1.一种基于训练样本自动优化的遥感影像循环分类方法，主要包含以下步骤：步骤1)：选择遥感影像分类训练样本；

步骤2)：遥感影像分类器选择与分类；

步骤3)：分类总体精度评价；

步骤4)：计算分类训练样本中每个像元的分类正确概率；

步骤5)：设置概率阈值优化训练样本；

步骤6)：自动循环2-5步骤，直到前后两次步骤3)计算所得的分类总体精度的差值小于精度阈值就停止循环。

2.如权利要求1所述的一种基于训练样本自动优化的遥感影像循环分类方法，其特征在于：所述步骤1)至步骤6)具体为：

步骤1)：选择遥感影像分类训练样本：在待分类的遥感影像上为每一个待分类的类型选择训练样本，第k个类型的训练样本的数量记为 其中符号T代表这是训练样本；

步骤2)：遥感影像分类器选择与分类：在选择分类训练样本的基础上，对遥感影像选择机器学习算法进行分类，得到遥感分类结果图，假设像元总数为N；

步骤3)：分类总体精度评价：随机选择独立于分类训练样本的精度评价样本，样本的数量记为nA，其中符号A代表这是分类精度评价样本；然后，构建混淆矩阵对步骤2)中的第1次分类的结果进行精度评价，标记每个样本是否分类正确，正确的标记为“1”，错误的标记为“0”，计算第1次分类类型为c的总体精度OA1(c)；

步骤4)：计算分类训练样本中每个像元的分类正确概率：利用分类精度评价的样本，采用logistic回归模型计算图像上每个像元的分类正确率，其中，正确率的回归模型如下：

公式中，β0、βk为回归系数，xk(c)为自变量，P(c)为像元的正确率；

步骤5)：设置概率阈值优化训练样本：设置概率阈值，在对训练样本进行优化的过程中，假设第i次分类的训练样本的第c类阈值为Pi(c)，第i+1次分类的训练样本的阈值为Pi+1(c)，训练样本的优化的规则如下：在第i+1次分类中只有类型为c且当分类的正确率大于Pi+1(c)的像元才能作为训练样本进入第i+1次分类算法中，第i+1次分类训练样本的阈值与第i次分类训练样本的阈值的关系公式如下所示：Pi+1(c)＝Pi(c)+ΔP(c)

其中，ΔP(c)是通过第i次分类结果判定而得的阈值变化值；

步骤6)：自动循环2-5步骤，直到前后两次步骤3)计算所得的分类总体精度的差值小于精度阈值就停止循环：假设在循环分类过程中第i次分类中第c类的总体精度为OAi(c)，第i+1次分类的总体精度为OAi+1(c)；循环分类的停止条件设计如下：对于类型c，前后两次分类总体精度的差值的绝对值小于设定的精度阈值e(c)就停止分类，计算公式如下所示：|OAi+1(c)-OAi(c)|

3.如权利要求2所述的一种基于训练样本自动优化的遥感影像循环分类方法，其特征在于：选择训练样本时，每个类型k的数量 不小于1000个像元，在空间上均匀分布。

4.如权利要求2所述的一种基于训练样本自动优化的遥感影像循环分类方法，其特征在于：所述Pi(c)的初始值P1(c)设置为0.85；所述ΔP(c)的设置的规则如下：如果第i+1次分类结果的总体精度高于第i次，那么ΔP(c)的值设置为0.05；否则设置为-0.05。

5.如权利要求2所述的一种基于训练样本自动优化的遥感影像循环分类方法，其特征在于：所述阈值e(c)设置为0.03。

6.如权利要求2所述的一种基于训练样本自动优化的遥感影像循环分类方法，其特征在于：所述机器学习算法为最大似然法、支持向量机或光谱角法。