1.基于生成对抗网络和压缩感知的遥感图像融合方法，其特征在于，包括：

获取待融合的原始LRMS图像和原始PAN图像；

基于生成对抗网络并随机初始化网络参数，作为HRMS图像生成模型；

生成预设长度的随机噪声，输入所述HRMS图像生成模型，获得伪HRMS图像；基于压缩感知理论对所述伪HRMS图像进行分解，获得伪LRMS图像和伪PAN图像；

确定原始图像与伪图像之间的损失函数，以最小化损失为目标对所述随机噪声和网络参数进行若干轮次优化，每轮次优化结束保存生成的伪HRMS图像；所述优化过程具体包括：固定网络参数，通过Adam优化器对随机噪声进行优化；固定随机噪声，通过Adam优化器对网络参数进行优化；循环执行优化步骤，直到循环次数达到预先设定的最大循环次数；

所述方法通过对随机噪声和生成模型参数同时进行优化，克服了压缩感知理论中只对随机噪声进行优化，导致生成图像质量不佳的问题；同时，采用了MAEloss与SSIMloss的混合损失函数，与单一损失函数相比更多的保留了细节和纹理的准确性，减少了图像模糊与色彩失真。

2.如权利要求1所述的基于生成对抗网络和压缩感知的遥感图像融合方法，其特征在于，所述基于压缩感知理论对所述伪HRMS图像进行分解，获得伪LRMS图像和伪PAN图像，具体包括：基于压缩感知理论对伪HRMS图像进行平均下采样得到伪LRMS图像；基于压缩感知理论对伪HRMS图像进行通道平均加权得到伪PAN图像。

3.如权利要求1所述的基于生成对抗网络和压缩感知的遥感图像融合方法，其特征在于，所述确定原始图像与伪图像之间的损失函数，具体包括：分别计算伪LRMS图像与原始LRMS图像、伪PAN图像与原始PAN图像之间的平均绝对损失和结构相似性损失；将各损失函数按相应权重相加得到总的损失函数。

4.如权利要求3所述的基于生成对抗网络和压缩感知的遥感图像融合方法，其特征在于，所述平均绝对损失定义如下：其中，Xi与Yi表示图像X和Y对应位置的像素值，n表示像素点的个数。

5.如权利要求3所述的基于生成对抗网络和压缩感知的遥感图像融合方法，其特征在于，所述结构相似性损失定义如下：

2 2

其中，uX,uY分别表示图像X和Y的均值，σX,σY分别表示图像X和Y的标准差，σX ,σY分别表示图像X和Y的方差；σXY代表图像X和Y协方差；C1,C2为常数。

6.如权利要求1所述的基于生成对抗网络和压缩感知的遥感图像融合方法，其特征在于，所述随机噪声采用均值为0，标准差为1的高斯分布生成。

7.基于生成对抗网络和压缩感知的遥感图像融合系统，其特征在于，包括：

图像获取单元，其用于获取待融合的原始LRMS图像和原始PAN图像；

模型构建单元，其用于基于生成对抗网络并随机初始化网络参数，作为HRMS图像生成模型；

伪图像生成单元，其用于生成预设长度的随机噪声，输入所述HRMS图像生成模型，获得伪HRMS图像；基于压缩感知理论对所述伪HRMS图像进行分解，获得伪LRMS图像和伪PAN图像；

融合图像生成单元，其用于确定原始图像与伪图像之间的损失函数，以最小化损失为目标对所述随机噪声和网络参数进行若干轮次优化，每轮次优化结束保存生成的伪HRMS图像，全部轮次结束后选择最优的伪HRMS图像作为输出；所述优化过程具体包括：固定网络参数，通过Adam优化器对随机噪声进行优化；固定随机噪声，通过Adam优化器对网络参数进行优化；循环执行优化步骤，直到循环次数达到预先设定的最大循环次数；

所述系统通过对随机噪声和生成模型参数同时进行优化，克服了压缩感知理论中只对随机噪声进行优化，导致生成图像质量不佳的问题；同时，采用了MAEloss与SSIMloss的混合损失函数，与单一损失函数相比更多的保留了细节和纹理的准确性，减少了图像模糊与色彩失真。

8.一种电子设备，包括存储器、处理器及存储在存储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1‑6任一项所述的基于生成对抗网络和压缩感知的遥感图像融合方法。

9.一种非暂态计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1‑6任一项所述的基于生成对抗网络和压缩感知的遥感图像融合方法。