1.一种全色锐化模型的构建方法，其特征在于，包括：获取预设的地面实况的高分辨率多光谱图像和全色图像；

在预设的最大后验概率模型中，利用预设误差图像和所述高分辨率多光谱图像，确定合成全色特征；

利用所述合成全色特征和所述全色图像，确定全色特征误差；

确定所述全色特征误差的第一梯度下降量；

利用所述第一梯度下降量和所述预设误差图像，确定预测误差图像，计算公式如下：其中，t表示迭代次数， 表示第t次迭代获得的预测误差图像， 表示第一参数对应的近端算子， 表示第t‑1次迭代获得的预测误差图像， 表示第t次迭代过程中的第一梯度下降量；

利用所述预测误差图像和所述高分辨率多光谱图像，确定合成多光谱特征；

利用所述合成多光谱特征和所述全色图像，确定全色特征；

确定所述全色特征的第二梯度下降量；

利用所述第二梯度下降量和所述高分辨率多光谱图像，确定融合全色锐化图像，计算公式如下：其中，t表示迭代次数， 表示第t次迭代获得的融合全色锐化图像， 表示第二参数 的近端算子， 表示第t‑1次迭代获得的融合全色锐化图像， 表示第t次迭代过程中的第二梯度下降量；

确定所述融合全色锐化图像与所述预设的地面实况的真实图像之间的绝对误差，基于所述绝对误差得到目标全色锐化模型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述绝对误差得到目标全色锐化模型，包括：获取所述绝对误差和预设值之间的大小关系；

在所述大小关系表征所述绝对误差小于或等于预设值时，则将此时的最大后验概率模型确定为目标全色锐化模型；

在所述大小关系表征所述绝对误差大于预设值时，则获取新的预设误差图像和新的高分辨率多光谱图像对所述绝对误差进行迭代处理，直至所述绝对误差小于或等于预设值，将此时的最大后验概率模型确定为目标全色锐化模型。

3.根据权利要求2所述的方法，其特征在于，所述获取新的预设误差图像和新的高分辨率多光谱图像对所述绝对误差进行迭代处理，包括：将上一次迭代处理获得的预设误差图像作为新的预设误差图像，将上一次迭代处理获得的融合全色锐化图像作为新的高分辨率多光谱图像；

利用所述新的预设误差图像、所述新的高分辨率多光谱图像和所述全色图像，确定新的预测误差图像；

利用所述新的预测误差图像、所述新的高分辨率多光谱图像和所述全色图像，确定新的融合全色锐化图像；

确定当前迭代处理获得的所述新的融合全色锐化图像与所述预设的地面实况的真实图像之间的绝对误差。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述获取预设的地面实况的高分辨率多光谱图像和全色图像，包括：利用多光谱镜头对预设的地面实况进行拍摄，获得低分辨率多光谱图像；

将所述低分辨率多光谱图像转换为高分辨率多光谱图像；

利用全色镜头对所述预设的地面实况进行拍摄，获得全色图像。

5.根据权利要求4所述的方法，其特征在于，所述将所述低分辨率多光谱图像转换为高分辨率多光谱图像，包括：对所述低分辨率多光谱图像进行插值处理，获得高分辨率多光谱图像。

6.一种全色锐化模型的构建系统，其特征在于，包括：获取模块，用于获取预设的地面实况的高分辨率多光谱图像和全色图像；

第一确定模块，用于在预设的最大后验概率模型中，利用预设误差图像和所述高分辨率多光谱图像，确定合成全色特征；

利用所述合成全色特征和所述全色图像，确定全色特征误差；

确定所述全色特征误差的第一梯度下降量；

利用所述第一梯度下降量和所述预设误差图像，确定预测误差图像，计算公式如下：其中，t表示迭代次数， 表示第t次迭代获得的预测误差图像， 表示第一参数对应的近端算子， 表示第t‑1次迭代获得的预测误差图像， 表示第t次迭代过程中的第一梯度下降量；

第二确定单元，用于利用所述预测误差图像和所述高分辨率多光谱图像，确定合成多光谱特征；

利用所述合成多光谱特征和所述全色图像，确定全色特征；

确定所述全色特征的第二梯度下降量；

利用所述第二梯度下降量和所述高分辨率多光谱图像，确定融合全色锐化图像，计算公式如下：其中，t表示迭代次数， 表示第t次迭代获得的融合全色锐化图像， 表示第二参数 的近端算子， 表示第t‑1次迭代获得的融合全色锐化图像， 表示第t次迭代过程中的第二梯度下降量；

第三确定单元，用于确定所述融合全色锐化图像与所述预设的地面实况的真实图像之间的绝对误差，基于所述绝对误差得到目标全色锐化模型。

7.一种计算设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的一种全色锐化模型的构建方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求1至5任一项所述的一种全色锐化模型的构建方法的步骤。