1.基于U‑Net多尺度神经网络的图像压缩感知重建方法，其特征在于，包括如下步骤：S1、编码阶段：将原始高光谱图像编码得到其对应的二维测量值Y;具体包括如下步骤S101至S103:S101、利用CASSI光学系统中二维编码孔径M对原始高光谱图像预设波长的HSI信号进行编码得到  ，如下式：，

其中， 表示调制后的HSI,  表示光谱通道，⊙表示元素乘法；

H代表输入的三维HSI立方体的高，W代表输入的三维HSI立方体的宽， 代表输入的三维HSI立方体的波长数； ；

S102、然后利用CASSI光学系统中分散器对 沿y轴剪切信号得到 ，如下式：，

其中，(u, v)为定位探测器平面上的坐标系， 为第n个通道的波长， 表示锚定波，为第n个通道在 上的空间移动偏移量；

S103、整合有通道，将 压缩为二维测量值Y，如下式： ,其中 ， ，为CASS I光学系统 获取到的 二维测量值 ；

，为传感探测器上成像过程中的二维测量噪声；

S2、解码阶段：包括：S2‑1、构建多尺度神经网络，将原始高光谱图像对应的二维测量值输入至多尺度神经网络中，进行特征提取并融合，得到对应的特征图；

步骤S2‑2、构建注意力机制网络，将特征图输入至注意力机制网络，对特征图提取关注特征并融合，得到最终特征图；

步骤S2‑3、将最终特征图输入至解码器中，获得重建后的高光谱图像。

2.根据权利要求1所述的基于U‑Net多尺度神经网络的图像压缩感知重建方法，其特征在于，步骤S2‑1中，所述多尺度神经网络包括三层：第一层为3个大小为3×3的卷积核，空洞率都为1，2，2，pad补零数为1，2，2，激活函数为ReLU；第二层为3个大小为5×5的卷积核，空洞率都为1，2，2，pad补零数为2，4，4，激活函数为ReLU；第三层为3个大小为7×7的卷积核，空洞率都为1，2，2，pad补零数为3，6，6，激活函数为ReLU。

3.根据权利要求2所述的基于U‑Net多尺度神经网络的图像压缩感知重建方法，其特征在于，步骤S2‑1中，将原始高光谱图像对应的二维测量值输入至多尺度神经网络中，进行特征提取并融合，得到对应的特征图包括如下子步骤：S2‑1.1、将二维测量值Y输入至多尺度神经网络中，获得多尺度特征（F1,F2,F3），然后通过串联操作将三个通道的各种尺度特征融合，得到图像信息M，如下式：，

其中，  表示串联操作，用于将每个卷积通道输出将不同尺度的信道特征图串联，得到多尺度特征信息M；M的通道特征图个数为F1、F2、F3的总和；

S2‑1.2、将M作为第四卷积层的输入，然后经过池化操作获得特征图F，所述第四卷积层为连续的三个3×3卷积核。

4.根据权利要求3所述的基于U‑Net多尺度神经网络的图像压缩感知重建方法，其特征在于，步骤S2‑2中，所述注意力机制网络包括通道注意力模块和空间注意力模块，其中通道注意力模块用于接收步骤S2‑1的特征图计算通道注意映射 ，并生成通道注意力特征图 ，如下式：，

所述空间注意力模块用于接收通道注意力特征图 ，计算 ，并生成最终特征图，如下式：，

其中，表示元素的乘法， 为得到最终特征图。

5.根据权利要求4所述的基于U‑Net多尺度神经网络的图像压缩感知重建方法，其特征在于，步骤S2‑2中，计算通道注意映射 、以及计算空间注意映射 ，包括以下子步骤：S2‑2.1、通过平均池化和最大池化操作聚合特征图F的空间信息，分别生成的平均池化特征  和最大池化特征  ；

S2‑2.2、将平均池化特征  和最大池化特征  同时输入至MLP共享网络中，分别获得对应的向量特征；所述MLP共享网络包含一个MLP层和一个隐层；

S2‑2.3、对向量特征进行元素求和，得到通道注意力映射，如下式：，

其中σ表示sigmoid函数， ,  ；MLP权值 和 对于两个输入为共享， 后面连接ReLU激活函数；

S2‑2.4、对通道注意力模块输出的特征图 进行最大池化和平均池化操作，生成跨通道的平均池化特征： 、跨通道最大池化特征 ；

S2‑2.5、将跨通道的平均池化特征： 、跨通道最大池化特征输入至标准卷积层，获得二维空间注意图，如下式：

，

其中，σ表示sigmoid函数， 表示滤波大小为7×7的卷积运算。

6.根据权利要求5所述的基于U‑Net多尺度神经网络的图像压缩感知重建方法，其特征在于，步骤S2‑3具体为：在解码器中设置4个卷积层，分别与多尺度神经网络的三层、以及所述第四卷积层一一对应，每个卷积层的结构依次为：反卷积层‑多尺度卷积网络；将得到的最终特征图 输入反卷积层中用于放大特征图，之后再将放大后的特征图输入到多尺度卷积网络中，得到重建后的高光谱图像。