1.一种引入物理成像先验知识约束的卫星云图图像复原方法，其特征在于，包括以下步骤：S1，搭建PKKernelGAN+ZSSR图像退化模糊核估计深度神经网络；

S2，根据卫星探测器像元采样位置的非规则性，模拟气象卫星成像物理过程，构建成像退化矩阵kcloud；

S3，将成像退化矩阵kcloud写入损失函数LPK，训练PKKernelGAN网络，获得云图图像退化模糊核估计网络PKKernel‑G；

S4，采用原始云图图像作为高质量图像，基于训练好的PKKernel‑G将原始云图图像生成退化模糊低质量图像，构建“高质量‑低质量”成对云图图像数据集；

S5，基于“高质量‑低质量”成对云图图像数据集，训练基于零次学习思想的云图图像复原深度神经网络ZSSR；

S6，将原始云图图像输入步骤S5训练好的云图图像复原深度神经网络ZSSR，得到最终输出的高质量复原云图图像；

步骤S2中，模拟气象卫星成像物理过程，构建成像退化矩阵kcloud的详细步骤如下：S21，将气象卫星数据接收过程分解为若干正弦振动的叠加，表达式如下：其中，fi、Ai、 分别为第i个谐波分量的振动频率、振幅和初始相位；t为气象卫星成像时刻；

S22，根据卫星探测器像元采样位置的非规则性，模拟气象卫星成像物理过程构建成像退化矩阵kcloud；其中，非规则性几何形变，表达式如下：其中，x为像元采样位置，ε(x)为像元采样位置的偏移量，ω为像元尺寸，Q为谐波数量，Tint为相机单级积分时间；

步骤S3中，所述损失函数LPK的表达式如下：

LPK＝αLsum_to_1+βLboundaries+γLsparse+λLcloud其中，α，β，γ，λ为各损失函数的权重系数；

为求和损失，该损失函数的作用是鼓励k求和为1，k为PKKernelGAN估计的卫星成像退化模糊核，m,n为模糊核的像素坐标；

为边界损失，该损失函数的作用是惩罚接近边界的非零值，μ是一个常数权重，随着边界像素与k中心的距离变大而呈指数增长；

为稀疏损失；

Lcloud＝VAR(k,kcloud)＝|var(k(m,n))‑var(kcloud(m,n))|为成像退化损失，kcloud是根据气象卫星成像物理先验知识构建的成像退化矩阵；

式中，kcloud是根据气象卫星成像物理先验知识构建的成像退化矩阵；m、n为模糊核的像素坐标；M、N为模糊核尺寸。

2.根据权利要求1所述引入物理成像先验知识约束的卫星云图图像复原方法，其特征在于，所述PKKernelGAN+ZSSR图像退化模糊核估计深度神经网络包括PKKernelGAN网络和ZSSR网络；其中，PKKernelGAN网络为基于KernelGAN搭建的对抗生成网络，包括PKKernel‑G网络和PKKernel‑D网络；ZSSR为基于零次学习思想搭建的图像复原网络；

所述PKKernel‑G网络由5层结构为“Convolution+ReLU”的卷积层构成，前三个层卷积核大小分别为7×7、5×5、3×3，其余卷积核大小为1×1；

所述PKKernel‑D网络为判别网络，由1个7×7卷积层、5个结构为“Convolution+SpecNorm+BatchNorm+ReLU”的1×1卷积层，以及1个“Convolution+SpecNorm+Sigmoid”的激活层构成；

所述ZSSR网络为具有跨层连接结构的8层“Convolution+ReLU”和1层“Convolution”构成。