جهت طبقه بندی تصاویر میتوان از طبقه بندی کننده های متفاوتی استفاده نمود. یک دسته از طبقه بندی کننده ها براساس شیوه ی یادگیری کار میکنند. در این روشها ابتدا تعدادی نمونه به عنوان داده های آموزش به طبقه بند داده میشود و جداکننده به وسیله ی این داده ها آموزش میبیند. پس از آن نمونه های تست به طبقه بند داده میشود و طبقه بند در مورد گروهی که این داده ها به آن تعلق دارند، تصمیم گیری میکند.
دو طبقه بندی که بیشتر در روشهای نهانکاوی مورد استفاده قرار گرفتهاند Fisher’s Linear Discriminate(FLD) و Support Vector Machine(SVM) هستند. SVM قویتر از FLD می باشد.
SVM ابزار یادگیری قوی ای در حل مسائل طبقه بندی، با دو کلاس است. هدف SVM ایجاد مدلی است که با داشتن ویژگیهای نمونه های داده در مجموعه دادههای آموزشی مقدار هدف آنها را حدس بزند. در این روند بردارهای آموزشی نمونه های آموزشی XI از تصویر I به فضای با ابعاد بیشتر نگاشت میشود. سپس یک SVM یک ابرصفحه ی جدا کننده ی خطی را پیدا میکند که بیشترین حاشیه را در این فضای با ابعاد بیشتر داشته باشد.
شکل ۱ مسأله ی جدا کردن دو کلاس که بصورت خطی جدایی پذیر هستند را نشان میدهد. همانطور که در شکل دیده میشود، برای جدا کردن این دو کلاس، ابرصفحه های بیشماری وجود دارد که بعضی از آنها به کلاسها بسیار نزدیکند. SVM تلاش میکند تا ابرصفحه ای را بیابد که در بیشترین فاصله نسبت به دو کلاس قرار داشته باشد. انتخاب این ابرصفحه باعث میشود که طبقه بندی کننده قابلیت تعمیم بهتری داشته باشد.
به این منظور دو ابر صفحه ی موازی که نقاط سرحدی را در دو کلاس تعیین میکنند درنظر گرفته میشوند، سپس ابرصفحه ای که در فاصله ی مساوی از این دو ابرصفحه قرار گرفته میگیرد به عنوان ابر صفحه ی طبقه بندی کننده تعیین میشود. شکل ۲ دو کلاس خطی جدایی پذیر و طبقه بندی کنندهی SVM را نشان میدهد.
شکل۳ یک SVM را نشان میدهد که برای حل یک مسأله با دو کلاس مورد آموزش قرار گرفته است. نمونه هایی که بر روی حاشیه قرار گرفته اند بردار پشتیبان نام دارند. بردارهای پشتیبان (زیر مجموعه ای از نمونه های آموزشی) نزدیکترین نقاط به سطح تصمیم گیری هستند و طبقه بندی آنها از سایر نمونه ها مشکلتر است.