利用基于几何图像特征的支撑向量机分类实现高分辨率遥感图像中人

1、利用基于几何图像特征的支撑向量机分类实现高分辨率遥感图像中人造目标的自动识别摘要随着地球同步卫星能够在提供可见光范围内分辨率好于5米的遥感图像，识别人造目标变得可能了，这在以前较差的分辨率情况下是做不到的。因为遥感图像的大小和不断提高的质量，我们需要计算机辅助识别工具。在这篇论文里，我们阐述了一种图像处理系统，用来发现和识别高分辨率光学遥感图像中的人造目标。发现在是指从图像中找出一个包含人造目标的小矩形，识别是指将目标分类并进行标记。这些算法基于机器学习方法和一个包含十一种类型人造目标的样本集。这个样本集（每类至少150个样本）是从卫星SPOT 5 THR的图像里人工选取出来的（分辨率2.5米

2、）为了构造一个与待识别目标类型无关的系统，我们使用了一种基于支撑向量机的监督式机器学习的方法。这个系统对每类目标都利用样本集数据库中样本的几何特征学习得到一个一般模型。本论文中主要创新的地方在于利用监督式学习的方法，使用了很多几何图像特征，这样可以将各类几何属性不同的目标区分开来。实验结果显示，该方法对人造目标的识别率能够超过80%。关键字：目标识别，人造目标，支撑向量机，几何面矩1. 介绍地球观测图像分辨率优于5米的视觉识别使人造物体的地图的兴趣。传感器的决议,接近1米或更好的让一个更好的歧视,这类物品,但它们通常是一溜宽度小于太小(20公里)的地图批量生产用于城乡规划。因此,传感器等5点集

3、的高分辨率(2.5米)和(60公里)的增长大部分的兴趣的卫星图像使用这个应用领域。卫星数据允许快速映射的可能性的自然灾害,比如。这类应用提交时间限制。然而,利用图像的这样一个大型含有高浓度的信息是耗时的,而且非常困难的,由一个照片译员。事实上,超过400分析屏幕都需要一个场景。我们为客户提供照片荣获工具,帮助他们的视觉分析的任务。从用户的角度来看,这是一个工具,它可以指出在整体形象是一种特别的对象是存在的,最终给予某种信心比率。本文的主要目的是探讨认识对象的可能性高分辨率遥感影像中使用一个通用的方法,那就是,这种做法是不依赖于对象。一个主要的困难的数字图像处理任务时,从图像分辨率比10米度量粗

4、糙,是解决能够应付高复杂性的内容。这主要是由于高复杂性的事实,从用户的角度来看,“元素的利息不仅仅是个人像素或表面结构的对象,而复杂,。同时分析了土地覆盖中、低分辨率图像可以通过一个像素明智的方法,对高分辨率图像的特异性是我们感兴趣的物体,只能被定义为他们的形状和他们的邻居。因此,很难实现通用的影像处理系统是基于经典两步-特征提取方法以及分类-的方法。另一方面,处理的高水平的概念,以规则为基础的系统似乎松了genericity前的方法。事实上,这个目标识别问题的方法之一,可以手动定义一个几何模板为每个对象和尝试将它的形象。不幸的是,高可变性内不同对象的类使得这种方法难以发挥。我们的主要问题之一

5、就是承认域对象的类的对象而不是具体。虽然检测与识别的对象使用特定的方法-调谐到这类对象提取-已经解决了很长一段时间,在计算机视觉(特别是军事),小的工作已经发表的检测与识别的对象的类在遥感图像和通用的方法而不是具体的特定的对象。例如,关于自动提取道路提出的建模方法的道路网络的路口,彼此之间的联系交叉口缪群。费利克斯(1999),或提取使用(明确的)scale-dependent模型Hinz和费利克斯(2003)。审查的工作提出了代表(2003)列出的方法,但它们都是特定的道路或网络。这个对象提取遥感影像大量文献也呈现出多种方法提取,但是,又建筑,它们是具体的,这类物品。许多方法利用立体图像双辉

