高光谱遥感技术能够提供连续的光谱曲线，为地球表面材料的识别提供了丰富的信息。支持向量机（SVM）是一种常用的分类方法，特别适合于处理小样本、高维数据的情况。本文主要探讨了在高光谱遥感影像的SVM分类中，如何选择训练样本以提高分类的精度和效率。
SVM的核心思想是寻找能够最好地划分不同类别的最优超平面，这个超平面在保证分类准确的同时，还能最大化类别间的间隔（margin），也即最小化结构风险。为了实现这一目标，SVM利用了一种特殊的函数——核函数，将原始特征空间映射到更高维的空间中，使得原本线性不可分的数据变得线性可分。
在高光谱遥感数据中，像元可能是“纯净”的，即只包含单一地物类型；也可能是“混合”的，即包含多种地物类型的光谱信息。由于混合像元位于类别边界附近，其光谱特征更能反映类别间的差异，因此比纯净像元更适合作为SVM分类器的训练样本。这一特点使得混合像元成为了高光谱遥感影像SVM分类研究中的关键对象。
文章通过试验分析了采用混合像元作为训练样本的可行性与效果。试验结果显示，在高光谱遥感影像SVM分类中采用类别边界上的混合像元作为训练样本是可行的，并且能够获得与纯净训练样本接近甚至相当的分类精度。这进一步证明了SVM分类对于训练样本空间分布依赖度较低的特点。
SVM分类方法在遥感数据分类中的优势主要体现在几个方面：它能够处理高维特征空间，这对于高光谱遥感数据是至关重要的；SVM适合小样本学习，这在训练样本稀缺的遥感分类中是一个显著优势；再者，SVM具有较强的抗噪声能力，有利于提高分类的稳定性；由于SVM以结构风险最小化为准则，因此在理论上具有良好的推广能力。
文章提到的线性SVM是在数据线性可分的情况下，寻找最优分类线。最优分类线的确定需要最大化两类样本之间的间隔，即分类间隔。在实际的分类问题中，通过引入核函数，SVM可以有效处理非线性可分的情况。
基于上述讨论，文章为高光谱遥感影像的SVM分类提供了新的训练样本选择策略，即采用混合像元作为训练样本。这样不仅可以提高分类的效率，还可以在训练样本有限的情况下，尽可能保持甚至提高分类的精度。这对遥感影像处理、环境监测、资源勘探等领域的实际应用具有重要的指导意义。同时，这项研究也进一步证明了SVM在遥感分类中的潜力和应用价值，为后续研究者提供了理论基础和实践案例。
