11.遥感图像监督分类

实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。

3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。

⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。

Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。

⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。

实验报告书（验证性实验）题目图像分类——监督分类成绩姓名专业班级学号指导教师日期年月日1．实验目的从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。

2．实验准备工作准备一张卫星高清图像以及ERDAS软件，统筹观测目测一下图像，大体了解地物的种类及种类数目，做到心中有数，为训练区的选取做准备。

3．实验步骤第一步：打开卫星拍摄的高清图像，同时打开工具栏classifier中的signature editor，会蹦出分类标签框。

然后打开viewer上的工具栏，在卫星图像上进行训练区第一种地物（如小麦）样本的选取，找到该类地物面积较大的区域，放大后用多边形截图工具截取，然后在标签框上选择添加，之后继续选样本，重复以上步骤，直到选择到十几个有代表性的样本为止。

之后在标签栏里选中所有样本，点击图标合并，删除原样本，只保留合并之后的，再在name栏里填上此种地物的名称。

这样第一个地物的样本选取完毕，进行第二个地物样本的选取，以此类推，直到把图像中包含的所有地物样本选出得到完整的分类标签为止，将分类标签保存在目标文件夹中。

地物样本的选择：第二步：打开classifier中的supervised classification，在导入原始文件栏里选择卫星图像，在导入signature栏里选择刚才做好的分类标签，之后选择导出的目标文件夹，在parametric中可以选择不同的选项（这里以maximum likelihood为例），确定后导出了开始。

第三步：打开导出的图像，这就是监督分类后的图像，然后进行检验。

在已打开的分类后的图像中再打开未分类的原始图像，这里要注意把raster option中的clear display前的对号去掉。

在view中的arrange layers上安排一下图层的顺序，使分类后的图像在上面，打开utility中的swipe，通过移动滚条并放大进行前后两张图像的对照，达到检验效果。

如何使用遥感图像进行土地分类与变化监测遥感技术是一种通过使用航空器或卫星获取地球表面信息的方法。

借助遥感图像，人们能够更深入地了解土地利用和土地覆盖的变化情况。

本文将讨论如何使用遥感图像进行土地分类与变化监测。

一、遥感图像的类型遥感图像可以分为光学图像和雷达图像两大类。

光学图像是使用电磁波中的可见光、红外线等可见光谱范围内的光进行拍摄。

它们可以提供地表物体的形态和空间分布信息。

而雷达图像利用微波信号，可以在云层和天气条件下获取地表物体的信息。

二、土地分类土地分类是将土地按照特定的属性或特征划分为不同类别的过程。

遥感图像可以帮助进行土地分类，辅助研究者对土地利用进行判定。

利用遥感技术，人们可以进行监测和分析不同类型土地的面积、分布等信息。

土地分类的准确性对于其他领域的研究和规划十分重要，如环境保护、农业发展等。

三、土地变化监测土地变化监测是指通过对遥感图像进行时间序列分析，观察和分析土地利用和土地覆盖的变化过程。

遥感图像可以提供以往的历史数据，帮助掌握和分析土地利用的演变。

通过比较不同时间点的遥感图像，人们可以发现土地利用类型的变化以及可能的原因。

这有助于制定相关政策，优化土地利用结构。

四、土地分类与变化监测的方法1. 监督分类法：监督分类法是一种常用的土地分类方法。

它需要研究者提前准备一些样本数据，并对样本进行标记。

然后利用这些样本来训练分类器，使其能够自动识别遥感图像中的不同土地类别。

监督分类法具有较高的准确性和可重复性，但需要较大的人力和时间投入。

2. 非监督分类法：非监督分类法是另一种常用的土地分类方法。

它不需要事先准备样本数据，而是通过对遥感图像进行统计学分析，将相似的像素点划分到同一类别中。

这种方法可以自动发现潜在的土地类别，但分类结果可能存在一定的不确定性。

3. 变化检测方法：变化检测是通过比较不同时间点的遥感图像，观察土地利用和土地覆盖的变化情况。

一种常用的变化检测方法是基于像元的差异分析。

envi遥感图像监督分类监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程.它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本,计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。