6、盛等。其他方法所需要的重要的先验知识,对周围建筑物Gerke等(2001)。解决这一问题的相关工作的信息检索中遥感影像档案存在,Datcu等。(1998),德国总理施罗德等。(1998年,2000),戴尔Acqua和Gamba(2001),Daschiel和Datcu(2005),应该鼓舞我们的方法。事实上,这些作品表明使用相关的特点及分类在特徵空间允许相关信息的检索的一个高层语义定义为一个用户通过一个小的例子。然而,问题的信息检索中大量数据基地有着不同的约束条件的目标识别的问题相比,在一个单一的形象。事实上,所谓的图像挖掘系统与数百到成千上万的图像,这需要一个很聪明的方式索引以允许一个短的反

7、应时间对用户实时互动的系统。由于每个用户的查询可能不同,一个巨大的努力是为了建立一个系统可以连接用户语义和低水平的图像特征。另一方面,所有可能的图像系统知道所有的事件的概率空间,所以使用贝叶斯学习是最适合和简洁的方法来进行。据我们所知,这些系统不设法恢复复合对象的类,但只可定义为辐射特性的一个像素明智的方法。在目标识别问题,我们指的是要解决,只有少数的例子是可用的培训系统,因为高成本的实例数据基地建设。另外,每一图像处理技术是一种新的图像系统,解决了现场找到的最好的解释的数据库数据,Datcu等。(1998),不适合我们的问题。这样做的目的是调查工作的可能性和识别物体的自动检测在高分辨率遥感影

8、像。检测是找到一个小矩形区域的图像包含的对象。识别类的属性的检测对象。标签,这个目标识别任务后,可以进行检测。另一个可能的方法是运用识别算法进行了一切可能的位置,在图像分析窗口。第二种方法是减少时,它是容易misdetections求取和应避免在操作系统。我们的解决方案是建立在一个快速预处理步骤旨在检测的地区可能会感兴趣的物体。这是一个细的低分辨率图像的版本。这个图像分割是基于视觉模型,索普等。(2001)。这是一个非常关键的一步,但任何识别系统的图像预处理的细节的任务是本文的范围。假设这个预处理步骤是可得到的,我们可以进行连续的兴趣和直接识别方法进行了阐述。应具有较强鲁棒性的识别算法、旋转和

9、比例不变的照明。这将限制使用物体的外观模型中,教皇和劳(1996),阿里发等。(2001)。另一个流行的方法是模板匹配的方法,Veltkamp和Hagedoorn(1999),但困难的是在这里找到正确的模板,可以处理intra-class变异性。为了应对这种困难时,我们可以采取监督式学习方式,也就是说,我们将使该系统学习榜样。这个例子所产生的数据模型,并对各班的对象可以自动地获得了。这个系统会因此学会分类影像补丁包含对象的中心。这种约束来学习的步骤将允许一个精确的本地化的测定物体时图像扫描检测和识别阶段。这意味着为对象,分析了大窗户,多重发现,每个人都要为每一个窗口的位置。最受欢迎的方法对建筑

10、实例对象模型的数据是由主成分分析、主成分分析法(PCA),这导致了eigenfaces方法,吐蕃与Pentland(1991),特(2001年):一个假设的像素的每个实例数据基地是一个随机向量和主成分分析方法是为了得到一套特征向量(eigenfaces)中被用作一个分解的基础。不幸的是,这种做法很约束特点的数据库的构成和照明。在数据库构成从遥感图像,这些限制是太高了。这种方法的变量被看作例如Borgne等。(2004),独立分量分析的主成分分析法(PCA)。我们的实验用这些方法已成功。我们认为这个问题是有一小部份的例子intra-class高可变性。不允许获得有关校长或独立的部件。事实上,这种

11、分析方法具有良好的效果intra-class变化问题的例子是低和数据库的建受控条件下(光照等)。其余的文章是这样的。第二节描述的方法选择我们的系统。物体的几何特征之间的关系,提出了在第三节和特征向量分类方法在第四节描述。第五节介绍了系统的性能,探讨了其优化的可能性。最后,第六节介绍我们的结论。2. 选择方法为了实现一个系统是通用的类型的对象被认可,我们采用一个通用的特征提取与选择加分类方法使用高数量的几何描述为了应付各种各样的可能性为对象的兴趣。我们正在面临一个问题,在高维监督分类特征空间,只有零点几秒的例子可每个班。这种限制一个实际应用中存在的问题,并提出了由于数据有效性的生产成本数据库。为

