1.基于图注意力机制的多光谱与全色图像融合方法，其特征在于，包括：获取低空间分辨率的多光谱图像和高空间分辨率的全色图像；

将多光谱图像特征图和全色图像特征图输入深度神经网络模型；

采用训练样本集和Adam随机梯度下降算法对深度神经网络模型进行训练，基于损失函数优化深度神经网络模型，得到训练好的深度神经网络模型；

将待融合的低分辨率的多光谱图像和高空间分辨率的全色图像输入训练好的深度神经网络模型，输出融合后的高空间分辨率的多光谱图像。

2.根据权利要求1所述的基于图注意力机制的多光谱与全色图像融合方法，其特征在于，采用双线性插值方法，将低分辨率的多光谱图像上采样为高空间分辨率的全色图像的大小。

3.根据权利要求1所述的基于图注意力机制的多光谱与全色图像融合方法，其特征在于，所述将多光谱图像特征图和全色图像特征图输入深度神经网络模型包括：将低空间分辨率的多光谱图像输入到构建的深度神经网络模型，得到多光谱图像特征图；同时将高空间分辨率的全色图像输入到构建的深度神经网络模型，得到全色图像特征图。

4.根据权利要求1所述的基于图注意力机制的多光谱与全色图像融合方法，其特征在于，基于高空间分辨率的全色图像和上采样处理的低分辨率的多光谱图像，构建训练样本集；其中每个训练样本，包括：一个高空间分辨率的全色图像和一个上采样处理的低分辨率的多光谱图像。

5.根据权利要求4所述的基于图注意力机制的多光谱与全色图像融合方法，其特征在于，所述训练的过程包括：将多光谱图像特征图与全色图像特征图进行堆叠处理，得到第一特征图。

6.根据权利要求5所述的基于图注意力机制的多光谱与全色图像融合方法，其特征在于，基于第一特征图提取多通道的第二特征图，基于第二特征图构造无向万全图，采用图注意力机制算法计算无向万全图各个通道的权重；基于各个通道的权重数值与第一特征图相结合，重建卷积网络，得到第三特征图；将第三特征图与第一特征图相加得到第四特征图；

对第四特征图进行卷积处理，输出融合后的高空间分辨率的多光谱图像。

7.根据权利要求3所述的基于图注意力机制的多光谱与全色图像融合方法，其特征在于，所述深度神经网络模型包括：一条用于输入低分辨率的多光谱图像的分支网络和一条用于输入高空间分辨率的全色图像的分支网络，将两条分支网络提取出的特征进行堆叠。

8.基于图注意力机制的多光谱与全色图像融合系统，其特征在于，包括：采集模块，其被配置为：获取低空间分辨率的多光谱图像和高空间分辨率的全色图像；

模型构建模块，其被配置为：将多光谱图像特征图和全色图像特征图输入深度神经网络模型；

模型优化模块，其被配置为：采用训练样本集和Adam随机梯度下降算法对深度神经网络模型进行训练，基于损失函数优化深度神经网络模型，得到训练好的深度神经网络模型；

输出模块，其被配置为：将待融合的低分辨率的多光谱图像和高空间分辨率的全色图像输入训练好的深度神经网络模型，输出融合后的高空间分辨率的多光谱图像。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7中任一项所述的基于图注意力机制的多光谱与全色图像融合方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑7中任一项所述的基于图注意力机制的多光谱与全色图像融合方法中的步骤。