1.一种绝缘子图像超分辨率重建方法，其特征在于，包括：利用标准数据集中的图像构造训练数据集，将标准数据集中的第一分辨率的图像裁剪成预设大小的标签图像，通过下采样方法将标签图像下采样到预设大小的第二分辨率图像构建训练数据集；所述第二分辨率小于所述第一分辨率；基于预特征融合与局部注意力机制构建多尺度密集残差训练网络；其中，基于预特征融合与局部注意力机制构建多尺度密集残差训练网络的步骤，包括：采用基于步长与池化核相等的池化方法实现局部注意力机制，预先对多尺度密集残差网络生成的特征图进行特征融合，在所述特征融合的过程中加入局部注意力机制构建多尺度密集残差训练网络；将构造好的所述训练数据集输入所述多尺度密集残差训练网络，对所述多尺度密集残差训练网络进行训练；将第二分辨率的绝缘子图像输入训练后的所述多尺度密集残差训练网络中，生成超分辨率重建图像；利用峰值信噪比和结构相似性评估超分辨率重建绝缘子图像的质量。
2.根据权利要求1所述的一种绝缘子图像超分辨率重建方法，其特征在于，利用标准数据集中的图像构造训练数据集的步骤，包括：所述标签图像的预设大小为256*256，所述第二分辨率图像的预设大小为64*64。
3.根据权利要求1所述的一种绝缘子图像超分辨率重建方法，其特征在于，所述方法还包括：所述实现局部注意力机制的具体过程为：利用平均池化方法提取输入的训练数据集中图像的平均信息，通过插值法上采样出与输入图像的特征图等大的平均信息图，将平均信息图与特征图作差，与特征图逐元素相乘，经过relu激活函数，将相减后小于0的部分归0，大于0的部分设置为梯度，公式如下：其中,T D 表示进行注意力机制增强后的特征图，T d 表示输入的特征图，T DR 为特征图与平均信息图之间的差值图， 为逐元素相乘，relu为激活函数。
4.根据权利要求1所述的一种绝缘子图像超分辨率重建方法，其特征在于，将构造好的训练数据集输入多尺度密集残差训练网络，对所述多尺度密集残差训练网络进行训练的步骤，包括：所述训练数据集预先融合有多尺度密集残差块，通过注意力机制增强所述训练数据集的纹理细节质量，经上采样生成第一分辨率图像，与所述标签图像进行损失计算，当损失逐渐降低且趋于平缓时，网络训练完成。
5.根据权利要求1所述的一种绝缘子图像超分辨率重建方法，其特征在于，将第二分辨率的绝缘子图像输入训练后的所述多尺度密集残差训练网络中，生成超分辨率重建图像的步骤，包括：将第二分辨率的绝缘子图像输入到所述多尺度密集残差训练网络中，由浅特征层提取层提取所述第二分辨率的绝缘子图像的浅层特征，经过预先融合型的多尺度密集残差网络进行深层的多感受野的全局信息与局部信息的提取，特征融合后利用所述局部注意力机制增强输入的第二分辨率的绝缘子图像的纹理细节，经上采样生成超分辨率重建图像。
6.根据权利要求5所述的一种绝缘子图像超分辨率重建方法，其特征在于，所述方法还包括：所述预先融合型的多尺度密集残差网络为残差密集网络改进而来的网络结构，所述预先融合型的多尺度密集残差网络的公式如下：x＝sconv(concat(x 0 ,x 1 ,x 2 ))；其中x为融合的输出，sconv为same卷积，concat为拼接操作，x 0 ，x 1 ，x 2 为输入进来的三组特征图；对融合的多层特征图进行多尺度的特征信息提取，利用空洞卷积在不添加参数的情况下增大感受野的大小，增强超分辨率重建的SR图像的效果，用一个1*1的卷积层特征融合，经亚像素卷积上采样到指定大小，经过一个卷积层卷积成R、G、B三通道的彩色图像即超分图像，公式如下：output＝sconv(concat(ouput1,output2,output3,output4,output5,output6,output7,output8),1)。
7.根据权利要求1所述的一种绝缘子图像超分辨率重建方法，其特征在于，利用峰值信噪比和结构相似性评估超分辨率重建绝缘子图像的质量的步骤，包括：选取测试用的第一分辨率的绝缘子图像下采样生成测试用的第二分辨率的绝缘子图像，将所述测试用的第二分辨率的绝缘子图像输入多尺度密集残差训练网络中生成测试用的超分辨率重建绝缘子图像，使用结构相似度和峰值信噪比两个客观评价指标来对比测试用的第一分辨率的绝缘子图像与测试用的超分辨率重建绝缘子图像，测试生成的绝缘子图像的质量。
8.根据权利要求1所述的一种绝缘子图像超分辨率重建方法，其特征在于，还包括：使用MSE损失和感知损失来约束网络性能，MSE损失公式如下：其中，i,j,k为像素点的位置；该损失在总体上约束生成的SR图像与标签图像的整体一致性；另外还使用感知损失，即：其中，d x ,d y 为横向与纵向的梯度值，I w ,I h 为横向与纵向的坐标的灰度值。