12、了克服这个诅咒的维数,同时防止松散的信息以降维方法,我们选择用支持向量机(SVM)。我们的目标是要正确的标签识别系统的图像修补收到作为输入。为了这样做每一图像补丁将特征向量的描述将利用监督分类方案。具有可操作性的识别系统可以建造全SPOT5场景序列化扫描。为了有一个系统,具有良好的鲁棒性,照明、光谱波段,植被变化,我们将只使用几何形状的图像。事实上,这个类型的对象,我们正试图检测是很明确的空间属性的边缘和使用纹理的可变性来源可以引进照明和季节性效应比如,我们应该避免。训练阶段使用的一个子集的例子。每个影像补丁将被处理,为了获得向量(第3节)的描述将用来学习引擎(见第四章)。描述向量只会包含几何

13、信息,但这一事实并不考虑由学习计划。为了评估系统的性能,图像补丁不被用于训练阶段将会被使用。每个影像补丁将被用来计算说明矢量将分类系统在训练阶段。这个系统的性能评价矩阵计算混乱。这个例子数据库已经建造的照片资料翻译使用SPOT5全色影像(几乐队以2.5米,有明确的像素抽样对象类:隔离十路(IB)、建筑和轨道()、路口(CR)、桥梁(3)、宽阔的大道(新西兰),高速公路(硬件)、圆的下落(RA)、狭窄的道路(NR)、铁路(RW)。当我们唯一感兴趣的就是这类(3),太阳神,我们已经包括了别人为了更好的表征。拒绝我们也创造了一个补充叫加班(其他)为了考虑不同的可能的景观。路课程也很有趣,但他们可以提

14、取算法,使重构整个路网利用语境的方法,Rochery等。(2003),Stoica等。(2004),费利克斯等。(1999),Hinz和费利克斯(2003)。对于一个完整的参考书目看到检查工作的代表(2003)。每堂课,超过150例已经进入数据库。每一个例子是100100个像素图像补丁物体中心的形象。从不同的物体就会出现在同一类的对象,以形象是非常重要的,以便抬歧义的学习算法。这也会希望有良好产生检测器(小),定位为邻近多个发现斑块可避免大的图像扫描。因此每个影像补丁被视为属于类的对象位于中心。图1显示的一个例子,每堂课的数据基础。额外的例子已经创造了采用轮作和对称。这个场景用于数据SPOT5

15、基地被选中了不同地区在法国图卢兹,马赛和斯特拉斯堡(地区),在美国加州圣地牙哥,(CA)。3. 目标的几何特性我们的目标是在描述物体的几何信息的利用。在遥感领域开发利用工作,很少的几何外形描述为识别的存在。戴尔Acqua和Gamba(2001)用点扩散技术,并且,但是这种做法是只有有效的对象的兴趣已经很明确的界限。在我们的例子中,一个对象可由几组边界。这个世界时是非常有用的,比较个体关闭,确定形状,但它似乎不适合我们的问题。我们需要能统计学比较对比思考分析与判断套,而且其他的几何形状描述我们将用两种功能:区域边界对齐。(即边缘提取和线)使用完形方法由Desolneux等。(2000)。在此背景

16、下,这一事件被认为是有意义的期望发生的事件是否会非常小的一个随机的形象。可以这样认为,在一个随机的图像梯度的方向上是均匀分布,并且相邻象素有一个很低的概率有相同的梯度方向。该算法,给出了一套直线段由两个穷途末路的坐标。区域界限也用同样的原则中提取的,但应用于地形图level-lines表面时,假设像素灰色层次是海拔价值的形象,Desolneux等。(2001)。自从我们在开发水平线条,我们能够获得封闭的区域。这样的例子,可以获得的提取是显示在图2。一旦几何提取,它必须被编码,作为一个固定长度的描述。这是通过计算的特点。这些特征可分为两类:低等特点和高层次的特点。3.1 低级的几何特征两种类型的

17、低级的描述符计算从地区的边缘会使用,Fourier-Mellin几何一致性描述符。3.1.1. 几何时刻利用代数的理论,Ming-Kuel时刻获得一家七不变量与平面转换叫做胡不变性,胡(1962年)。那些不变量可以被看作是非线性组合的复杂几何的时刻。在x和y的坐标是图像f(x,y),我是虚构的单位和p + q cpq秩序。几何的时刻是特别有用的比例变化的情况。胡不变量已经很用于目标识别在过去的30年中,因为他们都不变,缩放、旋转的翻译。Flusser(2000)给他们的表情Dudani等。(1977)使用这些不变量进行飞机剪影。Flusser和泡有利用图像的配准,Flusser和泡(1994)

