1.一种图像处理方法，包括：
获取输入图像；
基于输入图像，得到分辨率从高到低排列的N个层级的初始特征图像，N为正整数，且N>
2；
基于第2～N层级的初始特征图像，对第1层级的初始特征图像进行循环缩放处理，以得到中间特征图像；以及
对所述中间特征图像进行合成处理，以得到输出图像；
其中，所述循环缩放处理包括：N-1个层级的逐层嵌套的缩放处理，每个层级的缩放处理包括下采样处理、联接处理、上采样处理和残差链接相加处理；
第i层级的下采样处理基于第i层级的缩放处理的输入进行下采样得到第i层级的下采样输出，第i层级的联接处理基于所述第i层级的下采样输出和第i+1层级的初始特征图像进行联接得到第i层级的联合输出，第i层级的上采样处理基于所述第i层级的联合输出得到第i层级的上采样输出，第i层级的残差链接相加处理将所述第i层级的缩放处理的输入与所述第i层级的上采样输出进行残差链接相加得到第i层级的缩放处理的输出，其中，i＝
1,2,…,N-1；
第j+1层级的缩放处理嵌套在第j层级的下采样处理和第j层级的联接处理之间，所述第j层级的下采样处理的输出作为所述第j+1层级的缩放处理的输入，其中，j＝1,2,…,N-
2。
2.根据权利要求1所述的图像处理方法，其中，所述第i层级的联接处理基于所述第i层级的下采样输出和所述第i+1层级的初始特征图像进行联接得到所述第i层级的联合输出，包括：
将所述第i层级的下采样输出作为所述第i+1层级的缩放处理的输入，以得到所述第i+
1层级的缩放处理的输出；以及
将所述第i+1层级的缩放处理的输出与所述第i+1层级的初始特征图像进行联接，以得到所述第i层级的联合输出。
3.根据权利要求2所述的图像处理方法，其中，至少一个层级的缩放处理连续执行多次，且前一次缩放处理的输出作为后一次缩放处理的输入。
4.根据权利要求3所述的图像处理方法，其中，每个层级的缩放处理连续执行两次。
5.根据权利要求1-4任一项所述的图像处理方法，其中，在所述N个层级的初始特征图像中，第1层级的初始特征图像的分辨率最高，且第1层级的初始特征图像的分辨率与所述输入图像的分辨率相同。
6.根据权利要求1-4任一项所述的图像处理方法，其中，前一层级的初始特征图像的分辨率为后一层级的初始特征图像的分辨率的整数倍。
7.根据权利要求1-4任一项所述的图像处理方法，其中，基于所述输入图像，得到分辨率从高到低排列的所述N个层级的初始特征图像，包括：
将所述输入图像与随机噪声图像进行联接，以得到联合输入图像；以及
对所述联合输入图像进行N个不同层级的分析处理，以分别得到分辨率从高到低排列的所述N个层级的初始特征图像。
8.根据权利要求1-4任一项所述的图像处理方法，其中，获取所述输入图像，包括：
获取具有第一分辨率的原始输入图像；以及
对所述原始输入图像进行分辨率转换处理，以得到具有第二分辨率的所述输入图像，所述第二分辨率大于第一分辨率。
9.根据权利要求8所述的图像处理方法，其中，采用双立方插值算法、双线性插值算法和兰索斯(Lanczos)插值算法之一进行所述分辨率转换处理。
10.根据权利要求1-4任一项所述的图像处理方法，还包括：
对所述输入图像进行裁剪处理，以得到具有交叠区域的多个子输入图像；
所述基于输入图像得到分辨率从高到低排列的N个层级的初始特征图像具体包括：
基于每个子输入图像，得到分辨率从高到低排列的N个层级的子初始特征图像，N为正整数，且N>2；
所述基于第2～N层级的初始特征图像，对第1层级的初始特征图像进行循环缩放处理，以得到中间特征图像具体包括：
基于第2～N层级的子初始特征图像，对所述第1层级的子初始特征图像进行循环缩放处理，以得到子中间特征图像；
所述对所述中间特征图像进行合成处理，以得到输出图像具体包括：
对所述子中间特征图像进行合成处理，以得到对应的子输出图像；以及
将所述多个子输入图像对应的子输出图像拼接为所述输出图像。
