通道卷积神经网络模型的输出，进行训练生成低分辨率图像与高分辨率图像的映射关系。

4.如权利要求1所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述步骤S20中，所述三通道卷积神经网络模型具体包括一用于获取高频特征的第一通道模型、一用于获取高频特征的第二通道模型以及一用于获取低频特征的第三通道模型；

所述第一通道模型包括一层卷积层、一连续稠密残差体以及一层采样组合模块；

所述第二通道模型包括一层卷积层、一连续残差体以及一层采样组合模块；

所述第三通道模型包括一层采样组合模块；

所述第一通道模型的卷积层的输入端与图像的输入端连接，所述卷积层的输出端与连续稠密残差体的输入端连接，所述连续稠密残差体的输出端与采样组合模块连接；所述第二通道模型的卷积层的输入端与图像的输入端连接，所述卷积层的输出端与连续残差体连接，所述连续残差体的输出端与采样组合模块连接；所述第三通道模型的采样组合模块与图像的输入端连接。

5.如权利要求4所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述卷积层输入通道数和输出通道数均为64，卷积核大小均为3*3，移动步长大小均为1*1，外圈补零大小均为1层；

所述采样组合模块由一层卷积层以及一层像素重排列层构成；

所述连续稠密残差体包括复数个残差模块，各所述残差模块间采用残差连接；所述残差模块由两个输入通道和输出通道为64的卷积层连接而成。

6.如权利要求3所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述步骤S22中，所述训练参数包括学习率、迭代次数以及放缩尺度因子。

7.如权利要求1所述的基于三通道卷积神经网络的单幅图像超分辨率重建方法，其特征在于：所述步骤S30中，所述均方误差损失函数具体为：其中xi表示预测值，yi表示真实值，N为正整数。