18、。他们已经被修改和完善几个作者。Flusser使用这些时刻为了产生一个新家庭的描述符的订单高于3、Flusser(2000)。这些描述符是存在旋转和比例变化。他们有以下的表情。让康乐及文化事务署大型活动组收(r)是一个因果作用(rN0),Fourier-Mellin变换、格式化,f,如果它的存在,是写成。在k和v分别角和径向频率变换域和和r分别是极坐标图像的领域。这个FMTcan被视为傅里叶变换为该团体的相似性(旋转,翻译,dilations)。它是一种独特的表达功能的f。它有几种特性使它非常有用的灰色层次图像分析,Derrode和Ghorbel(2001)。最重要的是我们要themodulu

19、s FMT系数的轮换和尺度不变下。3.2 高级几何特征为每个区域提取的图像修补(见图2)(b),我们可以计算出下列参数,compacity外线,表面之间的比例,定义为表面和广场上的外线,重心。这个队列(见图2(c)可以被其长度、方向和位置。它们也可以被用来计算交叉口的位置。自从数量的地区,是不同的,每一图像比对补丁,我们必须找到一种方法使这些参数固定向量。我们这么做了,通过计算每个图像的直方图。因此我们将计算直方图的compacities封闭的区域,或是直方图的长度的队列。这个参数相关岗位(重心位置的十字路口)的距离就变成了图像的补丁的中心。相关的参数,通过编码为相对主定位-一个有更高的体重在

20、图像的直方图,以达到某种旋转不变性。尺寸标准化的最高每幅图为了获得某种尺度不变性。用我们的高级功能系统。熵的方向的阵营。直方图的交点的中心,分析窗口。直方图长度的阵营。直方图的封闭的地区的中心,分析窗口。直方图的封闭的区域。4. 特征向量分类介绍了几何描述符,使我们能够建立一个每个人的影像补丁储存在数据库。通过选择其中的一个子集的数据作为学习基础、相辅相成的子集的试验基地,我们可以建立一个物体识别系统的性能和措施。学习资料的基础,我们想要得到一个分类系统中的每一种能够标签图像的实验基地的可能性,根据它属于每个定义对象的类。自从我们有了一个例子,我们可以使用数据库监督学习技巧。然而,考虑到低数量

21、的例子和高维的特徵空间(图像),每2500特征,我们不能用神经网络和贝叶斯学习。基础的学习方法一般内核和支持向量机(SVM)在特殊情况下,介绍了在过去的十年中,学习理论的分类和回归的任务,第一章是关于(1998)。支持向量机方法已成功地应用于文本分类,Joachims(1998),面部识别、Osuna等。(1997)。最近,他们已成功地用于高光谱遥感图像分类,Bruzzone和Melgani(2002)。简单的说,这个方法包括寻找分离之间的表面的两类的一部分训练样本,最好描述之间的界限,两类。这些被称为支援向量和完全定义的分类系统。在这样的情形:这两类,是non-linearly分离方法使用一

22、个核扩张以使投射到更高的特征空间维度空间的课程的分离成线性。在我们的问题,我们不使用内核的框架。实验证据显示5.2节会缺乏兴趣,为我们的特定应用支持向量机非线性的。支持向量机分类的一个缺陷是,在他们的经典的版本,他们仅能解决问题,以便。有些作品中存在的多领域的支持向量机(见Allwein等,2000,威斯和沃特金斯,1998,并将由许保忠,林,2001年),但他们并不适用于我们的系统。由于NN2类,既可以选择trainNSVM(一阶级和所有其他的),或是火车N(1)(SVM ?每一个阶级反对别人)。在第二种方法,这是一个让我们用,最后的决定是被选择classwhich才是最常被选为成套的支持向

23、量机方法。分类的步骤包括的测试集,计算特征向量,然后采用支持向量机的pre-computed以决定分类。4.1 利用线性SVM进行特征选取采用超线性支持向量机在特征空间以选择不同的每一个样品,它坐落在特徵空间的平面。这种分类规则可以被看作是一个简单的阈值的真正价值。这个值是正常的距离特征向量的平面的样品。在主成分分析,这个距离可以被看作是一个新变量线性组合所获得的变量(特征)所确立的特征向量。各具特色的重量在线性组合的程度成正比的正交的分类超平面。平行的特点是无用的分类超平面分类。这个解释使我们的特点及分类的选择最受瞩目的分类问题。我们将用这种方法在5.2节。5. 系统的性能和结果为了表现目前

