1.一种基于多域循环一致性对抗生成网络的SAR图像上色方法，其特征在于，包括以下步骤：S1、从数据集中随机抽取一对非成对的SAR图像和光学图像并转化为特征向量；

S2、由所述SAR图像的特征向量连接欲生成的光学图像的掩模向量，经过第一生成器的常规卷积、残差卷积、上采样操作，生成第一伪光学图像，由所述光学图像的特征向量连接欲生成的SAR图像的掩模向量，经过第二生成器的常规卷积、残差卷积、上采样操作，生成第一伪SAR图像，所述第一生成器和第二生成器结构相同，所述掩模向量代表指定颜色域的地理区域，掩模向量 其中n指有n个不同地理区域的数量；

S3、设置具有相同卷积结构的第一判别器和第二判别器，所述卷积结构包括相互独立的第一卷积部分和第二卷积部分，所述第一卷积部分和第二卷积部分各自包括若干卷积层，由所述第一伪光学图像经过第二生成器生成第二伪SAR图像，由所述第一伪SAR图像经过第一生成器生成第二伪光学图像，定义：对抗损失 其中E为数学期望，Dadv为所

述第一卷积部分，G为生成器，x为图像；

循环一致损失 其中为G1第一次经过的生成器，G2为

第二次经过的生成器， 为图像 对应的掩模向量，||||1为损失函数用于规范x和的相似度；

一类多域分类损失 其中Dcls为所述第二卷积部分；

二类多域分类损失

由SAR图像、第一伪光学图像以及光学图像、第一伪SAR图像分别得到所述对抗损失，由第一伪光学图像、第二伪SAR图像以及第一伪SAR图像、第二伪光学图像分别得到循环一致损失，由第一伪光学图像的掩模向量、SAR图像得到以及由第一伪SAR图像的掩模向量、光学图像分别得到一类多域分类损失，由所述第一伪光学图像以及第一伪SAR图像分别得到所述二类多域分类损失；

S4、由步骤S3得到的所述对抗损失、循环一致损失和二类多域分类损失训练第一生成器和第二生成器；由所述对抗损失和一类多域分类损失训练第一判别器和第二判别器；

S5、连接欲上色的SAR图像的特征向量及光学图像对应的掩模向量，经过所述训练后的第一生成器上色得到光学图像。

2.根据权利要求1所述的基于多域循环一致性对抗生成网络的SAR图像上色方法，其特征在于，所述第一生成器和第二生成器的结构包括三个前置卷积层、九个残差模块、两个反卷积层和一个后置卷积层。

3.根据权利要求2所述的基于多域循环一致性对抗生成网络的SAR图像上色方法，其特征在于，所述三个前置卷积层的滤波器数量依次为32、64和128。

4.根据权利要求2所述的基于多域循环一致性对抗生成网络的SAR图像上色方法，其特征在于，所述九个残差模块的滤波器数量均为128。

5.根据权利要求2所述的基于多域循环一致性对抗生成网络的SAR图像上色方法，其特征在于，所述两个反卷积层的滤波器数量依次为128和256。

6.根据权利要求2所述的基于多域循环一致性对抗生成网络的SAR图像上色方法，其特征在于，所述后置卷积层的滤波器数量为256。

7.根据权利要求1所述的基于多域循环一致性对抗生成网络的SAR图像上色方法，其特征在于，所述第一卷积部分包括5层卷积层，所述5层卷积层的滤波器数量依次为64、128、

256、512和1。

8.根据权利要求1所述的基于多域循环一致性对抗生成网络的SAR图像上色方法，其特征在于，所述第二卷积部分包括3层卷积层，所述3层卷积层的滤波器数量均为64。