11.根据权利要求10所述的图像处理方法，其中，所述多个子输入图像的尺寸大小相同，所述多个子输入图像的中心形成均匀规则的网格，且在行方向和列方向上，相邻的两个子输入图像的交叠区域的尺寸大小均是恒定的，所述输出图像中每个像素点的像素值表示为：
其中，Yp表示所述输出图像中的任意一个像素点p的像素值，T表示包括该像素点p的子输出图像的数量，Yk,(p)表示该像素点p在第k幅包括该像素点p的子输出图像中的像素值，sk表示在所述第k幅包括该像素点p的子输出图像中该像素点p到所述第k幅包括该像素点p的子输出图像的中心的距离。
12.一种合并神经网络的图像处理方法，其中，所述合并神经网络包括多个神经网络，所述多个神经网络用于执行同一图像处理任务，所述多个神经网络的输入图像的分辨率相同，所述多个神经网络的输出图像的分辨率相同，所述多个神经网络两两之间至少结构和参数之一不同；
所述合并神经网络的图像处理方法，包括：
将输入图像输入所述合并神经网络中的所述多个神经网络，以分别得到所述多个神经网络的输出；以及
将所述多个神经网络的输出相加取平均值，以得到所述合并神经网络的输出。
13.根据权利要求12所述的合并神经网络的图像处理方法，其中，所述多个神经网络包括第一神经网络，所述第一神经网络用于执行第一图像处理方法，所述第一图像处理方法包括：
获取输入图像；
基于输入图像，得到分辨率从高到低排列的N个层级的初始特征图像，N为正整数，且N>
2；
基于第2～N层级的初始特征图像，对第1层级的初始特征图像进行循环缩放处理，以得到中间特征图像；以及
对所述中间特征图像进行合成处理，以得到输出图像；
其中，所述循环缩放处理包括：N-1个层级的逐层嵌套的缩放处理，每个层级的缩放处理包括下采样处理、联接处理、上采样处理和残差链接相加处理；
第i层级的下采样处理基于第i层级的缩放处理的输入进行下采样得到第i层级的下采样输出，第i层级的联接处理基于所述第i层级的下采样输出和第i+1层级的初始特征图像进行联接得到第i层级的联合输出，第i层级的上采样处理基于所述第i层级的联合输出得到第i层级的上采样输出，第i层级的残差链接相加处理将所述第i层级的缩放处理的输入与所述第i层级的上采样输出进行残差链接相加得到第i层级的缩放处理的输出，其中，i＝
1,2,…,N-1；
第j+1层级的缩放处理嵌套在第j层级的下采样处理和第j层级的联接处理之间，所述第j层级的下采样处理的输出作为所述第j+1层级的缩放处理的输入，其中，j＝1,2,…,N-
2。
14.一种神经网络的训练方法，其中，所述神经网络包括：分析网络、循环缩放网络和合成网络；
所述训练方法包括：
获取第一训练输入图像；
使用所述分析网络对所述第一训练输入图像进行处理，以得到分辨率从高到低排列的N个层级的训练初始特征图像，N为正整数，且N>2；
使用所述循环缩放网络，基于第2～N层级的训练初始特征图像，对第1层级的训练初始特征图像进行循环缩放处理，以得到训练中间特征图像；
使用所述合成网络对所述训练中间特征图像进行合成处理，以得到第一训练输出图像；
基于所述第一训练输出图像，通过损失函数计算所述神经网络的损失值；以及
根据所述神经网络的损失值对所述神经网络的参数进行修正；
其中，所述循环缩放处理包括：N-1个层级的逐层嵌套的缩放处理，每个层级的缩放处理包括依次执行的下采样处理、联接处理、上采样处理和残差链接相加处理；
第i层级的下采样处理基于第i层级的缩放处理的输入进行下采样得到第i层级的下采样输出，第i层级的联接处理基于所述第i层级的下采样输出和第i+1层级的初始特征图像进行联接得到第i层级的联合输出，第i层级的上采样处理基于所述第i层级的联合输出得到第i层级的上采样输出，第i层级的残差链接相加处理将所述第i层级的缩放处理的输入与所述第i层级的上采样输出进行残差链接相加得到第i层级的缩放处理的输出，其中，i＝
1,2,…,N-1；
第j+1层级的缩放处理嵌套在第j层级的下采样处理和第j层级的联接处理之间，所述第j层级的下采样处理的输出作为所述第j+1层级的缩放处理的输入，其中，j＝1,2,…,N-
2。
