CN104252625A - 样本自适应多特征加权的遥感图像分类方法 - Google Patents

Abstract

本发明公开了一种样本自适应多特征加权的遥感图像分类方法，属于遥感图像处理技术领域。本发明方法针对不同样本在最近邻空间特征分布情况不同而确定各个特征的权重，并根据每种特征的分类结果进行多分类器自适应综合，最终获得多特征融合后的分类结果，从而充分发挥各特征对不同样本的优势，使特征融合结果更佳。本发明方法能够针对不同测试样本图像自适应地选择不同的特征权重，发挥各特征在不同样本和不同局部特征空间的分类优势，提高了分类准确率，最终从整体上提高了分类性能。

Description

样本自适应多特征加权的遥感图像分类方法

技术领域

本发明涉及一种遥感图像分类方法，尤其涉及一种多特征融合的遥感图像分类方法，属于遥感图像处理技术领域。

背景技术

随着遥感科学的发展和技术应用的深入,遥感研究正在由定性向定量转变。传统的基于像元的遥感图像分类主要借助统计模式识别理论和方法,在技术和应用上已经很成熟。可单纯依靠像元光谱统计信息对遥感影像进行分类有很大的局限性,不但精度低,而且会产生大量的数据冗余。高分辨率遥感影像能够提供丰富的地物细节，但各种地物空间分布复杂，同类物体呈现出很大的光谱异质性，基于像元的分类技术容易造成较多的错分、漏分现象，从而导致分类精度较低。

近年来，研究者发现对于高分辨率遥感图像中的目标，不同特征的作用各不相同，彼此存在互补的现象。综合考虑图像的纹理特征、光谱特征和形状信息等多种特征信息的遥感影像解译技术已经得到了广泛的研究和应用，提高了遥感信息提取的精度和可靠性。国内外多数学者使用一种算法或者规则将多个分类器进行组合，提高了分类精度。具有代表性的几种组合方法有多数投票法、加权综合法、完全一致法、最大概率类别法、模糊积分融合法等。下面对最常见的几种方法进行简单介绍：

(1)多数投票法。多数投票法属于典型的抽象级分类器融合方法，其基本思想是当各子分类器输出结果不完全一致时，可以通过投票的方式来决定类别的归属问题。多数投票法基于群体的判断优于个体的判断假设，简单、准确且易操作，由于其判决条件比较苛刻，结果的可靠性较高，但会出现判决率降低，而且没有考虑各分类器本身的特性。

(2)加权综合法。加权综合规则下的分类精度明显高于多数投票规则下的分类精度。因为加权求和规则本身就是针对多数票规则，一人一票的缺点提出的,在确定各个分类器的权重时,采用该成员分类器独立分类的总体精度作为其衡量值,但是关于权重的定量没有考虑到特征的局部特点，即样本的多样性，不能合理地衡量成员分类器分类能力的值。如果能确定更合理的权重,那么加权求和规则下的组合精度将更高。

(3)完全一致法。完全一致法要求很严格，只有在各个分类器输出一致的情况下才输出结果，否则拒识。因此，在分类器分类不一致的情况下，该方法不能给出很好的分类效果，不仅没有考虑到单个特征对分类的作用，而且没有合理结合样本的多样性，导致分类精度很低。

现有这些多特征融合的遥感图像分类方法均未考虑到遥感目标的多样性，不能充分利用样本空间的局部特征相关性信息，因而分类精度差强人意。

发明内容

本发明所要解决的技术问题在于克服现有多特征融合的遥感图像分类技术的不足，提供一种样本自适应多特征加权的遥感图像分类方法，针对不同样本在最近邻空间特征分布情况不同而确定各个特征的权重，并根据每种特征的分类结果进行多分类器自适应综合，最终获得多特征融合后的分类结果，从而充分发挥各特征对不同样本的优势，使特征融合结果更佳。

本发明的样本自适应多特征加权的遥感图像分类方法，首先利用遥感图像训练集在Q个不同的图像特征空间中分别训练分类模型，得到Q个对应不同图像特征的分类器，Q为大于2的自然数；然后分别利用这Q个分类器对待分类的测试遥感图像进行分类，得到该测试遥感图像的Q组类别预测结果；最后对得到的Q组类别预测结果进行加权综合，得到该测试遥感图像最终的分类结果；具体按照以下方法对得到的Q组类别预测结果进行加权综合：

