操作流程
- 通过ROI工具绘制验证样本区域，再在内部生成随机点
- 通过ArcGIS ArcToolbox->Data Management Tools->Sampling->Create Random Points随机选择样本点
2.制作样本ROI
- 通过Spatial Analyst Tools->Extraction->Extract Values to Points将SVM分区字段导入样本文件
- 逐个判断并修改样本点的真实地物属性，导出为shapefile文件
3.打开ROI
- 在ENVI的ROI工具中选择Import Vector打开shapefile文件
- 根据ROI对应的地物修改名称
4.输出混淆矩阵
- 打开Post Classification->Confusion Matrix Using Ground Truth ROIs
- 将每一类分别与SVM中的类别匹配，输出混淆矩阵
分析讨论
1、验证样本要求
（1）与训练样本不重复
（2）随机选取验证样本
（3）空间分布尽量均匀
（4）类别分布尽量均衡
（5）达到一定数量（多于训练样本）
2、样本点选择方法
（1）直接通过绘制ROI建立样本
（2）从外部导入已知验证样本（xml）
（3）从外部导入矢量文件（shp）
3、分类指标
总体分类精度 等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数。
Kappa 系数 它是通过把所有真实参考的像元总数（N ）乘以混淆矩阵对角线 X KK ）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。表示分类结果比随机分类好多少，可用于评价自动分类和参考数据间的一致性。一般而言，Kappa值(-1,1)越大表示一致性越大，分类精度越高。
错分误差、漏分误差 前者指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。后者指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。
制图精度、用户精度 前者是指分类器将整个影像的像元正确分为A 类的像元数（对角线值）与 A 类真实参考总数（混淆矩阵中 A 类列的总和）的比率。后者是指正确分到A 类的像元总数（对角线值）与分类器将整个影像的像元分为 A 类的像元总数（混淆矩阵中 A 类行的总和）比率。
4、分类精度的影响因素
（1）验证样本的代表性。如果验证样本不准确，会导致分类精度出现误差。
（2）验证样本的数量。如果验证样本选取数量过少，分类精度受到单个像元分类是否准确的影响较大，影响对分类精度的评价。
（3）验证样本类别分布的均匀性。验证样本选取不均匀，会使样本的“偶然一致性”较大，Kappa系数小，分类精度评价结果的说服力不足。
（4）验证样本空间分布的均匀性。由于同种地物的光谱特征可能存在微小差异，尽量均匀地选取验证样本可以提高验证样本的代表性。
5、监督分类中的样本选择和分类器的选择比较关键。在样本选择时，为了更加清楚的查看地物类型，可以适当的对图像做一些增强处理，如主成分分析、最小噪声变换、波段组合等操作，便于样本的选择；分类器的选择需要根据数据源和影像的质量来选择。