1.一种高质量超分辨率图像重建方法，其特征在于，所述方法包括：将输入图像输入到浅层特征提取模块中，得到浅层特征；所述浅层特征提取模块用于采用单层卷积从所述图像中提取低频信息，输出浅层特征；将所述浅层特征输入到深层特征提取模块中进行细粒度特征提取，得到深层特征；所述深层特征提取模块包括多个残差卷积模块和多个多尺度特征提取模块；所述多尺度特征提取模块用于对输入特征进行卷积处理后与输入特征同局部特征融合机制交互信息，然后经过多特征混合提取模块处理后与所述输入特征进行全局特征融合，得到多尺度融合特征；所述多特征混合提取模块用于通过不同扩展率的特征提取分支进行多尺度图像特征提取后采用并行混合注意力模块进行混合加权操作，将混合加权结果与输入到多特征混合提取模块的特征进行融合，得到多尺度融合特征； 所述多特征混合提取模块包括：四个不同扩展率的特征提取分支和并行混合注意力模块；每个特征提取分支包括一个空洞卷积层；将所述深层特征输入到超分辨率重建模块中，得到高质量的重构图像；所述超分辨率重建模块用于采用不同数量的卷积层和子像素卷积层对所述深层特征进行调整，生成高质量的重构图像；其中，所述多特征混合提取模块的提取的多尺度图像特征包括：第一尺度图像特征、第二尺度图像特征、第三尺度图像特征以及第四尺度图像特征；在所述并行混合注意力模块中：将所述第一尺度图像特征、所述第二尺度图像特征、所述第三尺度图像特征以及第四尺度图像特征通过全局平均池化获取全局特征表示，捕捉水平和垂直方向上的长距离依赖关系，同时保留位置关系，然后通过 1×1 卷积操作建模通道间的相关性，并通过 sigmoid函数激活后，得到水平方向上和垂直方向上的全局特征为：其中， 为第 i 尺度图像特征对应的水平方向上的全局特征， ， 为第 j 尺度图像特征对应的垂直方向上的全局特征， ； 为第 i 尺度图像特征， m 为不同尺度图像特征的尺度数量；将水平方向上和垂直方向上的全局特征在第二通道维度上进行拼接后在通道维度上通过Softmax函数激活，得到水平方向上和垂直方向上的多尺度通道特征权重；对水平方向上和垂直方向上的所述多尺度通道特征权重进行归一化处理，得到水平方向上和垂直方向上的归一化权重；将所述第一尺度图像特征、所述第二尺度图像特征、所述第三尺度图像特征以及第四尺度图像特征分别与相应的归一化权重逐元素相乘，并对乘积结果求和，得到混合加权特征为：其中， 为混合加权特征， 为水平方向上和垂直方向上的归一化权重； 为输入特征。
2.根据权利要求1所述的方法，其特征在于，所述深层特征提取模块包括4个残差卷积模块、5个多尺度特征提取模块；所述浅层特征是第一个多尺度特征提取模块的输入，第一个多尺度特征提取模块、第一个残差卷积模块、第二个多尺度特征提取模块、第二个残差卷积模块的输入、第三个多尺度特征提取模块、第三个残差卷积模块的输入、第四个多尺度特征提取模块、第四个个残差卷积模块的输入、第五个多尺度特征提取模块依次连接。
3.根据权利要求1所述的方法，其特征在于，所述残差卷积模块包括8个堆叠残差块。
4.根据权利要求1所述的方法，其特征在于，所述多尺度特征提取模块包括：卷积组、多特征混合提取模块以及融合模块；在所述多尺度特征提取模块中：将输入到多尺度特征提取模块的特征通过所述卷积组进行卷积处理后，得到卷积特征；将所述卷积特征与输入到多尺度特征提取模块的特征通过局部特征融合机制交换信息，得到局部融合特征；将所述局部融合特征输入到所述多特征混合提取模块中，得到多尺度混合特征；将所述多尺度混合特征和输入到多尺度特征提取模块的特征通过融合模块进行特征融合，得到多尺度融合特征。