15.根据权利要求14所述的神经网络的训练方法，其中，所述损失函数表示为：
其中，L(Y,X)表示所述损失函数，Y表示所述第一训练输出图像，X表示所述第一训练输入图像对应的第一训练标准图像，Sk-1(Y)表示对所述第一训练输出图像进行第k-1层级下采样处理得到的输出，Sk-1(X)表示对所述第一训练标准图像进行第k-1层级的下采样处理得到的输出，E[]表示对矩阵能量的计算。
16.根据权利要求14所述的神经网络的训练方法，其中，使用所述分析网络对所述第一训练输入图像进行处理，以得到分辨率从高到低排列的所述N个层级的训练初始特征图像，包括：
将所述第一训练输入图像与随机噪声图像进行联接，以得到训练联合输入图像；以及使用所述分析网络对所述训练联合输入图像进行N个不同层级的分析处理，以分别得到分辨率从高到低排列的所述N个层级的训练初始特征图像。
17.根据权利要求16所述的神经网络的训练方法，其中，基于所述第一训练输出图像，通过所述损失函数计算所述神经网络的损失值，包括：
使用判别网络对所述第一训练输出图像进行处理，并基于所述第一训练输出图像对应的判别网络的输出计算所述神经网络的损失值。
18.根据权利要求17所述的神经网络的训练方法，其中，所述判别网络包括：M-1个层级的下采样子网络、M个层级的判别支网络、合成子网络和激活层；
所述M-1个层级的下采样子网络用于对所述判别网络的输入进行不同层级的下采样处理，以得到M-1个层级的下采样子网络的输出；
所述判别网络的输入和所述M-1个层级的下采样子网络的输出分别对应作为所述M个层级的判别支网络的输入；
每个层级的判别支网络包括依次连接的亮度处理子网络、第一卷积子网络和第二卷积子网络；
第t层级的判别支网络中的第二卷积子网络的输出与第t+1层级的判别支网络中的第一卷积子网络的输出进行联接后作为第t+1层级的判别支网络中的第二卷积子网络的输入，其中，t＝1,2,…,M-1；
所述合成子网络用于对第M层级的判别支网络中的第二卷积子网络的输出进行合成处理，以得到判别输出图像；
所述激活层用于对所述判别输出图像进行处理，以得到表征所述判别网络的输入的质量的数值。
19.根据权利要求18所述的神经网络的训练方法，其中，所述亮度处理子网络包括亮度特征提取子网络、归一化子网络和平移相关子网络，
所述亮度特征提取子网络用于提取亮度特征图像，
所述归一化子网络用于对所述亮度特征图像进行归一化处理，以得到归一化亮度特征图像，
所述平移相关子网络用于对所述归一化亮度特征图像进行多次图像平移处理，以得到多个移位图像，并根据所述归一化亮度特征图像与每个所述移位图像之间的相关性，生成多个相关性图像。
20.根据权利要求18所述的神经网络的训练方法，其中，所述损失函数表示为：
L(Y,X)＝λ1LG(YW＝1)+λ2LL1(SM(YW＝1),SM(X))+λ3Lcont(YW＝1,X)+λ4LL1(YW＝0,X)+λ5LL1(SM(YW＝0),SM(X))
其中，L(Y,X)表示损失函数，Y表示所述第一训练输出图像，Y包括YW＝1和YW＝0，X表示所述第一训练输入图像对应的第一训练标准图像，LG(YW＝1)表示生成损失函数，YW＝1表示所述随机噪声图像的噪声幅度不为0的情况下得到的第一训练输出图像，LL1(SM(YW＝1),SM(X))表示第一对比损失函数，Lcont(YW＝1,X)表示内容损失函数，LL1((YW＝0),X)表示第二对比损失函数，YW＝0表示所述随机噪声图像的噪声幅度为0的情况下得到的第一训练输出图像，LL1(SM(YW＝0),SM(X))表示第三对比损失函数，SM()表示进行第M层级的下采样处理，λ1、λ2、λ3、λ4、λ5分别表示预设的权值；
所述生成损失函数LG(YW＝1)表示为：
LG(YW＝1)＝-E[log(Sigmoid(C(YW＝1)-C(X)))]
其中，C(YW＝1)表示所述随机噪声图像的噪声幅度不为0的情况下得到的判别输出图像，C(X)表示第一训练标准图像作为判别网络的输入得到的判别输出图像；
