1.一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，包括：获取待处理的图像，将待处理的图像输入到训练好的改进的深度神经网络模型中，得到高质量图像；

训练改进的深度神经网络模型的过程包括：

S1：获取原始图像，对原始图像进行预处理，得到训练数据集和测试数据集；

S2：采用二维离散小波分解法对训练集中的图像进行高频信息的迭代提取，得到多尺度的高频细节特征信息；具体过程包括：对图像的每一行进行一维小波变换，获得原始图像在水平方向上的低频分量L和高频分量H，对变换所得数据的每一列进行一维小波变换，获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的高频分量HH；其中，高频信息分量HH用于融合，低频分量LL用于进行下一轮二维离散小波分解；

S3：采用两层基于深度学习卷积层对训练数据集中的低分辨率图像进行浅层特征提取，得到浅层特征图；

S4：采用残差密集块提取浅层特征图的各层局部特征；即将低分辨率浅层特征图输入到残差密集块中进行局部特征提取，每通过一次残差密集块就得到一个局部特征图；

S5：将每个局部特征和同一层提取的高频细节特征信息进行融合，并通过一层卷积层后计算该局部特征与高分辨率目标图之间的损失；

S6：采用残差密集块在全局上提取融合后特征图的各层特征，计算出各层特征的损失，对损失进行加权处理，并在模型训练过程中进行反向传播，调整图像特征提取过程；

S7：将提取的各层特征进行卷积融合，得到融合了特征后的低分辨率图；对融合特征后的低分辨率图进行上采样，得到最终的高分辨率图像；

S8：根据最终的高分辨率图像计算模型的损失函数，将测试集中的数据输入到模型中，不断调整损失函数的参数，当损失函数最小时，完成模型的训练。

2.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，残差密集块由至少4个注意力残差块构成；每个注意力残差块包括残差块和一个SENet网络；所述残差块包括两个卷积层；SENet网络包括两个全连接层；在采用残差密集块提取浅层特征的各层局部特征的过程中，采用两个卷积层依次提取低分辨率图的浅层特征，将提取的两个低分辨率图的浅层特征进行特征融合，得到融合特征；将融合特征输入到SENet网络的全连接层中进行特征重要性学习；将融合特征与SENet网络输出的特征进行点乘，得到局部特征图。

3.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，计算局部特征与高分辨率目标图之间的损失的过程包括：将融合了高频信息之后的局部特征图像进行上采样操作使得图像的尺寸变得跟高分辨率目标图相同，此时将两张图片之间的差异值作为图像的损失。

4.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，计算出每个损失加以权重后反向传播调整图像特征提取过程包括：对于不同网络深度提取到的局部特征图和高分辨率目标图之间损失加上不同的权重，求出加权和，利用深度学习框架的梯度反向传播机制，调整网络中的可学习参数值，对下一轮图像特征的提取过程进行调整。

5.根据权利要求4所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，计算不同权重的过程包括：设置第一个残差密集块的权重为w1、权重的增益比率α；则根据α和w1得到各个残差密集块的权重关系，关系表达式为：wi+1＝wi*(1+α)，1≤i≤n‑1

其中，wi+1表示第i+1个残差密集块的权重，wi表示第i个残差密集块的权重，i表示第i个残差密集块，α表示权重的增益比率，n表示残差密集块的总数。

6.根据权利要求5所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，第一个残差密集块的权重为w1为1，权重的增益比率α为0.1。

7.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，模型的损失函数的表达式为：其中，L表示损失函数值，n表示残差密集块的个数，li表示残差密集块中的损失，wi表示各个残差密集块的权重， 表示特征图，Hj表示高分辨率目标图，j表示像素点的编号，m表示两张图片的像素点个数，i表示损失的编号。