5.根据权利要求4所述的方法，其特征在于，所述融合模块采用乘法操作。
6.根据权利要求4所述的方法，其特征在于，将所述局部融合特征输入到所述多特征混合提取模块中，得到多尺度混合特征，包括：将所述局部融合特征采用第一个特征提取分支的空洞卷积层进行处理，得到第一尺度图像特征；将所述局部融合特征和所述第一尺度图像特征融合后采用第二个特征提取分支的空洞卷积层进行处理，得到第二尺度图像特征；将所述局部融合特征和所述第二尺度图像特征融合后采用第三个特征提取分支的空洞卷积层进行处理，得到第三尺度图像特征；将所述局部融合特征和所述第三尺度图像特征融合后采用第四个特征提取分支的空洞卷积层进行处理，得到第四尺度图像特征；将所述第一尺度图像特征、所述第二尺度图像特征、所述第三尺度图像特征以及第四尺度图像特征输入到所述并行混合注意力模块中，得到混合加权特征；将所述混合加权特征与所述局部融合特征进行融合，得到多尺度混合特征。
7.一种高质量超分辨率图像重建装置，其特征在于，所述装置包括：浅层特征提取单元，用于将输入图像输入到浅层特征提取模块中，得到浅层特征；所述浅层特征提取模块用于采用单层卷积从所述图像中提取低频信息，输出浅层特征；深层特征提取单元，用于将所述浅层特征输入到深层特征提取模块中进行细粒度特征提取，得到深层特征；所述深层特征提取模块包括多个残差卷积模块和多个多尺度特征提取模块；所述多尺度特征提取模块用于对输入特征进行卷积处理后与输入特征同局部特征融合机制交互信息，然后经过多特征混合提取模块处理后与所述输入特征进行全局特征融合，得到多尺度融合特征；所述多特征混合提取模块用于通过不同扩展率的特征提取分支进行多尺度图像特征提取后采用并行混合注意力进行混合加权操作，将混合加权结果与输入到多特征混合提取模块的特征进行融合，得到多尺度融合特征； 所述多特征混合提取模块包括：四个不同扩展率的特征提取分支和并行混合注意力模块；每个特征提取分支包括一个空洞卷积层；图像重建单元，用于将所述深层特征输入到超分辨率重建模块中，得到高质量的重构图像；所述超分辨率重建模块用于采用不同数量的卷积层和子像素卷积层对所述深层特征进行调整，生成高质量的重构图像；其中，所述多特征混合提取模块的提取的多尺度图像特征包括：第一尺度图像特征、第二尺度图像特征、第三尺度图像特征以及第四尺度图像特征；深层特征提取单元，还用于在所述并行混合注意力模块中：将所述第一尺度图像特征、所述第二尺度图像特征、所述第三尺度图像特征以及第四尺度图像特征通过全局平均池化获取全局特征表示，捕捉水平和垂直方向上的长距离依赖关系，同时保留位置关系，然后通过 1×1 卷积操作建模通道间的相关性，并通过 sigmoid函数激活后，得到水平方向上和垂直方向上的全局特征为：其中， 为第 i 尺度图像特征对应的水平方向上的全局特征， ， 为第 j 尺度图像特征对应的垂直方向上的全局特征， ； 为第 i 尺度图像特征， m 为不同尺度图像特征的尺度数量；将水平方向上和垂直方向上的全局特征在第二通道维度上进行拼接后在通道维度上通过Softmax函数激活，得到水平方向上和垂直方向上的多尺度通道特征权重；对水平方向上和垂直方向上的所述多尺度通道特征权重进行归一化处理，得到水平方向上和垂直方向上的归一化权重；将所述第一尺度图像特征、所述第二尺度图像特征、所述第三尺度图像特征以及第四尺度图像特征分别与相应的归一化权重逐元素相乘，并对乘积结果求和，得到混合加权特征为：其中， 为混合加权特征， 为水平方向上和垂直方向上的归一化权重； 为输入特征。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