所述第一对比损失函数LL1(SM(YW＝1),SM(X))、所述第二对比损失函数LL1((YW＝0),X)和所述第三对比损失函数LL1(SM(YW＝0),SM(X))分别表示为：
其中，E[]表示对矩阵能量的计算；
所述内容损失函数表示Lcont(YW＝1,X)为：
其中，S1为常数，Fij表示在内容特征提取模块中第i个卷积核提取的第一训练输出图像的第一内容特征图中第j个位置的值，Pij表示在所述内容特征提取模块中第i个卷积核提取的第一训练标准图像的的第二内容特征图中第j个位置的值。
21.根据权利要求17-20任一项所述的神经网络的训练方法，还包括：
基于所述神经网络，对所述判别网络进行训练；以及，
交替地执行所述判别网络的训练过程和所述神经网络的训练过程，以得到训练好的神经网络；
其中，基于所述神经网络，对所述判别网络进行训练，包括：
获取第二训练输入图像；
使用所述神经网络对所述第二训练输入图像进行处理，以得到第二训练输出图像；
基于所述第二训练输出图像，通过判别损失函数计算判别损失值；以及
根据所述判别损失值对所述判别网络的参数进行修正。
22.根据权利要求21所述的神经网络的训练方法，其中，所述判别损失函数表示为：
LD(VW＝1)＝-E[log(Sigmoid(C(U)-C(VW＝1)))]
其中，LD(VW＝1)表示判别损失函数，U表示所述第二训练输入图像对应的第二训练标准图像，VW＝1表示所述随机噪声图像的噪声幅度不为0的情况下得到的第二训练输出图像，C(U)表示所述第二训练标准图像作为所述判别网络的输入得到的判别输出图像，C(VW＝1)表示所述随机噪声图像的噪声幅度不为0的情况下得到的判别输出图像。
23.根据权利要求14-20任一项所述的神经网络的训练方法，还包括：
在进行训练之前，对训练集的各个样本图像进行裁剪处理和解码处理，以得到二进制数据格式的多个子样本图像；
在进行训练时，基于所述二进制数据格式的子样本图像对所述神经网络进行训练。
24.根据权利要求23所述的神经网络的训练方法，其中，所述多个子样本图像的尺寸大小相等。
25.一种合并神经网络的构建方法，包括：
获取多个训练好的神经网络模块，其中，所述多个神经网络用于执行同一图像处理任务，所述多个神经网络的输入图像的分辨率相同，所述多个神经网络的输出图像的分辨率相同，所述多个神经网络两两之间至少结构和参数之一不同；
在同一验证集上获得所述多个神经网络的输出，根据预定的图像质量评估标准确定所述多个神经网络的评估质量，并将所述多个神经网络按照评估质量从高到低进行排序；
将评估质量最高的神经网络作为所述合并神经网络中的第1个神经网络；以及
判断当前余下的评估质量最高的神经网络能否加入当前的合并神经网络，若能，则将当前余下的评估质量最高的神经网络加入当前的合并神经网络，若不能，则将当前的合并神经网络作为获得的合并神经网络。
26.根据权利要求25所述的合并神经网络的构建方法，还包括：
对所述获得的合并神经网络进行训练，以得到训练好的合并神经网络。
27.根据权利要求25或26所述的合并神经网络的构建方法，其中，所述预定的图像质量评估标准包括均方误差、相似度和峰值信噪比之一。
28.根据权利要求25所述的合并神经网络的构建方法，其中，所述多个神经网络包括第一神经网络，所述第一神经网络用于执行第一图像处理方法，所述第一图像处理方法包括：
获取输入图像；
基于输入图像，得到分辨率从高到低排列的N个层级的初始特征图像，N为正整数，且N>
2；
基于第2～N层级的初始特征图像，对所述N个层级的初始特征图像中的第1层级的初始特征图像进行循环缩放处理，以得到中间特征图像；以及
对所述中间特征图像进行合成处理，以得到输出图像；
其中，所述循环缩放处理包括：N-1个层级的逐层嵌套的缩放处理，每个层级的缩放处理包括下采样处理、联接处理、上采样处理和残差链接相加处理；
