1.一种基于边缘先验的多光谱去马赛克方法，其特征是，该方法包括以下步骤：步骤一，设计具有SSF的九通道光谱滤光阵列：基于二叉树算法设计九通道多光谱滤光片阵列排布，其包含一个1/2采样率的密集采样通道和八个1/16采样率的稀疏采样通道，以及九个具有特定SSF的滤光器，以实现均匀采样和满足特定光谱成像需求；步骤二，构建密集采样通道图像估计模型：使用泰勒多项式将密集采样通道图像中未采样点的像素值估计为其邻近采样点像素值的加权和；步骤三，计算梯度得到水平和垂直方向的估计值：计算密集采样通道图像未采样像素点的水平及垂直一阶和二阶梯度，得到水平和垂直两个方向估计值；步骤四，确定估计值贡献权重，使用S型函数平滑混合估计值：通过水平变化υ h 、水平上侧变化 水平下侧变化 垂直变化υ v 、垂直左侧变化 以及垂直右侧变化 来确定估计值贡献权重，并通过S型函数平滑混合估计值；步骤五，通过引导滤波重建稀疏采样通道图像：将重建后的密集通道图像作为引导图，应用引导滤波技术重建稀疏采样通道的原始图像，优化图像质量；所述步骤二构建密集采样通道图像估计模型具体步骤：使用泰勒多项式将密集采样通道图像中未采样点的像素值估计为其邻近采样点像素值的加权和；密集采样通道图像中未采样像素(i,j)的像素值估计为其邻近采样点在图像中的像素值的加权和，用泰勒多项式表示如下：其中x 0 是起始点，f n (x 0 )表示函数的n阶导数，R n (x)表示残差误差；当给定方向导数或梯度值时，利用采样点来估计未采样点；从水平和垂直方向分别估计邻域中心位置的像素值，具体如下： 和 表示水平一阶和二阶梯度， 和 表示垂直一阶和二阶梯度， 分别是对中心位置(i,j)处的水平和垂直估计值；最后，利用这水平和垂直两个方向估计值的加权和作为中心位置(i,j)处的缺失像素值，即其中，ω h 、ω v 表示方向估计的贡献权重，ω v +ω h ＝1；步骤三计算密集采样通道图像未采样像素点的水平及垂直一阶和二阶梯度，得到水平和垂直两个方向估计值；所述密集采样通道图像I中(i,j)、(i+2,j)、(i-2,j)、(i,j+2)并不属于同一光谱通道，在像素(i,j)处的水平一阶和二阶梯度由 和 表示以及垂直一阶和二阶梯度由 和 表示由下式计算：其中， 和 表示邻域像素二阶梯度估计的贡献权重， 像素(i-1,j-1),(i-1,j+1),(i+1,j-1)和(i+1,j+1)处的一阶梯度和像素(i+1,j),(i-1,j),(i,j+1)和(i,j-1)处二阶梯度计算方法如下：联立公式(3)、(4)和(5)，得到水平和垂直两个方向估计值。
2.根据权利要求1所述的一种基于边缘先验的多光谱去马赛克方法，其特征在于，所述步骤四具体为：将水平变化υ h 、水平上侧变化 水平下侧变化 垂直变化υ v 、垂直左侧变化 以及垂直右侧变化 定义为：其中，I max 为图像最大像素值；I min 为图像最小像素值；则估计值贡献权重ω h 、ω v 、 定义为:其中，使用S型函数作为贡献权重函数，以平滑地混合多个估计值，其中权重和为1，从而优化多光谱去马赛克过程中的像素值估计，提高图像重建质量；所述S型函数形式如下：其中，k是一个正实数；该S型函数是非指数计算的。
3.根据权利要求1所述的一种基于边缘先验的多光谱去马赛克方法，其特征在于，所述步骤五具体为：将重建后的密集通道高质量图像作为引导图，利用引导图重建其余稀疏采样陷波通道的原始图像；对于二维图像，引导图像G和输出图像Y在一个二维局部窗口内满足线性关系，如下：其中，ω k 是以像素k为中心的局部邻域窗口，i是窗口内的任意像素点；(a k ,b k )是窗口内一组假定为常数的线性系数；首先，定义如下代价函数：其中，M i 是二元掩膜，在原始图像Y内已采样点处的值为1，其余位置值为0，ε是正则化参数，用于调整滤波器的效果；然后，最小化上述代价函数可以得到：其中，μ k 和 是引导图像G窗口ω k 内像素均值和方差，|ω|表示窗口ω k 内像素点的个数； 表示输出图像Y窗口ω k 内采样点像素的均值，即：最后，输出图像Y估计值 可表示如下：其中， 和 表示所有包含该点i的窗口ω i 的系数平均值，即：
