1.一种基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，将标记场中能量函数的势函数原有的各向同性改为各向异性，其步骤如下：步骤一：对输入的影像进行初始化过分割处理，将影像分成若干个过分割区域，并利用过分割区域建立区域邻接图，根据区域邻接图定义影像的邻域系统、对象级的观测特征场和对象级的分割标记场；

步骤二：采用混合高斯分布对观测特征场进行似然函数的特征建模，对分割标记场联合概率分布中能量函数的势函数进行各向异性的概率建模；

所述步骤二中特征建模的实现方法为：采用混合高斯分布对影像的观测特征场Y进行建模：设似然函数中同质区域具有相同分布，即影像中同一类型的区域服从同一种分布，此时， 观测特征场Y＝y的每一个成分在给定标记场的一个实现X＝x的条件下相互独立，因此有：

其中，(Y＝y|X＝x)是给定观测数据Y＝y的条件下，分割标记场X＝x的后验概率；xs是类别标记Xs的取值，ys是影像特征Ys的取值；μh表示特征均值，Σh表示特征协方差矩阵，p是影像数据的维数；

使用极大似然法对估计出特征均值μh和特征协方差矩阵Σh这两个参数进行估计：所述步骤二中概率建模的实现方法为：

在MRF模型中，假设标记场具备Markov性，根据Harmmersley‑Clifford定理可知，分割标记场的联合概率P(x)服从Gibbs分布，即：其中， 是一个归一化常量，x为分割标记场X的一个实现，Ω为所有x的集合；U(x)为能量函数，且U(x)＝∑c∈CVc(x)，Vc(x)是集团的势；T为温度常量；能量函数U(x)是势团集合C中所有势团的总和；

利用损失矩阵L代替势函数Vc(x)，损失矩阵L为：

其中，θm表示真实的地物类别是第m类，an表示分割得到的地物类别是第n类；l(θm,an)是真实的地物类别θm被错分成分割地物类别an的代价，且l(θm,am)＝0,m∈{1,2,…,k}；

能量函数 其中， 是第i迭代区域t的标记结果，作为

本次一个真实的地物类别θm；xs是本次区域s需要更新的地物类别，即充当了地物类别an的角色；损失值L(xt,xs)表示的是当前区域s类别取为xs时，与相邻区域t间的标记惩罚；

步骤三：根据Bayes准则得到势函数各向异性的条件下分割标记场的后验分布，运用最大后验概率准则更新迭代分割，得到最终分割影像图像。

2.根据权利要求1所述的基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，所述步骤一中邻域系统、观测特征场和分割标记场的实现方法为：

1)输入的影像I(R,G,B)的各个波段的大小为a×b，其位置集合为：S＝{(i1,j1)|1≤i1≤a,1≤j1≤b}；

2)用mean shift算法对影像I(R,G,B)进行过分割处理，得到相应的过分割区域，并且对每个过分割区域依照自左至右、由上到下的顺序进行标号，过分割区域构成的集合为R＝{R1,R2,…,Rl}，其中，l为过分割区域的个数，Rs是第s个过分割区域，s∈{1,2,…,l}；

3)基于过分割区域构建相应的区域邻接图RAG：G＝(V,E)；其中，顶点集V{V1,V2,…,Vl}，Vs表示过分割区域Rs的位置；边界集E＝{est|1≤s,t≤l}，est表示过分割区域Rs和过分割区域Rt的空间相邻关系；

4)在区域邻接图G上定义对象级的分割标记场X＝{Xs|1≤s≤l}＝{X1,X2,…,Xl}，其中，随机变量Xs表示第s个区域所对应的类别标记，且Xs∈{1,2,…,k}，k为分割类别数；在区域邻接图G上定义对象级的观测特征场Y＝{Ys|1≤s≤l}＝{Y1,Y2,…,Yl}，Ys为从过分割区域RS中所提取的影像特征；

5)根据区域邻接图G定义相应的邻域系统N＝{Ns|1≤s≤l}；其中，Ns表示顶点s的邻域系统，即Ns＝{Rt|est＞0,1≤t≤l}。

3.根据权利要求2所述的基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，所述边界集E中的空间相邻关系est的实现方法为：若两个过分割区域Rs和过分割Rt相邻，取值为1，否则为0，即：其中，dst是过分割区域Rs和过分割Rt的公共边界长度。

4.根据权利要求1或3所述的基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，所述损失矩阵L中，若两种地物类别的光谱值相似，代价l(θm,an)的值较大；若两种地物类别的光谱值相差较大，代价l(θ,,am)的值较小。

5.根据权利要求4所述的基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，所述步骤三中得到最终分割影像图像的方法为：逐对象的迭代更新来得到最终的结果，其中一个对象代表一个过分割区域，因为X＝{XS|1≤s≤l}，故：P(X＝x)＝P{X1＝x1,X2＝x2,…,Xl＝xl}；

观测观测场Y＝y的每一个成分在给定标记场的一个实现标记分割成长X＝x的条件下相互独立，则：故由最大后验概率准则及贝叶斯公式知：

(i)

i＝0时，通过k‑means算法得到初始值xs ，当i＝+1时：经过若干次迭代，收敛后的 作为最终的分割结果。