使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类,以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统;对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理.这个过程主要是一个目视查看的过程,为后面样本的选择打下基础。

启动ENVI5。

1，打开待分类数据：can_tmr。

img。

以R：TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。

通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。

第二步:样本选择（1）在图层管理器Layer Manager中,can_tmr.img图层上右键，选择"New Region Of Interest",打开Region of Interest （ROI) Tool面板，下面学习利用选择样本。

1）在Region of Interest （ROI) Tool面板上,设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键,选择Complete and Accept Polygon,完成一个多边形样本的选择；3）同样方法,在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本.注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。

envi遥感图像监督分类监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。

它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。

使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。

这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.1，打开待分类数据：can_tmr.img。

以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。

通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。

第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。

1）在Region of Interest (ROI) Tool面板上，设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本。

实验遥感图像分类---监督分类一、实验目的与要求掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。

二、实验内容ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。

三、实验原理监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先建立训练区从图像中选取各类地物样本训练分类器。

常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。

最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。

其前提是假定训练区地物的光谱特征近似服从正态分布。

训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。

四、实验步骤1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框分类模板编辑器第三步：获取分类模板信息(1)删除对分类意义不大的字段Signature Editor对话框菜单条,单击View|Columns命令，打开View signature columns对话框，点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。

按住shift 键的同时分别点击Red、Green、B1ue 三个字段,Red、Green、Blue三个字段将分别从选择集中被清除。

点击Apply按钮，点击Close按钮。

从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。

(2)获取分类模板信息应用AOI绘图工具在原始图像中获取分类模板信息。

在待分类图像视窗上选择Raster菜单项→选择Tools菜单，打开Raster工具面板→点击Raster 工具面板的图标→在视窗中选择一类地物，绘制一个多边形AOI。

1.实验目的（1）学习和掌握使用遥感图像分类的基本原理、方法，明确分类的实际意义。

（2）掌握用ENVI软件对遥感图像进行有监督分类的方法，包括参数类算法和非参数类算法，并进行定性和定量的对比分析。

（3）理解和巩固基础知识，熟练动手操作的过程，提高综合分析问题的能力。

2.实验原理遥感图像分类处理主要是利用遥感图像像元间的相关性或在特征空间的不同聚集位置，找一种对图像像元的归并或在特征空间的划分方法，实现对图像像元的类别划分。

分类的目的就是从遥感图像中识别实际的地物类型，进而提取地物信息。

图像分类的依据通常是像元之间的相似性，相似性通常采用“距离”来度量，距离越小则相似度越大。

其中包括欧氏距离、马氏距离和余弦距离等。

根据是否需要事先提供已知类别及其训练样本，可将遥感图像分类方法划分为监督分类和非监督分类。

本次实验使用的监督分类则是事先已知地物类别的部分信息(类别的先验知识)，对未知类别的样本进行分类的方法。

其中监督分类的思想包括：（1）确定每个类别的样区（2）学习或训练（3）确定判别函数和相应的判别准则（4）计算未知类别的样本观测值函数值（5）按规则进行像元的所属判别主要的监督分类方法包括：参数类以及非参数类。

