1.一种基于图像变换和BoF模型的遥感图像场景分类方法，包括以下步骤：

1.1 读取遥感图像集，进行获得每张图像的图像块集；

1.2提取图像块集中每个图像块的改进Radon变换特征和SIFT特征，获得改进Radon变换特征和SIFT特征的局部融合特征；

所述改进Radon变换特征，其原始Radon变换线积分过程如公式(1)所示:   （1）

其改进Radon变换线积分过程如公式（2）所示：

       （2）

其中  表示像素点；  为线积分微元；L为积分基线；其具体步骤为：

1.2.1 对图像块以1.5度的角度进行旋转，对图像块沿直线进行3次线积分迭代，对旋转后的图像块的每一列像素为基线计算线积分，得到一个Radon一次线积分迭代的Radon特征向量，每旋转一个角度重复上述过程的线积分，得到一个多角度的线积分一次迭代特征图；

1.2.2 然后对线积分一次迭代特征图以每一行为基线进行二次线积分迭代，得到二次线积分迭代的特征向量；

1.2.3 最后对二次线积分迭代的特征向量进行三次积分迭代，得到三次线积分迭代的特征值；图像块在进行3次积分迭代过后，提取出具有几何特征、像素点空间关系、图像结构信息的局部特征；

1.3 对遥感图像集进行全局特征提取，对原始遥感图像进行边缘检测后，对每张遥感图像进行改进Radon变换，提取全局特征，改进Radon变换过程与步骤1.2中改进Radon变换过程相同；

1.4 使用改进m‑RMR算法对局部融合特征和全局特征进行特征优选，去除不利特征，获得多种特征的融合特征；

1.5 利用步骤1.4得到的多种特征的融合特征作为BoF模型的底层特征描述，聚类产生特征单词，并使用改进的PCA算法对生成新的特征单词进行加权，构造特征字典，形成局部特征和全局特征的融合特征词袋模型；

1.6 将特征单词与特征字典进行匹配，统计特征单词对应的词频，形成各个训练图像视觉单词直方图；

1.7 使用直方图交叉核支持向量机训练特征词袋模型得到SVM分类器，实现对测试图像的预测分类。

2.根据权利要求1所述的方法，其特征在于，步骤1.1中所述图像块为遥感图像中的区域图像。

3.根据权利要求1所述的方法，其特征在于，步骤1.2所述的积分迭代，其所选用的积分函数是求和、能量值、极值或编码。

4.根据权利要求1所述的方法，其特征在于，步骤1.3中所述改进Radon变换过程与步骤

1.2中改进Radon变换过程相同。

5.根据权利要求1所述的方法，其特征在于，步骤1.4中采用基于互信息的改进m‑RMR相关性分析算法进行特征优选，去除不利特征，其中不利特征为相关性大于0.7的冗余特征；

对局部融合特征和全局特征，先进行特征优选，去除冗余特征，然后各自归一化后，获取局部与全局的融合特征。

6.根据权利要求1所述的方法，其特征在于，步骤1.5所述改进的PCA算法为L‑PCA方法，在保证原有样本协方差不变的前提下，以最重要的主成分分量进行赋权，并将其映射到一个合适的子空间内，通过调整参数，使得类内距离最小化、类间距离最大化；所述的聚类采用Kmeans聚类方法，其聚类中心个数根据遥感图像分辨率大小进行设定，聚类中心个数为特征字典单词数。

7.根据权利要求1所述的方法，其特征在于，步骤1.7中所述的利用支持向量机训练特征词袋模型时，采用直方图交叉核函数进行训练，其直方图交叉核定义如公式（3）所示：          （3）。