步骤1、初始化各图像特征的权重w_i为1，i=1,2,…,Q；

步骤2、利用特征的加权欧氏距离，从遥感图像训练集中获取测试遥感图像的K₃个最近邻样本，测试遥感图像x与遥感图像训练集样本y之间的加权欧式距离d按照下式得到：

$d=\sqrt{\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{w}_i{(x_i-y_i)}^2}$

其中，w_i为图像特征i对应的权重，x_i和y_i分别为测试遥感图像x与训练遥感图像样本y的第i个图像特征分量；

步骤3、对K₃个最近邻样本中的每一个，分别以该最近邻样本为测试样本，按照以下方法计算每个图像特征对该最近邻样本的分类预测能力：

步骤3-1、利用特征的加权欧氏距离，从遥感图像训练集中获取测试样本的K₁和K₂个最近邻样本，分别构成该测试样本的第一邻域和第二邻域；

步骤3-2、利用下式计算测试样本的第一邻域中的任一样本属于各个图像类别的概率：

$a^j=\frac{N_j}{K_1},$

其中，a^j表示测试样本的第一邻域中的任一样本属于第j种图像类别的概率，

j∈{1,2,...,J}，J为图像类别总数，N_j为测试样本的第一邻域中属于第j种图像类别的样本个数；

步骤3-3、对测试样本的第二邻域，利用下式计算各图像特征空间中与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的任一样本属于各图像类别的概率：

$b_i^j=\frac{N_j^{\′}}{K_2},$

其中，表示在第i个图像特征空间中，与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的任一样本，属于第j种图像类别的概率，i∈{1,2,...,Q}，j∈{1,2,...,J}；N_j′表示在第i个图像特征空间中，与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的属于第j种图像类别的样本个数；在第i个图像特征空间中，测试样本与其第二邻域中任一样本的归一化欧氏距离为：测试样本与该样本间的欧氏距离除以测试样本与其第二邻域中所有样本的平均欧氏距离；

步骤3-4、利用以上得到的a^j和根据下式计算各图像特征对测试样本的分类预测评估能力：

$r_i=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\frac{{(a^j-b_i^j)}^2}{b_i^j},$

式中，r_i表示第i个图像特征对该测试样本的分类预测评估能力指数，i∈{1,2,...,Q}；

步骤4、分别求取各图像特征对所述K₃个最近邻样本的分类预测评估能力指数的平均值i∈{1,2,...,Q}，以其作为各图像特征对所述测试遥感图像的局部分类预测能力，并利用更新各图像特征的权重w_i：

$w_i=\frac{\exp \left(c\frac{1}{\stackrel{\‾}{r_i}}\right)}{\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}\exp \left(c\frac{1}{\stackrel{\‾}{r_i}}\right)},$

其中，c为预设的大于等于0的指数加权因子；

步骤5、重复执行步骤2～步骤4直至满足预设的迭代终止条件，以当前输出的各图像特征的权重w_i与相应的分类器对测试遥感图像的分类结果P_i相乘，得到各图像特征所对应分类器加权后的分类结果：P_i'=w_iP_i,i∈{1,2,...,Q}；最后取加权概率和最大的类作为所述测试遥感图像最终的分类结果。

优选地，所述Q的取值大于等于3，且所述Q个不同的图像特征包括视觉词袋特征、颜色特征，以及纹理特征。

优选地，所述分类模型为支持向量机，当然，也可选用现有的BP神经网络、Bayes分类器、logistic回归分类器等各种分类模型。

相比现有技术，本发明通过分析测试图像样本邻域特征分布，可以更加有针对性地确定各种特征的权重，利用特征在训练图像样本中的统计信息来获得特征之间的关系，并对单一特征分类结果进行自适应融合，有助于纠正一些易错的分类，部分解决了低层特征与高层语义之间的“语义鸿沟”问题，从而使高分辨率遥感图像分类更加有效、可靠；本发明方法能够针对不同测试样本图像自适应地选择不同的特征权重，发挥各特征在不同样本和不同局部特征空间的分类优势，提高了分类准确率，最终从整体上提高了分类性能。

