高光谱遥感影像分类：基于分离性测度的二叉树多类SVM

"这篇论文是2011年发表在《武汉大学学报·信息科学版》第36卷第2期，由中国矿业大学的研究人员完成。文章主要探讨了利用分离性测度改进多类支持向量机（SVM）进行高光谱遥感影像分类的方法，并通过实验证明了其在高光谱分类中的优越性。" 在高光谱遥感领域，分类是关键任务之一，支持向量机由于其强大的非线性分类能力和泛化能力，已经成为一种广泛使用的工具。传统的多类SVM解决策略通常包括一对一（one-against-one）和一对所有（one-against-rest）等方法，但这些方法在处理大量类别或样本时可能效率较低。本文提出了一个新的方法，即基于分离性测度的二叉树多类支持向量机分类器，旨在提高分类精度和效率。 首先，文章介绍了支持向量机的基础理论，包括最大边界 margin 的概念，以及如何通过优化问题找到最佳分类超平面。接着，作者引入了高光谱数据的分离性测度，这是一个衡量不同类别之间可分性的指标。他们提出了一种基于J-M距离的计算方法来简化这个测度，构建了一个分离性测度矩阵，用于确定哪些类别最容易被区分。 算法的实现步骤包括： 1. 计算所有类别对之间的分离性测度，构造矩阵，排除同类别之间的测度（因为它们是不可分的）。 2. 寻找矩阵中分离性测度最大的类别对，以此构建二叉树结构。 3. 通过二叉树结构逐步构建分类器，每个节点代表一个分类决策，直到所有类别都被正确划分。 实验部分，研究人员使用了OMIS传感器和Hyperion高光谱遥感数据集进行对比实验，比较了提出的二叉树多类SVM与其他多类SVM方法（如一对一和一对所有）以及传统算法（如光谱角制图和最小距离分类）的分类效果。实验结果证实，基于分离性测度的二叉树多支持向量机在高光谱分类中的性能最优，具有更高的分类精度。 这篇论文贡献了一种新的、高效的高光谱遥感影像分类方法，利用分离性测度优化多类SVM的性能，对于高光谱数据的处理和应用具有重要的实践意义。这种算法特别适合处理大量类别和样本的复杂分类问题，为高光谱遥感领域的数据分析提供了新的思路。