24、的系统性能,首先我们展现得到的结果，第二，我们研究了几种系统优化的概率。由于表现一个详尽的卫星图像的结构是一项非常艰巨的任务物体中的所有场景必须手动提取和标记我们将使用图像补丁的测试。为了通过分析窗口模拟扫描图像的的行为,类型OT的实例-其他的-从场景5中被随机的抽取。采用了一种对这些补丁的视觉分析，是为了消除那些包含一个靠近中心利益的类型对象的事物。物体附近的系统的行为模式会在部分分析。5. 1 结果分析在本节中,我们演示出该系统得到的结果。在训练步骤中我们将75%的数据基础。由于通过使用对称性在数据库我们已经产生新的元素,每种类型的例子数目为每课例450。这给340例作为培训,110例进行

25、检测。特征向量有2569个部件。特点0-61是几何时刻 (复杂的时刻,hu和Flusser时刻不变量),特点62-2125是Fourier-Mellin系数，特点2126-2569是高级特征。我们演示了两种类型的分析。首先,我们研究了两种可分性问题,也就是，我们对我们的兴趣分类的每种分类方面计算分类率(IB,BR,RA,OT)。这种分类率给了我们每种给定SVM的分类质量。结果显示在图3。大家可以看到, IB (好于84%), RA（好于83%)还有 OT (好于87%)很好地分离其他类型。BR80%)进行了分离。你可以看到,大部分BR未分类级别与交叉路口和不同的道路有关。这可以这样用这样的事实

26、来解释,一座桥梁都包含道路,桥是两条不同水平道路的横渡，交叉口，这从最低的观点是很难区分的。第二种分析我们表现的是一种整体系统的性能,也就是，对各种类的分类率以及每个类型如何区别于其他类型的方面。结果以混合矩阵(表1) 显示,在那里每一行i与这类测试图像相关联,每一列对应类j与系统决定的类别相关，而且表中的每组都给出了区分每个事物的列j和行i之间的百分率。MD代表未分类级别，FA代表假警报。这个值取最近的整数。理想的系统100%会有一个对每个项目都有的对角线的对角矩阵。你从中可以看到,这对我们的系统并不是真正的情况,。然而,我们看到这两类的利息（IB和RA）分别被检测为87%和66%。我们也注

27、意到大多数未分类型的桥梁都被冠以十字路口,这是非逻辑的。同样,PT的34%被分类为NR而且不同类型的道路也以其他道路类型没有被分类，的铂族元素被归类为考察和不同类型的道路是misclassified为其他类型的道路,我们可以估计到，因为大多使用的描述符是规模不变的。为了给一个显示混合矩阵信息的质量标准,我们定义了对角指数,也称为全面准确性,如:aij是混合矩阵的行i列j中的元素。在理想系统的情况下，该指数等于100,等于100/N，N是以相同的概率在系统里对每个事物随机抽取的类型的数量。我们也将系数计算Congalton(1991),它经常被用来测量系统的分类性能,并被定义为:PO是对角矩阵元

28、素的平均值， Pz是可以被快速准确的分类的像素分数。对于表1的混合矩阵 ,我们有D = 36.9和= 99.330。因为我们正在试图重现一个通常是由人类操作的任务,有趣的是比较系统的性能和由图像翻译器得出的结果。要做到这一点,我们给5个没有参与这项数据基地建设的遥感专家提供的一个子集图像数据基地,而且我们要求他们给每一个图像补丁作标签。每个操作员得出的混合矩阵的均值见表2。我们观察可以得出,结果比我们利用全自动的系统采用全面准确性得到的结果（69%）要好。然而,我们获得= 99.167,低于自动化系统所得的值。这可以理解为这个事实：自动化系统有系统误差,而图像翻译器的误差是不相关联的。这也许是