附图说明

图1为验证试验中采用本发明方法得到的分类结果；

图2为加权综合法、多数投票法和完全一致法三种分类器组合方法以及本发明方法在相同测试集上的分类结果比较。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

高分辨率遥感影像能够提供丰富的地物细节，但各种地物空间分布复杂，同类目标呈现出较大的光谱异质性，给传统模式识别分类器带来极大挑战。本发明针对现有多特征组合分类器未能充分利用各种特征之间的局部相关性的不足，通过分析测试样本局部特征相关性，探究各个特征在不同样本的分类中所占权重的不同，据此对不同分类器进行自适应加权。

本发明的样本自适应多特征加权的遥感图像分类方法，整体上与现有多特征加权融合的遥感图像分类方法类似，首先利用遥感图像训练集在Q个不同的图像特征空间中分别训练分类模型，得到Q个对应不同图像特征的分类器，Q为大于2的自然数；然后分别利用这Q个分类器对待分类的测试遥感图像进行分类，得到该测试遥感图像的Q组类别预测结果；最后对得到的Q组类别预测结果进行加权综合，得到该测试遥感图像最终的分类结果。然而现有各种多特征加权融合的遥感图像分类方法中，关于权重的定量都没有考虑到特征的局部特点，即样本的多样性，不能合理地衡量成员分类器分类能力的值。本发明针对此点，提出了一种根据不同样本在最近邻空间特征分布情况不同而确定各个特征的权重的方法。本发明具体按照以下步骤对得到的Q组类别预测结果进行加权综合：

步骤1、初始化各图像特征的权重w_i为1，i=1,2,…,Q；

步骤2、利用特征的加权欧氏距离，从遥感图像训练集中获取测试遥感图像x的K₃个最近邻样本，测试遥感图像x与遥感图像训练集样本y之间的加权欧式距离d按照下式得到：

$d=\sqrt{\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{w}_i{(x_i-y_i)}^2}$

其中，w_i为图像特征i对应的权重，x_i和y_i分别为测试遥感图像x与训练遥感图像样本y的第i个图像特征分量；

步骤3、对K₃个最近邻样本中的每一个，分别以该最近邻样本为测试样本z，按照以下方法计算每个图像特征对该最近邻样本的分类预测能力：

步骤3-1、利用特征的加权欧氏距离，从遥感图像训练集中获取测试样本z的K₁和K₂个最近邻样本，分别构成该测试样本的第一邻域N₁(z)和第二邻域N₂(z)；

步骤3-2、利用下式计算测试样本的第一邻域N₁(z)中的任一样本属于各个图像类别的概率： $a^j=\frac{N_j}{K_1},$

其中，a^j表示测试样本的第一邻域N₁(z)中的任一样本属于第j种图像类别的概率，j∈{1,2,...,J}，J为图像类别总数，N_j为测试样本的第一邻域N₁(z)中属于第j种图像类别的样本个数；

步骤3-3、对测试样本的第二邻域N₂(z)，利用下式计算各图像特征空间中与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的任一样本属于各图像类别的概率：

$b_i^j=\frac{N_j^{\′}}{K_2},$

其中，表示在第i个图像特征空间中，与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的任一样本，属于第j种图像类别的概率，i∈{1,2,...,Q}，j∈{1,2,...,J}；N_j′表示在第i个图像特征空间中，与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的属于第j种图像类别的样本个数；在第i个图像特征空间中，测试样本与其第二邻域N₂(z)中任一样本的归一化欧氏距离为：测试样本与该样本间的欧氏距离除以测试样本与其第二邻域N₂(z)中所有样本的平均欧氏距离，第i个图像特征空间中任意两个样本x、y间的归一化欧氏距离d_i可用以下公示表达：

$d_i=\frac{\sqrt{{(x_i-y_i)}^2}}{\stackrel{\‾}{\sqrt{{(x_i-y_i)}^2}}},$

其中，表示第i个图像特征空间中测试样本与其第二邻域N₂(z)中所有样本的欧氏距离的平均值；

步骤3-4、利用以上得到的a^j和根据下式计算各图像特征对测试样本的分类预测评估能力：

$r_i=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\frac{{(a^j-b_i^j)}^2}{b_i^j},$

