1.一种基于多尺度特征自适应融合网络的遥感影像超分辨率方法，其特征在于：所述基于多尺度特征自适应融合网络的遥感影像超分辨率方法包括以下步骤：

1)利用滤波器对原始输入的低分辨率遥感影像进行卷积运算，提取原始特征图；

2)通过n个级联的多尺度特征提取模块AMFE对原始特征图的自适应多尺度特征进行提取，得到自适应多尺度特征图；所述多尺度特征提取模块AMFE包括多尺度特征提取单元MFE以及特征门控单元FG；所述多尺度特征提取单元MFE用于对原始特征图进行特征信息的多尺度提取；所述特征门控单元FG对特征信息进行自适应提取处理；

3)将步骤1)提取得到的原始特征图和步骤2)获取得到的自适应多尺度特征图进行叠加，利用滤波器对叠加后的图进行卷积运算，实现特征降维与融合；

4)采用亚像素卷积方法，获取最终的超分辨率重建后的遥感影像；

所述步骤2)的具体实现方式是：Ai＝fMFE(Ai‑1)+g(Ai‑1)，1≤i≤n     (2)式中：fMFE(·)表示利用多尺度特征提取单元MFE对第i‑1个AMFE模块输出的特征图进行多尺度特征提取处理；

g(·)表示利用特征门控单元FG对第i‑1个AMFE模块输出的特征图进行自适应提取处理；

Ai表示第i个AMFE模块输出的特征图；Ai‑1表示第i‑1个AMFE模块输出的特征图；n表示多尺度特征提取模块AMFE的总数；所述步骤2)中利用多尺度特征提取单元MFE进行多尺度特征提取的具体实现方式是：a.1)第一层卷积处理：第一层卷积操作定义为：式中：Ai‑1是第i‑1个AMFE模块输出的特征图；表示第i个AMFE模块的MFE单元第一层卷积操作中所使用的滤波器；是滤波器对应的偏置向量；

φ(·)表示Relu激活函数；表示第一层卷积处理后输出的特征图；

a.2)第二层卷积处理：通过3种不同大小卷积核的滤波器对进行卷积运算，第二层卷积处理操作表示为：式中：j表示不同大小卷积核的滤波器种类序号；表示第i个AMFE模块的MFE单元第二层卷积操作中所使用的滤波器；表示第一层卷积处理后输出的特征图；为滤波器对应的偏置向量；

φ(·)表示Relu激活函数；

a.3)特征图组合与降维：将第一层卷积处理输出的特征图和第二层卷积处理输出的特征图进行组合，获得3个新的特征图组b.1)对第i‑1个AMFE模块输出的特征图Ai‑1，采用avg .pool操作进行处理得到1×1×128张量；

b.2)依次采用16、16和2个1×1滤波器进行卷积运算，并利用Gumbel‑softmax方法计算向量V′；

b.3)将第二个元素V[1]定义为门控得分的期望值score(Ai‑1)，该期望值score(Ai‑1)代表需要保留多少比例的特征信息；当确定门得分的值后，保留的特征信息A′i‑1如下：A′i‑1＝score(Ai‑1)×Ai‑1        (7)。

2.根据权利要求1所述的基于多尺度特征自适应融合网络的遥感影像超分辨率方法，其特征在于：所述步骤1)的具体实现方式是：A0＝w0*ILR+b0        (1)

其中：ILR是原始输入的低分辨率遥感影像；A0是从原始输入的低分辨率遥感影像中提取的原始特征图；w0是对应于卷积层conv中的128个卷积核大小为3×3的滤波器；b0是表示滤波器对应的偏差向量；*表示卷积运算。3.根据权利要求2所述的基于多尺度特征自适应融合网络的遥感影像超分辨率方法，其特征在于：所述步骤3)的具体实现方式是：Afusion＝wf*[A0,A1,…,An]+bf    (8)

式中：wf表示特征融合层所包含的64个卷积核大小为1×1的滤波器；bf表示滤波器对应的偏差向量；[A0,A1,…,An]表示由原始特征图A0和各AMFE模块提取特征图的叠加组合；Afusion表示经过特征融合处理后输出的特征图。4.根据权利要求3所述的基于多尺度特征自适应融合网络的遥感影像超分辨率方法，其特征在于：所述步骤4)的具体实现方式是：直接采用亚像素卷积方法，对特征图Afusion进行处理，获取最终重建的高分辨率遥感影像。