第i层级的下采样处理基于第i层级的缩放处理的输入进行下采样得到第i层级的下采样输出，第i层级的联接处理基于所述第i层级的下采样输出和第i+1层级的初始特征图像进行联接得到第i层级的联合输出，第i层级的上采样处理基于所述第i层级的联合输出得到第i层级的上采样输出，第i层级的残差链接相加处理将所述第i层级的缩放处理的输入与所述第i层级的上采样输出进行残差链接相加得到第i层级的缩放处理的输出，其中，i＝
1,2,…,N-1；
第j+1层级的缩放处理嵌套在第j层级的下采样处理和第j层级的联接处理之间，所述第j层级的下采样处理的输出作为所述第j+1层级的缩放处理的输入，其中，j＝1,2,…,N-
2。
29.一种神经网络处理器，包括分析电路、循环缩放电路和合成电路；
所述分析电路配置为基于输入图像，得到分辨率从高到低排列的N个层级的初始特征图像，N为正整数，且N>2；
所述循环缩放电路配置为基于第2～N层级的初始特征图像，对第1层级的初始特征图像进行循环缩放处理，以得到中间特征图像；
所述合成电路配置为对所述中间特征图像进行合成处理，以得到输出图像；其中，所述循环缩放电路包括N-1个层级的逐层嵌套的缩放电路，每个层级的缩放电路包括下采样电路、联接电路、上采样电路和残差链接相加电路；
第i层级的下采样电路基于第i层级的缩放电路的输入进行下采样得到第i层级的下采样输出，第i层级的联接电路基于所述第i层级的下采样输出和第i+1层级的初始特征图像进行联接得到第i层级的联合输出，第i层级的上采样电路基于所述第i层级的联合输出得到第i层级的上采样输出，第i层级的残差链接相加电路将所述第i层级的缩放电路的输入与所述第i层级的上采样输出进行残差链接相加得到第i层级的缩放电路的输出，其中，i＝
1,2,…,N-1；
第j+1层级的缩放电路嵌套在第j层级的下采样电路和第j层级的联接电路之间，所述第j层级的下采样电路的输出作为所述第j+1层级的缩放电路的输入，其中，j＝1,2,…,N-
2。
30.一种图像处理装置，包括：
图像获取模块，配置为获取输入图像；
图像处理模块，配置为：基于输入图像，得到分辨率从高到低排列的N个层级的初始特征图像，N为正整数，且N>2；基于第2～N层级的初始特征图像，对第1层级的初始特征图像进行循环缩放处理，以得到中间特征图像；以及对所述中间特征图像进行合成处理，以得到输出图像；
其中，所述循环缩放处理包括：N-1个层级的逐层嵌套的缩放处理，每个层级的缩放处理包括下采样处理、联接处理、上采样处理和残差链接相加处理；
第i层级的下采样处理基于第i层级的缩放处理的输入进行下采样得到第i层级的下采样输出，第i层级的联接处理基于所述第i层级的下采样输出和第i+1层级的初始特征图像进行联接得到第i层级的联合输出，第i层级的上采样处理基于所述第i层级的联合输出得到第i层级的上采样输出，第i层级的残差链接相加处理将所述第i层级的缩放处理的输入与所述第i层级的上采样输出进行残差链接相加得到第i层级的缩放处理的输出，其中，i＝
1,2,…,N-1；
第j+1层级的缩放处理嵌套在第j层级的下采样处理和第j层级的联接处理之间，所述第j层级的下采样处理的输出作为所述第j+1层级的缩放处理输入，其中，j＝1,2,…,N-2。
31.一种图像处理装置，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，所述计算机可读指令被所述处理器运行时执行根据权利要求1-11任一项所述的图像处理方法，或者执行根据权利要求12或13所述的合并神经网络的图像处理方法，或者执行根据权利要求14-24任一项所述的神经网络的训练方法，或者执行根据权利要求25-28任一项所述的合并神经网络的构建方法。
32.一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时可以执行根据权利要求1-11任一项所述的图像处理方法的指令，或者可以执行根据权利要求12或13所述的合并神经网络的图像处理方法的指令，或者可以执行根据权利要求14-24任一项所述的神经网络的训练方法的指令，或者可以执行根据权利要求25-28任一项所述的合并神经网络的构建方法的指令。