式中，r_i表示第i个图像特征对该测试样本的分类预测评估能力指数，i∈{1,2,...,Q}；

步骤4、分别求取各图像特征对所述K₃个最近邻样本的分类预测评估能力指数的平均值即其中，N（x）表示包含K₃个最近邻样本的测试遥感图像x的邻域，i∈{1,2,...,Q}，以作为各图像特征对所述测试遥感图像的局部分类预测能力，并利用更新各图像特征的权重w_i：

$w_i=\frac{\exp \left(c\frac{1}{\stackrel{\‾}{r_i}}\right)}{\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}\exp \left(c\frac{1}{\stackrel{\‾}{r_i}}\right)},$

其中，c是用来确定对w_i影响大小的参数，当c=0，将不考虑的作用；反之，当c很大时，将对w_i产生指数级的影响。指数级的权重对局部特征相关性的变化更加敏感，并且能更好地提高分类性能。

步骤5、重复执行步骤2～步骤4直至满足预设的迭代终止条件，以当前输出的各图像特征的权重w_i与相应的分类器对测试遥感图像的分类结果（即各分类器各自输出的预测概率输出向量）P_i相乘，得到各图像特征所对应分类器加权后的分类结果：P_i'=w_iP_i,i∈{1,2,...,Q}；最后取加权概率和最大的类作为所述测试遥感图像最终的分类结果，即测试样本x对应的类为：P_ij'表示i个图像特征所对应分类器的加权后的分类结果中属于第j个类的预测概率，j∈{1,2,...,J}。

本发明的技术方案中，Q个不同的图像特征可根据实际需要选取，本发明优选视觉词袋特征、颜色特征，以及纹理特征这三种图像特征。下面分别进行简单介绍：

视觉词袋特征：

视觉词袋(bag-of-visual-words，简称BOVW)是目前比较流行的基于表现属性的图像表示方法，在物体识别、人体行为分析等计算机视觉问题中得到广泛应用。该方法源于文本信息检索领域的词袋模型(bag-of-words)（可参考文献[Chen HL,Wu XQ,Hu JH.Local Feature Spatial Correlation Kernel for Image Object Classification.Opto-ElectronicEngineering,2009,36(3)(in Chinese with English abstract])。本发明中的视觉码本创建过程可分为以下两个步骤:

(1)提取图像的局部SIFT（Scale Invariant Feature Transform）特征，采用k均值聚类算法对局部特征集合进行聚类，每一个聚类中心对应于一个视觉单词，所有的视觉单词组成视觉码本(visual codebook)。

(2)对于一幅给定图像的局部特征，采用硬分配方法将其匹配到最近的视觉单词，统计词频形成图像表示，在此基础上从而将这幅图像表示成为视觉单词出现频率的直方图。

颜色直方图：

颜色直方图是在许多图像检索系统中被广泛采用的一种全局特征，具有特征提取和相似度计算简便的优点（可参考文献[Lowe D G.Distinctive Image Features fromScale-Invariant Keypoints.International Journal of Computer Vision,2004,60(2):91-100]）。本具体实施方式中，直方图特征提取基于HSL色彩空间，相对于RGB色彩空间，其更符合人眼的视觉感知特性。具体提取方法如下：对于图像中的每一个像素，将其H，L，S分量分别量化为8等份，这样HSL直方图就有512个间隔（bin）。然后统计所有像素的直方图，最后再进行归一化，以消除图像大小变化的影响。

纹理特征：

纹理特征是一种不依赖于颜色或亮度的反应图像中同质现象的视觉特征。纹理特征包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系。基于统计信息的纹理特征提取是对图像中颜色及强度的空间分布信息进行统计得到相关纹理信息。Gabor变换的优异性能使Gabor小波在图像纹理分析中得到了广泛的使用（可参考文献[Mallat S.A Theory of Multi Resolution Signal Decomposition:the Wavelet Representation.IEEE Trans.on Pattern Analysis and Machine Intelligence,1989,11(7):674-693]）。具体提取方法如下：使用5个尺度，6个方向的Gabor滤波器对原始图像进行Gabor变换，可以形成30幅图像纹理表示，再计算这30幅图像的均值和方差从而得到一个60维的特征向量。

