【论文阅读】SVM for classification in remote sensing

遥感怎么分类的

题目：Support vector machines for classification in remote sensing

作者：M. PAL，P. M. MATHER　英国诺丁汉大学地理学院

一、综述

文章旨在比较SVM、最大似然法（ML）及人工神经网络（ANN）在分类任务中的准确率。使用的数据为Landsat-7 ETM+（多光谱数据）和DAIS（高光谱数据），实验区域为：英格兰东部和西班牙中部。

1995年Vapnik提出了SVM替代神经网络分类器，后有人将其应用在遥感数据分类上。SVM基于统计学习理论，确定分类边界，得到理想的分类结果。比如，在线性可分的二分类模式识别问题中，SVM从大量线性决策边界中选取最小化泛化误差的边界。被选择的边界应在两类之间留下最大空白区域，这个区域的宽度为超平面到两类最近点的距离之和。使用标准二次规划（QP）优化方法可以达到空白区域最大化。离超平面最近的数据点用来测量空白区域，成为支持向量，数量很小。

如果二分类线性不可分，SVM会尝试寻找既能最大化空白区域又能最小化错分误差的超平面。用户定义一个常量来平衡空白区域和误差。SVM也可处理非线性，Boser（1992）使用核函数将输入数据映射到高维空间，并明确表达了线性分类器的方法。Vapink（1995）有更多的讨论。

对于N分类问题，SVM需要划分N个超平面，建立N个QP优化问题，