29、自动化系统的一个额外的利益。有趣的是，在五种最多的分类中，四种对实验是普遍的，IB, RA, SB, OT.此外，我们也有趣的注意到，我们有混淆BR和CR还有他们之间不同类型道路的共同趋势。最后,我们分析得到的结果,只有三种级别的利益被考虑进去。所有其他类型都集中在表OT+中。这个设置允许我们用较少的支持向量机,得到一个更简单、更不容易出错的投票决定系统。这次我们分析系统对固定使用的描述符的敏感性。表3显示了用低层次几何描述符得到的结果,表4显示了用高层次几何描述符得到的结果。表5显示了混合使用两种描述符所得到的结果。大家可以看到,这使得整体精确性比整个系统选择11种类型的时候要高。我们也可以

30、看到,高层次的几何描述符的独立分量比低层次几何描述符要低，但最佳结果是在混合使用两种描述符时得到的，整体的精确性达到85%。在三个实验中，的系数是很高的,两种方法的结合得到了最好的结果。5.2 系统优化在图像的操作进程上减少分类系统的计算量是非常重要。在这一节中我们研究为了加速进程撤销一些在系统中使用的特点的概率。为了识别为我们的问题包含少量信息的特征,我们运用了4.1部分提到的方法。另一种方法,例如可以设想将不同的描述符进行学习和测试步骤,但是这很费时，如果想知道的每一个描述符真正的针对性的话。图4显示了与BRSVM抗衡的IB的每个特征的重量（分类超平面的方向)。值得注意的是，与低层次几何相

31、比，高层次的几何似乎更有用这对所有支持向量机都适用-Fourier-Mellin系数似乎没有比几何方法更重要。很有意思的一点是, Fourier-Mellin系数的重量似乎是跟着一个pseudo-periodic系数法的。由于这样的事实,那就是他们的订单是一种对数级既矢量(f,f)频率的飞机，所以结果对其他组的分类也是类似的，但对所有的支持向量机来说，更重要的频率是不一样的。由于支持向量机分类的步骤包括从在特征空间计算一个欧氏距离,这比这些特征本身的计算要便宜多了。这意味着为了大大降低了识别系统的计算复杂度，我们必须减少需要计算的特征的数目。只是那些不是对于所有SVM（支持向量机）都很重要的特

32、征可以被忽略。为了确定这样的特征,如果有的话,我们对系统里所有的SVM（支持向量机）计算特征的平均重量。结果显示在图5。你可以看到,这些特征重要性的排序是相同的，和单独的支持向量机。最大价值的特征(数量2377、重量0.049)是regioncompacity histogram的一个值,但其重量的价值体现对整体贡献小于5%。另一方面,每个Fourier-Mellin系数有一个非常小的贡献,但他们的总体贡献约30%。还有很有意思的一点是,我们发现在高层次几何上，Fourier-Mellin变换的计算成本可以忽略不计,因为使用了FFT-based算法。这一结果使我们得出这样一个结论,我们不可能确

33、定一套可抑制矢量的特征。我们的目标是要选择的支持向量机最优参数,以最大限度地识别系统的性能。用于我们研究的支持向量机软件SVM-light Joachims(1999),可以使用各种不同的内核(线性、径向基函数,多项式和sigmoidal),每一种都有它自己的一套参数。训练误差和边缘之间的平衡也是一个系统参数。这意味着一个包含学习测试循环周期的对支持向量机参数的详尽的研究是一个非常昂贵的操作。使用误差评估以及Joachims(2000)提出的精度和召回,就能很容易地对于一个给定的支持向量机定义下列成本函数。学习步之后SV的数量NSV,MC未分类的学习例子的数量,错误的误差估计，精确精度，召回召

34、回。召回被定义为以分类的总的事物的数目来区分的好的探测数目，也就是说，检测概率。精确的定义以探测的总数目来区分的好的探测数目。它的意义在于类似逆虚警概率。所以对于式Eq.（8），C的值越低, 支持向量机的泛化能力越好。有趣的是,在没有使用一整套测试例子时这种成本函数可以在学习步后计算。另一方面,它只是一种悲观的，理论估计。但它对于我们想要完成的那种分析已经足够了。采用Eq.（8）的成本函数式，我们已经能够按照支持向量机对几种事物类型的不同参数设置的学习表现进行分类整理。我们的实验中没有显示出任何一种内核的趋势。在对每两种事物的分类的10个最佳支持向量机中,总有线性核。使用线形核的利益的核心是双重的:第一,零件重量得出;第二,只有一个参数设置，就是设置误差和边缘值之间的平衡。这些结论促使我们选择线性支持向量机，并且让我们在平衡中集中