1.一种超分辨率图像生成方法，其特征在于，预先设置生成网络以及判别网络，所述生成网络以及所述判别网络的类型均为深度神经网络，该方法还包括：
将真实图像样本输入所述生成网络以输出超分辨率处理后的超分辨率图像样本；
获取所述判别网络分别在输入所述真实图像样本以及所述超分辨率图像样本后输出的判别概率，所述判别概率为所述判别网络的输入图像为真实图像的概率；
根据所述真实图像样本、超分辨率图像样本以及所述判别概率确定生成网络损失函数以及判别网络损失函数，并根据所述生成网络损失函数以及所述判别网络损失函数对所述生成网络以及所述判别网络的配置参数进行调整；
当完成所述配置参数的调整之后，接收待处理的低分辨率图像，根据所述生成网络生成所述低分辨率图像的超分辨率图像，并对所述超分辨率图像进行可视化处理；
其中，当所述生成网络的损失函数越小，所述生成网络所输出的超分辨率图像的真实度越高；
当所述判别网络的损失函数越小，所述判别网络输出的判别概率的准确度越高。
2.如权利要求1所述的方法，其特征在于，所述生成网络的损失函数根据对抗损失函数、规则约束损失函数以及像素级的均方差损失函数生成，其中：
所述对抗损失函数根据所述判别网络在输入所述超分辨率图像样本后输出的判别概率生成；
所述规则约束函数根据所述超分辨率图像样本的空间一致性确定；
所述像素级的均方差损失函数根据所述超分辨率图像样本以及所述真实图像样本确定。
3.如权利要求1或2任一项所述的方法，其特征在于，在将真实图像样本输入所述生成网络以输出超分辨率处理后的超分辨率图像样本之后，还包括：
分别为所述真实图像样本以及所述超分辨率图像样本设置标签；
其中，所述真实图像样本的标签置1，所述超分辨率图像样本的标签置0。
4.如权利要求3所述的方法，其特征在于，
所述判别网络的损失函数根据所有图像样本的标签以及各所述图像样本在经过所述判别网络输出的判别概率生成。
5.如权利要求4所述的方法，其特征在于，
所述真实图像样本在输入所述生成网络前进行缩放处理以及归一化处理；
所述低分辨率图像在输入所述生成网络前进行归一化处理。
6.一种超分辨率图像生成设备，其特征在于，包括：
预置模块，预先设置生成网络以及判别网络，所述生成网络以及所述判别网络的类型均为深度神经网络；
输入模块，将真实图像样本输入所述生成网络以输出超分辨率处理后的超分辨率图像样本；
获取模块，获取所述判别网络分别在输入所述真实图像样本以及所述超分辨率图像样本后输出的判别概率，所述判别概率为所述判别网络的输入图像为真实图像的概率；
确定模块，根据所述真实图像样本、超分辨率图像样本以及所述判别概率确定生成网络损失函数以及判别网络损失函数，并根据所述生成网络损失函数以及判别网络损失函数对所述生成网络以及所述判别网络的配置参数进行调整；
生成模块，当完成所述配置参数的调整之后，接收待处理的低分辨率图像，根据所述生成网络生成所述低分辨率图像的超分辨率图像，并对所述超分辨率图像进行可视化处理；
其中，当所述生成网络的损失函数越小，与所述生成网络所输出的超分辨率图像的真实度越高；
当所述判别网络的损失函数越小，所述判别网络输出的判别概率的准确度越高。
7.如权利要求6所述的设备，其特征在于，所述生成网络的损失函数根据对抗损失函数、规则约束损失函数以及像素级的均方差损失函数生成，其中：
所述对抗损失函数根据所述判别网络在输入所述超分辨率图像样本后输出的判别概率生成；
所述规则约束函数根据所述超分辨率图像样本的空间一致性确定；
所述像素级的均方差损失函数根据所述超分辨率图像样本以及所述真实图像样本确定。
8.如权利要求6或7任一项所述的设备，其特征在于，还包括：
标签模块，分别为所述真实图像样本以及所述超分辨率图像样本设置标签；
其中，所述真实图像样本的标签置1，所述超分辨率图像样本的标签置0。
9.如权利要求8所述的设备，其特征在于，
所述判别网络的损失函数根据所有图像样本的标签以及各所述图像样本在经过所述判别网络输出的判别概率生成。
10.如权利要求9所述的设备，其特征在于，
所述真实图像样本在输入所述生成网络前进行缩放处理以及归一化处理；
所述低分辨率图像在输入所述生成网络前进行归一化处理。