1.一种基于无监督学习的RGB图像高光谱重建方法，其特征在于，包括以下步骤：S1.对高光谱数据集及RGB图像语义分割数据集进行预处理；

S2.构建生成对抗网络模型，所述生成对抗网络模型包括生成器卷积神经网络和鉴定器卷积神经网络；

S3.向生成对抗网络模型输入预处理后的高光谱数据集及RGB图像语义分割数据集，利用自适应竞争梯度下降法对生成器卷积神经网络和鉴别器卷积神经网络进行更新训练，得到训练好的生成对抗网络模型；

所述的自适应竞争梯度下降法的更新公式为：

其中，x为最小化变量，y为最大化变量，函数f(x)为损失函数，S4.向训练好的生成对抗网络模型输入待重建的RGB图像，利用生成对抗网络模型的生成器卷积神经网络，输出重建好的高光谱图像。

2.根据权利要求1所述的基于无监督学习的RGB图像高光谱重建方法，其特征在于，在步骤S1中，所述高光谱数据集包括：高光谱图像；所述RGB图像语义分割数据集包括：经过语义分割的RGB图像及其对应的语义标签；一个经过语义分割的RGB图像对应一个语义标签。

3.根据权利要求2所述的基于无监督学习的RGB图像高光谱重建方法，其特征在于，在步骤S2中，所述生成器卷积神经网络和鉴别器卷积神经网络均由上采样层、中间层和输出层依次连接组成。

4.根据权利要求3所述的基于无监督学习的RGB图像高光谱重建方法，其特征在于，所述上采样层为卷积核尺寸为3×3的卷积层；所述中间层为四层依次相连的密集层，每层密集层包括依次相连的一层卷积层和一层归一化层；所述输出层由一层卷积层构成，输出层中的卷积层的输出结果与上采样层的输出结果相加，输出最终结果。

5.根据权利要求4所述的基于无监督学习的RGB图像高光谱重建方法，其特征在于，在步骤S2中，所述生成器卷积神经网络还包括辅网络，所述辅网络由预训练分割模型构成。

6.根据权利要求5所述的基于无监督学习的RGB图像高光谱重建方法，其特征在于，在步骤S3中，生成对抗网络的目标函数为：其中，

预处理分割模型约束项的表达式为：

其中，P为预处理分割模型预测结果，L为分割模型真实标签，h、w分别为高光谱图像空间维的长和宽。

7.根据权利要求6所述的基于无监督学习的RGB图像高光谱重建方法，其特征在于，在步骤S3中，包括以下步骤：S31.将RGB图像语义分割数据集中经过语义分割的RGB图像输入生成对抗网络模型，生成对抗网络模型的生成器卷积神经网络对该经过语义分割的RGB图像进行高光谱图像重建后，输出虚假高光谱图像，辅网络对生成器卷积神经网络输出的虚假高光谱图像进行鉴别，并输出辅网络语义标签；

S32.将虚假高光谱图像与高光谱数据集中的高光谱图像同时输入生成对抗网络模型的鉴别器卷积神经网络，鉴别器卷积神经网络对二者分别进行鉴别，并输出二者对应的语义标签；

S33.计算生成对抗网络模型的损失；

S34.利用自适应竞争梯度下降法对生成对抗网络模型进行优化更新，根据梯度调整卷积神经网络的参数，直至满足鉴别器卷积神经网络损失最大化与生成器卷积神经网络损失最小化，停止训练，输出生成对抗网络模型。

8.根据权利要求7所述的基于无监督学习的RGB图像高光谱重建方法，其特征在于，在步骤S3中，计算损失的具体步骤包括：S331.利用交叉熵损失函数或类别不平衡损失函数计算辅网络语义标签与RGB图像的语义标签之间的损失；

S332.利用交叉熵损失函数或类别不平衡损失函数计算鉴别器卷积神经网络输出的两个语义标签之间的损失。

9.一种基于无监督学习的RGB图像高光谱重建系统，其特征在于，包括：数据处理模块：用于对高光谱数据集及RGB图像语义分割数据集进行预处理；

网络构建模块：用于构建生成对抗网络模型，所述生成对抗网络模型包括生成器卷积神经网络和鉴定器卷积神经网络；

模型训练模块：用于向生成对抗网络模型输入预处理后的高光谱数据集及RGB图像语义分割数据集，并利用自适应竞争梯度下降法对生成器卷积神经网络和鉴别器卷积神经网络进行更新训练，得到训练好的生成对抗网络模型；

所述的自适应竞争梯度下降法的更新公式为：

其中，x为最小化变量，y为最大化变量，函数f(x)为损失函数，图像重建模块：用于向训练好的生成对抗网络模型输入待重建的RGB图像，并利用生成对抗网络模型的生成器卷积神经网络，输出重建好的高光谱图像。