为了验证本发明方法的效果，并与现有其它方法进行对比，特进行了以下验证试验。试验中采用的图像数据集是国际上大型的遥感图像分类公共测试数据集[Yang Yi，Shawn N．Spatial pyramid co-occurrence for image classification.IEEE InternationalConference on Computer Vision，2011：1465-1472]，共有21类，每类包括100幅图像，均为QuickBird高分辨率遥感图像，大小为256*256。这些图像是从United StatesGeological Survey(USGS)处下载的，包括美国各个州的多种场景：如农田，机场，棒球内场，海滨，建筑物，灌木丛，稠密居民区，森林，高速公路，高尔夫球场，海港，十字路口，中等稠密居民区，活动房区，立交桥，停车场，河流，跑道，稀疏居民区，储油罐和网球场等。这些图像反映了每类场景的不同表示形式，具有很好的代表性。在下面分类实验中，如无特别说明，我们从每一类中取出80幅图像作为训练样本，20幅图像作为测试样本。

各个特征具体参数如下：词袋模型中，码本（codebook）个数为1000；颜色直方图特征向量维数为512；对于Gabor纹理特征，尺度数为5，方向数为6，向量维数为60。

本发明方法中有5个可调参数：三个最近邻样本数：K₁、K₂、K₃，距离阈值Δ_i，以及指数加权因子c。

实验中，训练集中的训练图像个数为1680个，特征数Q=3，图像类别总数J=21。在确定三个最近邻样本数：K₁、K₂、K₃时，K₁从一定范围内（3，5，7，9，11，13，15，17，19，21，23，25）搜索，K₂、K₃在总的训练样本的10%到40%搜索，c的值从1到20范围内变化，Δ_i的值从0.5向1.5转移。通过对训练集实验结果的比较，最终确定K₁的值为9，K₂和K₃的值在训练样本总数的15%时，即K₂的值为252，K₃的值为252，c的值为18，Δ_i的值为1时，分类结果最佳。

训练过程：提取训练图像的三种全局特征，得到BOVW表示，HSL颜色直方图表示和Gabor纹理表示。然后分别用支持向量机训练，得到三个不同的支持向量机分类器，分别记为SVM1，SVM2，SVM3；

测试过程：提取待测试图像的BOVW表示，颜色直方图特征以及Gabor纹理特征，将其分别采用SVM1，SVM2，SVM3进行分类，得到该图像属于不同类的三组预测概率向量：分别为P₁、P₂、P₃。

最后利用上述方法对得到的3组预测（分类）结果进行加权综合，得到待测试图像最终的分类结果，其中迭代终止条件设置为迭代次数达到3次。

采用本发明方法得到的分类结果的统计见图1。从图1可以看出，每一类的分类精度都要比单一特征的最大分类精度要高，这充分说明对每一个样本图像，各个特征之间存在互补性。采用样本自适应多特征加权的方法可以根据图像的局部特点自适应选择各个特征的权重，进而对其结果进行融合。从图像的总体平均分类精度上看，达到了90%，比单一特征分类精度的最高值78.3%高出近12个百分点。良好的分类精度证明了本发明方法的有效性。

图2给出了加权综合法、多数投票法和完全一致法三种分类器组合方法以及本发明方法在测试集上的实验结果。其中，加权综合法计算每种特征所对应分类器的总体精度，作为其权重值，然后分别求出待测图像的每种特征所对应的类概率值，并乘以其权重。最后对相同类的概率值相加，并根据最大概率作为最终的类别输出。多数票法计算每种特征所对应的类别标签输出，只有存在至少两个输出标签相同时才给出识别结果，否则拒识。完全一致法要求更严格，只有在三个分类器输出一致的情况下才输出结果，否则拒识。通过比较实验结果，可以发现：加权综合法的分类精度为88.1%，最接近本发明方法的结果，但是该方法具有“过拟合”的风险，对所有测试样本都采用同一组权重系数；而本发明方法充分利用不同样本特征的局部相关性，自适应调整特征的权重，很好地避免了这一问题。多数投票法和完全一致法明显低于本发明方法，分别只有81.43%和52.86%。

Claims (7)

1.样本自适应多特征加权的遥感图像分类方法，首先利用遥感图像训练集在Q个不同的图像特征空间中分别训练分类模型，得到Q个对应不同图像特征的分类器，Q为大于2的自然数；然后分别利用这Q个分类器对待分类的测试遥感图像进行分类，得到该测试遥感图像的Q组类别预测结果；最后对得到的Q组类别预测结果进行加权综合，得到该测试遥感图像最终的分类结果；其特征在于，具体按照以下方法对得到的Q组类别预测结果进行加权综合：