参数类包括距离判别函数和距离判别规则、最小距离分类法、平行六面体分类法、概率判别函数和贝叶斯判别规则、最大似然分类法。

非参数类包括神经网络、支持向量机（SVM）。

3.实验步骤（1）使用ENVI软件打开本次实验使用的多光谱图像，选择好RGB对应的波段后打开彩色图像。

（2）对彩色图像不同的区域进行ROI的选取，并保存ROI文件。

（3）选取好ROI之后进行分类，首先使用的分类方法是最大似然分类法，可以得到分类之后的图像。

（4）删除掉之前选取的ROI，重新导入真实地面的ROI。

（5）通过使用真实地面的ROI和第二步得到的分类结果图计算混淆矩阵，可以定量的求出总精度OA和Kappa系数。

（6）重复实验，并且使用另一种非参数的分类方法：支持向量机。

名词解释:1.图像：是对客观对象一种相似性的描述或写真，它包含了被描述物体或写真对象的信息，是人们最主要的信息源。

2.数字图像：指用计算机存储和处理的图像，是一种空间坐标和灰度均不连续、以离散数学原理表达的图像。

3.遥感系统：是一个从地面到空中乃至整个空间，从信息收集、存储、传输、处理到分析、判读、应用的技术体系，主要包括遥感试验、信息获取（传感器、遥感平台）、信息传输、信息处理、信息应用等5个部分。

4.传感器：又称为遥感器（remote sensor），是收集和记录电磁辐射能量信息的装置，是信息获取的核心部件，如航空摄影机、多光谱扫描仪、成像仪等。

传感器搭载在遥感平台上，通过传感器获取遥感数字图像数据。

5.元数据（meta data）:是关于图像数据特征的表达，是关于数据的数据。

6.直方图规范化：又称为直方图匹配，这种方法经常作为图像镶嵌或应用遥感图像进行动态变化研究的预处理工作。

通过直方图匹配可以部分消除由于太阳高度角或大气影像造成的相邻图像的色调差异，从而可以降低目视解译的错误。

7.辐射校正：消除图像数据中依附在辐亮度中的各种失真的过程成为辐射量校正（radiometric calibration），简称辐射校正。

8.辐射通亮：单位时间内通过某一表面的辐射能量称为辐射通量（radiant flux），单位为W。

9.辐照度：指单位时间内单位面积上接受的辐射通量，单位为W/m^2。

10.辐亮度：和辐射度两个概念的含义相同，指的是沿辐射方向、单位面积、单位立体角上的辐射通量，单位为W/（m2.sr）。

11.反射率：是反射能量与入射能量的比值。

12.吸收率：是吸收能量与入射能量的比值。

13.透射率：是透射能量与入射能量的比值。

在介质内部，反射率吸收率和透射率的和为1。

14.反照率：不同于反射率，指的是界面反射的辐照度与内部的反射的辐照度之和与入射的辐照度的比值。

15.几何精纠正：又称为几何配准（registration），是把不同传感器具有几何精度的图像、地图或数据集中的相同地物元素精确地彼此匹配、叠加在一起的过程。

1 引言随着卫星遥感图像和航空遥感图片分辨率的不断提高,人们可以从遥感图像中获得更多的有用的数据和信息。

伴随着“数字地球”概念的提出,越来越多的民用场合需要用到遥感图像,包括资源调查,自然灾害观测、大气气象预报等。

由于不同场合遥感图像的应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节——图像分类也就显得尤为重要,经过多年的努力,形成了许多经典的分类方法和算法。

本文主要研究和讨论了遥感图像分类技术的分类方法和算法,并且作了简要的评价。

2 图像分类技术遥感图像是按一定比例尺, 客观真实地记录和反映地表物体的电磁辐射的强弱信息, 是遥感探测所获得的遥感信息资料的一种表现形式。

所以, 遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征, 判读识别地面物体的类属及其分布特征。

遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。

只要了解这些因素对遥感图像特征的影响, 则可按图像特征判读地面物体的属性及其分布范围, 实现遥感图像的分类识别。

遥感图像分类主要依据是地物的光谱特征,既地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。

分类是对图像上每个像素按照亮度并接近程度给出对应类别,以达到大致区分遥感图像中多种地物的目的。

图像分类是模式分类(Pattern Classification)在图像处理中的应用，它完成将图像数据从二维灰度空间转换到目标模式空间的工作。

分类的结果是将图像根据不同属性划分为多个不同类别的子区域。

图像分类器(Image Classifier)的定义如下：给定一个二值均匀测度函数P，如果图像中某个区域满足一定意义下的均匀特性，则该区域P值为真，否则为假。

对图像的一个分类就是获得图像的一个划分其中代表第i类属性的区域，该区域应满足：[1]，其中是像素点的总集；[2] 是连通；[3]如果，相邻,且P() = True , P() = True ,但P(∪) = False。

