1.一种多尺度从RGB图像重建对应的高光谱图像算法，其特征在于，包括以下步骤：S1，将原始的RGB图像X经由多尺度处理模块处理，输出特征图Y'i；

S2，将特征图Y'i与原始的RGB图像X自身在光谱通道维度相加堆叠，得到带有多尺度预处理信息的特征图像F；

S3，将带有多尺度预处理信息的特征图像F依次通过3个空间‑光谱Transformer联合处理模块，对空间‑光谱维度联合处理，处理得到带有空间‑光谱特征信息的特征图像；

S4，将S3处理得到特征图像单独通过一个光谱维度Transformer处理，得到经过Transformer充分提取光谱维度特征信息的特征图像；

S5，将经过Transformer充分提取光谱维度特征信息的特征图像通过一个3×3的卷积层将通道维度调整到目标31通道输出，最终得到高光谱图像。

2.根据权利要求1所述的一种多尺度从RGB图像重建对应的高光谱图像算法，其特征在于，S1中处理得到特征图Y'i的步骤为：S11，将原始RGB图像复制3份，然后分别以8倍、4倍和2倍的下采样率分别进行下采样处理；

S12，下采样过后，经过一个带有3×3卷积核的卷积层来对下采样后的特征图像进行卷积操作；除了第一层，其他每一层紧接卷积操作后都与上一层的结果进行相加融合，如下式所示：r

其中Down (·)表示向下采样操作，r为下采样率，Conv(·)表示卷积核大小为3×3的二维卷积操作， 符号代表通道数堆叠操作；多尺度处理模块中的所有卷积操作均使用LeakyReLU激活函数； 代表第i层的中间过程输出，其中i∈(1，2，3)；

S13，将S12得到Yi输入到光谱Transformer模块中，捕获光谱通道间的上下文信息，并得到Y'i；如下式所示：其中， 代表第i层的中间过程输出， 代表第i层的最终结果，r

Up (·)表示向上采样操作，r为上采样率，Conv(·)表示卷积核大小为1×1的二维卷积操作，Transpe(·)代表光谱维度的Transformer处理。

3.根据权利要求1所述的一种多尺度从RGB图像重建对应的高光谱图像算法，其特征在于，S2中，得到带有多尺度预处理信息的特征图像F的步骤为：S21，用一个3×3的卷积层将原始的RGB图像调整为和特征图Y'i相同的空间尺寸(rh'3×rw'3)，输出结果为S22，在光谱维度上对特征图Y'i和原始的RGB图像进行堆叠处理，即c0+c1，其中最终得到带有多尺度预处理信息的特征图像

4.根据权利要求1所述的一种多尺度从RGB图像重建对应的高光谱图像算法，其特征在于，S3中，特征图像在每个空间‑光谱Transformer联合处理模块中，依次经过空间Transformer处理和光谱Transformer处理。

5.根据权利要求4所述的一种多尺度从RGB图像重建对应的高光谱图像算法，其特征在于，特征图像在每个空间‑光谱Transformer联合处理模块中的处理步骤为：S31，空间Transformer处理：

c×h×w

1)该层的输入设为特征图像F∈R ，特征图像F被平均的切分为窗口大小为m的小窗i c×m×m口，分块操作得到特征图像F∈R 进行展平和转置操作得到 然后，对得到的一维特征图进行自注意力处理；具体如下公式：

1 2 N 2

F＝{F ,F ,…,F}，N＝hw/m

i i Q i K i V

A＝Attention(FW ,FW ,FW)，i＝1,…,NQ K V c×c

其中W ，W 和W ∈R 分别代表Q，K， 的投影矩阵，是一个可学习的参数， 为每个窗口最终的输出结果；其中Attention(·)操作在实现自注意力计算的同时加入了相对位置编码，具体如下式：(2m‑1)×(2m‑1)

其中，B是相对位置偏置，它是一个形状为R 的可学习参数；

2)然后通过一个简单的多层感知机来整合自注意力计算的结果 并在整个过程中通过跳跃连接来降低训练难度，计算过程可如下式：Fout＝MLP(LN(F′))+F′

其中F'和Fout分别为Spa和MLP的处理结果，同时，Fout代表空间Transformer处理的最终结果，LN(·)符号代表层归一化；

S32，经过空间Transformer处理的特征图结果紧接着输入到光谱Transformer处理块中；

c×h×w hw×c hw×c

1)设输入的特征图为H∈R ，首先将特征图H展平转置为H∈R ，然后将H∈R 经Q K V c×c hw×c由W，W和W∈R 线性投影到Q，K，V∈R ；自注意力计算过程如下式：T

Attention(Q,K,V)＝SoftMax(σKQ)V1

其中σ∈R是一个可学习的参数；

2)随后，再对自注意力的结果Attention(Q,K,V)进行线性投影并添加相对位置编码，具体过程由下式给出：Spe(H)＝Attention(Q,K,V)W+φ(V)c×c

其中，W∈R 是一个可学习的参数，φ(·)符号代表相对位置编码，它包含两个3×3的卷积层和一个GELU激活函数；

3)然后通过一个前馈网络来整合上述公式处理得到的权重矩阵，并在整个过程中通过跳跃连接来降低训练难度，Transpe(·)的计算过程可以由下式表示：H′＝Spe(LN(H))+H

Hout＝FFN(LN(H′))+H′

其中H'和Hout分别为Spe和FFN的处理结果，同时，Hout代表光谱Transformer处理的最终结果，LN(·)符号代表层归一化。

6.根据权利要求5所述的一种多尺度从RGB图像重建对应的高光谱图像算法，其特征在于所述前馈网络依次由1×1的卷积层、GELU激活函数、3×3的卷积层、GELU激活函数和1×1的卷积层组成。

7.根据权利要求1所述的一种多尺度从RGB图像重建对应的高光谱图像算法，其特征在于，S5中，获取高光谱图像的步骤为：S51，设置一个输入为32，输出为31的卷积层，卷积核尺寸为3×3，步长和填充大小设置为1；

S52，将S4得到的经过Transformer充分提取光谱维度特征信息的特征图像输入到卷积层中并通过LeakyRelu激活函数，得到通道数为31且空间分辨率与输入的RGB图片相同的高光谱图片。

8.一种多尺度从RGB图像重建对应的高光谱图像的系统，其特征在与，包括：多尺度处理单元、维度叠加单元、空间‑光谱Transformer联合处理单元、光谱维度Transformer处理单元和高光谱图像输出单元；

多尺度处理单元，用于将原始的RGB图像X经由多尺度处理模块处理，输出特征图Y'i；

维度叠加单元，用于将特征图Y'i与原始的RGB图像X自身在光谱通道维度相加堆叠，得到带有多尺度预处理信息的特征图像F；

空间‑光谱Transformer联合处理单元，用于将带有多尺度预处理信息的特征图像F依次通过3个空间‑光谱Transformer联合处理模块，对空间‑光谱维度联合处理，处理得到带有空间‑光谱特征信息的特征图像；

光谱维度Transformer处理单元，用于将S3处理得到特征图像单独通过一个光谱维度Transformer处理，得到经过Transformer充分提取光谱维度特征信息的特征图像；

高光谱图像输出单元，用于将经过Transformer充分提取光谱维度特征信息的特征图像通过一个3×3的卷积层将通道维度调整到目标31通道输出，最终得到高光谱图像。

9.一种计算机存储介质，存储有可读程序，其特征在于，当程序运行时，执行权利要求

1‑7任一项所述的算法。

10.一种设备，其特征在于，包括：一个或多个处理器、用于存储一个或多个程序的存储器；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1‑7中任一项所述算法。