步骤1、初始化各图像特征的权重w_i为1，i=1,2,…,Q；

步骤2、利用特征的加权欧氏距离，从遥感图像训练集中获取测试遥感图像的K₃个最近邻样本，测试遥感图像x与遥感图像训练集样本y之间的加权欧式距离d按照下式得到：

$d=\sqrt{\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{w}_i{(x_i-y_i)}^2}$

其中，w_i为图像特征i对应的权重，x_i和y_i分别为测试遥感图像x与训练遥感图像样本y的第i个图像特征分量；

步骤3、对K₃个最近邻样本中的每一个，分别以该最近邻样本为测试样本，按照以下方法计算每个图像特征对该最近邻样本的分类预测能力：

步骤3-1、利用特征的加权欧氏距离，从遥感图像训练集中获取测试样本的K₁和K₂个最近邻样本，分别构成该测试样本的第一邻域和第二邻域；

步骤3-2、利用下式计算测试样本的第一邻域中的任一样本属于各个图像类别的概率：

$a^j=\frac{N_j}{K_1},$

其中，a^j表示测试样本的第一邻域中的任一样本属于第j种图像类别的概率，

j∈{1,2,...,J}，J为图像类别总数，N_j为测试样本的第一邻域中属于第j种图像类别的样本个数；

步骤3-3、对测试样本的第二邻域，利用下式计算各图像特征空间中与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的任一样本属于各图像类别的概率：

$b_i^j=\frac{N_j^{\′}}{K_2},$

其中，表示在第i个图像特征空间中，与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的任一样本，属于第j种图像类别的概率，i∈{1,2,...,Q}，j∈{1,2,...,J}；N_j′表示在第i个图像特征空间中，与测试样本之间的归一化欧氏距离在预设距离阈值Δ_i内的属于第j种图像类别的样本个数；在第i个图像特征空间中，测试样本与其第二邻域中任一样本的归一化欧氏距离为：测试样本与该样本间的欧氏距离除以测试样本与其第二邻域中所有样本的平均欧氏距离；

步骤3-4、利用以上得到的a^j和根据下式计算各图像特征对测试样本的分类预测评估能力：

$r_i=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\frac{{(a^j-b_i^j)}^2}{b_i^j},$

式中，r_i表示第i个图像特征对该测试样本的分类预测评估能力指数，i∈{1,2,...,Q}；

步骤4、分别求取各图像特征对所述K₃个最近邻样本的分类预测评估能力指数的平均值i∈{1,2,...,Q}，以其作为各图像特征对所述测试遥感图像的局部分类预测能力，并利用更新各图像特征的权重w_i：

$w_i=\frac{\exp \left(c\frac{1}{\stackrel{\‾}{r_i}}\right)}{\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}\exp \left(c\frac{1}{\stackrel{\‾}{r_i}}\right)},$

其中，c为预设的大于等于0的指数加权因子；

步骤5、重复执行步骤2～步骤4直至满足预设的迭代终止条件，以当前输出的各图像特征的权重w_i与相应的分类器对测试遥感图像的分类结果P_i相乘，得到各图像特征所对应分类器加权后的分类结果：P_i'=w_iP_i,i∈{1,2,...,Q}；最后取加权概率和最大的类作为所述测试遥感图像最终的分类结果。

2.如权利要求1所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述Q的取值大于等于3，且所述Q个不同的图像特征包括视觉词袋特征、颜色特征，以及纹理特征。

3.如权利要求2所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述颜色特征为颜色直方图。

4.如权利要求2所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述纹理特征为Gabor纹理特征。

5.如权利要求1所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述分类模型为支持向量机。

6.如权利要求1所述样本自适应多特征加权的遥感图像分类方法，其特征在于，K₁的值为9，K₂和K₃的值均为遥感图像训练集中线训练样本总数的15%，c的值为18，Δ_i的值为1。

7.如权利要求1所述样本自适应多特征加权的遥感图像分类方法，其特征在于，所述迭代终止条件为迭代次数达到3次。