遥感图像处理实例分析监督分类（supervised classification ）一、方法原理监督分类方法是多光谱图像专题信息分类的两种方法之一（另一种方法是非监督分类）.该方法是假设已经收集到多区域的地理图像，如Landsat TM 或 SPOT XS 卫星多谱图像(分类对其它类型的图像也有效）,具有实地野外属性分类或覆盖类型（如城区、水域、沼泽地等）的位置和特性数据（也可以通过航片分析得到），对该已知分类区域的光谱特性，通过分类程序,进行训练,将图像中每类区域的像素进行已知类的分配，对每一类计算多变量统计参数，如均值、标准差、相关距阵等，根据分类方法，最后将图像中每一个像素以最大然似性分配到某一类中。

即通过自定义的已知分类区域的训练，对多波段图像进行专题信息分类.方法流程如下:二、实例演示及分析以1985年美国加利福利亚州圣地亚哥地区的TM —MSS(0.55，0。

65，0。

75，0.95um4波段)图像为例，进行土地覆盖类型分类，分为海洋、城区、居民区、草坪和秃地等类型。

监督分类主要步骤如下：1．由原始遥感图像文件Landsat_Mass_Notwarped 。

ers 复制出用于分类的图像数据文件Landsat_practice.ers.① 通过主菜单算法图标或主菜单View 中Algorithm 项，打开算法窗口,装载数据集，文件名为：\examples\shared_data\Landsat_Mass_Notwarped.ers 。

选择训练区计算训练区统计量 评价训练区统计量 进行图像分类 显示分类图像和精度计②复制3个假彩色层（现共有4个假彩色层)，分别命名为B1、B2、B3、B4，并与装载数据集文件的4个波段相对应。

③选择主菜单File中的Save As项，以Er Mapper Raster Dataset格式保存文件,文件名为：\examples\miscellaneous\tutorial\Landsatt_practice.ers。

遥感图像分类与监督分类算法在当今信息爆炸的时代，遥感技术在地理信息系统、环境生态监测、农业资源调查和城市规划等领域发挥着重要作用。

遥感图像分类是一种通过分析图像中各种对象的特征，将图像分割为多个具有相同特征的区域并确定其类别的过程。

而监督分类算法则是指在有标注的训练样本集的基础上，通过将待分类样本与已知类别的样本进行比较，从而判断待分类样本所属类别的算法。

遥感图像分类是一项具有挑战性的任务，因为遥感图像中的类别多样性和复杂性。

而监督分类算法则是实现遥感图像分类的关键工具之一。

下面将介绍几种常见的监督分类算法及其在遥感图像分类中的应用。

1. 支持向量机(SVM)支持向量机是一种常见的监督分类算法，其基本思想是将样本空间映射到一个高维特征空间，并在该特征空间中构建一个最优超平面，使得不同类别的样本能够得到最大的间隔。

