1.基于层次特征融合的矿井图像超分辨率重建方法，其特征在于，该重建方法通过将低分辨率图像ilr输入已训练的重建网络模型对矿井图像进行超分辨率重建，得到重建后的高分辨率矿井图像isr，按照图像特征的处理顺序，重建网络模型分为三部分：浅层特征提取模块、深层特征提取模块以及特征重建模块；
2.根据权利要求1所述的基于层次特征融合的矿井图像超分辨率重建方法,其特征在于，浅层特征提取模块由一层3×3卷积层构成，步骤一中，当低分辨率图像ilr以张量的形式输入重建网络模型，由浅层特征提取模块得到浅层特征提取结果：
3.根据权利要求1所述的基于层次特征融合的矿井图像超分辨率重建方法,其特征在于，步骤二中，在深层特征提取模块中，层次特征融合残差块hffrb和自适应残差块arb按照次序排列后依次序对经过浅层特征提取模块处理的图像特征进行深度特征提取，得到深度特征信息，层次特征融合残差块hffrb排列在第一个自适应残差块arb后，第二个和第三个自适应残差块arb排列在层次特征融合残差块hffrb后，深度特征提取过程如下：
4.根据权利要求3所述的基于层次特征融合的矿井图像超分辨率重建方法,其特征在于，步骤三中，对得到的深度特征信息进行层次特征融合，指定第一个自适应残差块arb基本模块的输出和层次特征融合残差块hffrb基本模块的输出进行融合，得到第一阶段的深度特征，指定第二个和第三个自适应残差块arb基本模块的输出进行融合，得到第二阶段的深度特征，层次特征融合过程如下：
5.根据权利要求4所述的基于层次特征融合的矿井图像超分辨率重建方法,其特征在于，利用得到的高频特征f34来指导低频特征f12的学习，同时结合浅层特征通过逐像素相加操作得到深层特征提取模块的输出，过程如下：
6.根据权利要求1所述的基于层次特征融合的矿井图像超分辨率重建方法,其特征在于，自适应残差块arb由残差结构和注意力模块esa构成，输出的图像特征数据通过注意力模块esa得到最终输出：
7.根据权利要求1所述的基于层次特征融合的矿井图像超分辨率重建方法,其特征在于，层次特征融合残差块hffrb由特征融合结构和残差结构构成，层次特征融合残差块hffrb先通过一个3×3卷积层来实现对输入数据通道数统一化的处理，接着数据进入四个分支结构进行进一步的处理，其最终输出由四个不同分支逐像素相加而成：
8.根据权利要求1所述的基于层次特征融合的矿井图像超分辨率重建方法,其特征在于，步骤四中，上采样模块先利用3×3卷积层将特征图的通道数拓展为原先的r2倍，再利用pixelshuffle函数的“周期洗牌”操作将h×w×r2cout大小的特征图转换为rh×rw×cout大小，基于输出图像为rgb图像，将最终的特征图像输出通道数设置为3，最终可获得超分辨率重建后的图像isr，过程如下：
9.根据权利要求8所述的基于层次特征融合的矿井图像超分辨率重建方法,其特征在于，通过对已搭建的重建网络模型进行训练优化以实现最终的图像重建工作，待处理的低分辨率图像ilr通过已搭建网络模型获得重建后的高分辨率图像isr，将isr与原始的高分辨率图像ihr进行比较后，计算其损失函数，再通过梯度更新来优化网络的参数，使得模型重建后的图像进一步接近原始高分辨率图像，其中，所使用的损失函数为l1损失函数，过程如下：
10.基于层次特征融合的矿井图像超分辨率重建系统,其特征在于，该重建系统通过将低分辨率图像ilr输入已训练的重建网络模型对矿井图像进行超分辨率重建，得到重建后的高分辨率矿井图像isr，重建网络模型包括：浅层特征提取模块、深层特征提取模块以及特征重建模块，在向重建网络模型输入低分辨率图像ilr时，该重建网络模型执行如权利要求1至9中任一项所述的基于层次特征融合的矿井图像超分辨率重建方法中的步骤。