1.一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：包括如下步骤：

S1、获取测试图像和用于训练的系列图像；

S2、构建基于分组策略的渐进式高光谱图像超分辨率网络；所述基于分组策略的渐进式高光谱图像超分辨率网络包括依次连接的融合模块Ⅰ、上采样模块Ⅰ、第一个Add层、卷积层Ⅰ、融合模块Ⅱ、上采样模块Ⅱ、第二个Add 层、卷积层Ⅱ、融合模块Ⅲ；融合模块Ⅰ用于对空间信息和光谱信息进行第一阶段的融合，上采样模块Ⅰ用于进行上采样，并增大空间尺度，第一个Add层用于进行特征相加，卷积层Ⅰ用于进行卷积操作，融合模块Ⅱ对空间信息和光谱信息进行第二阶段的融合；上采样模块Ⅱ用于进行上采样，并增大空间尺度，第二个Add层用于进行特征相加，卷积层Ⅱ用于进行卷积操作，融合模块Ⅲ用于对空间信息和光谱信息进行第三阶段的融合，获取重建的高分辨率高光谱图像；

S3、利用基于分组策略的渐进式高光谱图像超分辨率网络的总损失 以及用于训练的系列图像训练基于分组策略的渐进式高光谱图像超分辨率网络，得到基于分组策略的渐进式高光谱图像超分辨率网络模型；

S4、将待处理的高光谱图像和待处理的多光谱图像输入到基于分组策略的渐进式高光谱图像超分辨率网络模型中的融合模块Ⅰ中，而后沿基于分组策略的渐进式高光谱图像超分辨率网络模型前向传播一次，即可得重建的高分辨率高光谱图像。

2.根据权利要求1所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S2中，融合模块Ⅱ、融合模块Ⅲ均与融合模块Ⅰ的结构相同，卷积层Ⅰ和卷积层Ⅱ的结构相同，上采样模块Ⅰ和上采样模块Ⅱ的结构相同。

3.根据权利要求1所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S2中，融合模块Ⅰ包括并联的Concat层、空谱信息融合模块和Add层，Concat层的输入端还与多尺度特征提取模块的输入端相连接，Concat层的输出端依次连接卷积层Ⅲ、空谱信息融合模块、空间信息增强模块、卷积层Ⅳ和Add层，其中，多尺度特征提取模块的输出端还连接空间信息增强模块的输入端。

4.根据权利要求3所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S2中，空谱信息融合模块包括分组卷积层Ⅰ、分组卷积层Ⅱ、分组卷积层Ⅲ、Transformer模块Ⅰ、Transformer模块Ⅱ、Transformer模块Ⅲ、Concat层和卷积层，分组卷积层Ⅰ、分组卷积层Ⅱ和分组卷积层Ⅲ并联，分组卷积层Ⅰ、分组卷积层Ⅱ和分组卷积层Ⅲ的输出端分别连接Transformer模块Ⅰ、Transformer模块Ⅱ和Transformer模块Ⅲ，Transformer模块Ⅰ、Transformer模块Ⅱ和Transformer模块Ⅲ的输出端均与Concat层连接，Concat层连接卷积层；其中，Transformer模块Ⅰ、Transformer模块Ⅱ和Transformer模块Ⅲ的输入端均与融合模块Ⅰ中卷积层Ⅲ的输出端相连接，分组卷积层Ⅰ、分组卷积层Ⅱ和分组卷积层Ⅲ的输入端均与融合模块Ⅰ中Concat层的输入端相连接。

5.根据权利要求4所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S2中，Transformer模块Ⅰ、Transformer模块Ⅱ和Transformer模块Ⅲ的网络结构相同。

6.根据权利要求4所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S2中，TransformerⅠ模块包括三个Reshape层，第一个Reshape层的输入端与分组卷积层Ⅰ的输出端连接，第二个Reshape层的输入端与融合模块Ⅰ中卷积层Ⅲ的输出端连接；第一个Reshape层分别连接有Value线性层Ⅰ、Key线性层Ⅰ和Query线性层Ⅰ，第二个Reshape层分别连接有Value线性层Ⅱ、Key线性层Ⅱ和Query线性层Ⅱ，Query线性层Ⅰ和Query线性层Ⅱ均与第一个Add层相连接，第一个Add层和Key线性层Ⅰ均与第一个矩阵相乘单元连接，第一个Add层和Key线性层Ⅱ均与第二个矩阵相乘单元连接，第一个矩阵相乘单元连接第一个Softmax层，第二个矩阵相乘单元连接第二个Softmax层，第一个Softmax层和Value线性层Ⅰ均与第三个矩阵相乘单元连接，第二个Softmax层和Value线性层Ⅱ均与第四个矩阵相乘单元连接，第三个矩阵相乘单元和第四个矩阵相乘单元均与第二个Add层连接，第二个Add层依次连接归一化层、前馈网络、第三个Add层和第三个Reshape层，第二个Add层的输出端还与第三个Add层的输入端相连接。

7.根据权利要求3所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S2中，多尺度特征提取模块包括并联的空洞卷积层Ⅰ、空洞卷积层Ⅱ、空洞卷积层Ⅲ、空洞卷积层Ⅳ和空间注意力模块，空洞卷积层Ⅰ、空洞卷积层Ⅱ、空洞卷积层Ⅲ、空洞卷积层Ⅳ和空间注意力模块均与Concat层连接，Concat层依次连接通道注意力模块和卷积层。

8.根据权利要求3所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S2中，空间信息增强模块包括并联的第一个逐元素相乘模块和第一个Add层以及并联的第二个逐元素相乘模块和第二个Add层，第一个逐元素相乘模块以及第二个逐元素相乘模块的输入端均与Concat层的输入端连接，Concat层输出端依次连接平均池化层、第一个卷积层、第二个卷积层和第一个Sigmoid激活层，第一个Sigmoid激活层的输出端分别连接第一个逐元素相乘模块和第二个逐元素相乘模块，第一个逐元素相乘模块的输出端连接第一个Add层的输入端，第二个逐元素相乘模块的输出端连接第二个Add层的输入端，第二个Add层的输出端连接第三个卷积层，第三个卷积层分别连接平均池化层和第一个卷积单元，平均池化层的输出端连接第二个卷积单元，第一个卷积单元和第二个卷积单元的输出端均与第三个逐元素相乘模块相连接，第三个逐元素相乘模块的输出端连接第二个Sigmoid激活层，第二个Sigmoid激活层的输出端与第一个Add层的输出端均与第四个逐元素相乘模块连接，第一个Add层的输出端以及第四个逐元素相乘模块的输出端还与第三个Add层的输入端连接。

9.根据权利要求8所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S2中，第一个卷积单元和第二个卷积单元的结构相同，第一个卷积单元包括两个依次连接的卷积层。

10.根据权利要求1所述的一种基于分组策略的渐进式高光谱图像超分辨率方法，其特征在于：步骤S3具体包括如下步骤：将用于训练的系列图像输入到基于分组策略的渐进式高光谱图像超分辨率网络中，进行前向传播，计算基于分组策略的渐进式高光谱图像超分辨率网络的总损失 ，并在总损失 的引导下进行反向传播，更新基于分组策略的渐进式高光谱图像超分辨率网络的权重参数，完成一个epoch的训练过程，迭代500个epoch的训练过程后，即完成对基于分组策略的渐进式高光谱图像超分辨率网络的训练，得到基于分组策略的渐进式高光谱图像超分辨率网络模型。