SVM在遥感图像分类中应用广泛，特别是对于多类别分类问题具有较好的性能。

通过选择不同的核函数和调整超参数，SVM能够适应不同的遥感图像分类任务。

2. 最近邻分类器最近邻分类器是一种简单而有效的监督分类算法。

其基本思想是根据待分类样本与已知样本之间的距离来确定其类别。

最近邻分类器在遥感图像分类中也得到了广泛应用。

通过选择不同的距离度量方法，如欧氏距离、曼哈顿距离或闵可夫斯基距离等，最近邻分类器能够灵活地处理各种遥感图像分类问题。

3. 决策树决策树是一种基于树状结构的监督分类算法。

其基本思想是通过将样本空间划分为多个子空间，并在每个子空间中选择最佳的划分特征，从而得到一个具有较低误差率的分类器。

决策树在遥感图像分类中也被广泛使用。

通过选择不同的划分准则和剪枝策略，决策树能够适应不同的遥感图像分类任务。

除了上述三种常见的监督分类算法，还有一些其他的算法也在遥感图像分类中发挥着重要作用。

例如，基于神经网络的分类算法能够通过模拟人脑的学习和信息处理机制来实现遥感图像分类。

此外，基于贝叶斯理论的分类算法也能够利用先验概率和条件概率来进行遥感图像分类。

如何进行遥感图像分类与监督分类遥感图像分类与监督分类是利用遥感技术对地球表面的影像进行分类和识别的过程。

它可以帮助我们了解地球表面的不同特征和变化，并为环境保护、资源管理以及城市规划等领域提供重要的决策依据。

在本文中，我们将探讨如何进行遥感图像分类与监督分类的步骤和方法。

首先，进行遥感图像分类与监督分类的第一步是数据预处理。

这个过程包括图像修正、噪声去除、影像增强等。

图像修正是为了消除遥感图像中的地球大气层的影响，使图像更加真实和可靠。

噪声去除有助于提高图像质量和分类精度，可以采用平滑算法或滤波算法来去除图像中的噪声。

影像增强可以通过增加图像的对比度、亮度等来提高图像的可视性。

接下来，我们需要选择适当的特征提取方法来提取遥感图像中的特征。

特征提取是将图像转换为具有代表性和可区分性的特征向量的过程，通常包括纹理特征、形状特征和光谱特征等。

纹理特征可以描述图像中的纹理信息，例如纹理的粗糙度、方向等。

形状特征可以描述图像中的几何形状，例如边界的曲率、面积等。

光谱特征是根据图像中不同波段的亮度值来描述地物的光谱特性。

然后，我们需要选择合适的分类器来进行遥感图像的监督分类。

常用的分类器包括支持向量机（SVM）、人工神经网络（ANN）、决策树等。

支持向量机是一种二分类器，可以将输入样本映射到高维空间中，然后在高维空间中构建一个最优的超平面来进行分类。

人工神经网络是一种模仿神经系统的计算模型，它可以通过学习输入和输出之间的关系来进行分类。

决策树是一种基于特征选择和分割的分类方法，它通过构建一系列决策节点和叶子节点来进行分类。

在进行遥感图像分类与监督分类时，我们还需要考虑合适的训练样本和测试样本的选择和划分。

训练样本是用于训练分类器的图像样本，而测试样本是用来评估分类器性能的图像样本。

通常，我们需要根据地物的特征和分布情况选择合适的样本，并且保证训练样本和测试样本具有一定的代表性。

最后，进行遥感图像分类与监督分类的最后一步是评估分类结果和精度验证。

遥感监督分类步骤1.用Google Earth软件打开文件【1111.kmz】如图：2.用ENVI软件打开文件【0112024.tif】选取合适的波段得到与上图较为相似的RGB图像（波段2、3、5）如图：森林，河流，居民点，道路，裸地。

4.然后保存所有训练样本：5.用SVM监督分类器提取训练样本：得出结果：6.进行监督分类结果的评价得出下列数据：7.从上述数据中可得出误差矩阵如下：Overall Accuracy = (10527/10762) 97.8164%Kappa Coefficient = 0.9598分类器概述SVM分类是Support Vector Machine分类的缩写形式，其译意为支持向量机分类。

支持向量机是一种基于分类边界的方法。

其基本原理是（以二维数据为例）：如果训练数据分布在二维平面上的点，它们按照其分类聚集在不同的区域。

基于分类边界的分类算法的目标是，通过训练，找到这些分类之间的边界（直线的――称为线性划分，曲线的――称为非线性划分）。

对于多维数据（如N维），可以将它们视为N维空间中的点，而分类边界就是N维空间中的面，称为超面（超面比N维空间少一维）。

线性分类器使用超平面类型的边界，非线性分类器使用超曲面。

支持向量机的原理是将低维空间中的点映射到高维空间中，使它们成为线性可分的。

再使用线性划分的原理来判断分类边界。

在高维空间中，它是一种线性划分，而在原有的数据空间中，它是一种非线性划分。

SVM的主要思想可以概括为两点：⑴它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。