3. ENVI精度验证工具概览与数据准备

混淆矩阵验证并不是打开一个对话框、点一下运行就能得到可信结论的操作。它的前提是：分类结果影像与地面真值 ROI 在空间参考、像元网格、类别编码三个层面严格对齐。ENVI 提供的 Confusion Matrix Using Ground Truth ROIs 工具本质上是一个“配对比较器”——它按 ROI 多边形覆盖的像元位置，从分类结果影像中读取预测类别，再与 ROI 记录的参考类别逐像元比对，最终统计出混淆矩阵与 Kappa 系数。因此，本节的重点不在于记住菜单路径，而在于理解这个工具对输入数据提出了哪些硬性约束，以及如何在调用前把数据准备到“可比对”的状态。

工具位置与两种典型调用路径

在 ENVI 经典界面中，该工具位于主菜单 Classification → Post Classification → Confusion Matrix Using Ground Truth ROIs。它属于“分类后处理”分支，而不是“分类”分支，这一点在初学时容易混淆：分类器负责生成类别影像，后处理工具负责评价它。调用时，ENVI 会先弹出一个输入对话框，要求选择 Class Input Image（待评价的分类结果）和 Ground Truth Input（地面真值 ROI 文件）。若当前视图中已加载了分类结果和 ROI，工具通常会自动预填，但仍需人工核对。

在 ENVI 5.x 的新版界面中，对应功能可通过 Toolbox → Classification → Post Classification → Confusion Matrix Using Ground Truth ROIs 找到，也可以直接在图层管理器中对分类结果图层右键，选择后处理相关项进入。两种界面的底层算法一致，差别只在交互外壳。实际教学中建议统一使用一种路径，避免学员在菜单层级上耗费注意力。

需要特别提醒的是：该工具只接受 ROI 形式的地面真值，不接受 shapefile 或栅格形式的验证样本直接输入。如果手头是矢量验证数据，需要先在 ENVI 中将其转为 ROI（可通过 ROI Tool 的导入功能或 Vector to ROI 转换），并确保每个 ROI 的类别名称与分类影像的类别编码建立明确对应关系。

数据准备的三个一致性检查

在点击运行之前，必须完成三项一致性核查，任何一项不满足都会导致矩阵错位或统计失真。

第一，投影与坐标系一致。分类结果影像和 ROI 必须处于同一坐标参考系统。ROI 本身可能以地理坐标（经纬度）记录，而分类影像是投影坐标（如 UTM），ENVI 在比对时会做重投影，但重投影引入的像元位置偏移会直接影响边界像元的归属。稳妥做法是：在 ROI Tool 中查看 ROI 的坐标系统信息，与分类影像的 Map Info 对照；若不一致，先将 ROI 重投影到影像坐标系，再参与验证。

第二，空间分辨率与像元网格一致。ROI 是矢量多边形，工具会将其栅格化到分类影像的像元网格上。如果 ROI 来源于另一幅更高或更低分辨率的影像，多边形边界会跨越多个像元，边界像元的类别归属就带有随机性。检查方法是：在视图中叠加显示分类结果与 ROI，放大到像元级别观察 ROI 边界是否与像元边界合理贴合；同时确认影像的 Pixel Size 与 ROI 采集时所用底图的分辨率一致或接近。

第三，类别编码与类别名称一致。这是最容易被忽视、后果最严重的一项。分类结果影像的每个像元值是一个整数编码（如 1=水体、2=植被、3=建设用地），而 ROI 文件中每个 ROI 有一个名称（如 “Water”“Veg”“Built”）。工具在比对时依据的是“ROI 名称所对应的类别”与“影像像元值所对应的类别”之间的映射。如果 ROI 名称与影像类别名称不能一一匹配，ENVI 会提示无法匹配的类别，或者把某个 ROI 整体归入“Unclassified”。因此，准备阶段应打开分类结果的 Class Names 列表，逐一核对 ROI 名称，必要时在 ROI Tool 中重命名，保证字符串完全一致（包括大小写和空格）。

一个可复现的准备示例

假设我们有一幅 30 米分辨率的 Landsat 分类结果 landcover_class.dat，类别编码为 1=水体、2=林地、3=耕地、4=建设用地，投影为 UTM Zone 50N。地面真值来自野外调查矢量 field_samples.shp，属性字段 LC 记录了类别名称，但该矢量以 WGS84 经纬度存储。准备流程如下：

1. 在 ENVI 中打开分类结果，查看 File → View Metadata，记录 Map Info 中的投影与像元大小（30 m）。
2. 将 field_samples.shp 导入为 ROI：使用 ROI Tool → File → Import Vector to ROI，在导入对话框中指定 LC 字段作为 ROI 名称来源，并选择“按属性值分组”，使每个类别生成一个独立 ROI。
3. 对生成的 ROI 执行重投影：在 ROI Tool 中选择 File → Reproject ROIs，目标坐标系设为分类影像的 UTM Zone 50N，重采样方式保持默认的最近邻，避免边界像元被平滑。
4. 核对名称：打开分类结果的 Class Names 列表，确认四个名称与 ROI 名称逐字一致。若矢量中写的是 “Forest” 而影像中写的是 “林地”，需在 ROI Tool 中重命名，或在导入时做名称映射。
5. 叠加检查：将 ROI 与分类结果同时加载到视图，放大到 1:5000 左右，抽查若干 ROI 边界是否落在合理的像元位置上，确认没有整体偏移。

完成上述步骤后，再调用 Confusion Matrix Using Ground Truth ROIs，选择 landcover_class.dat 与重投影后的 ROI 文件，即可进入参数设置界面。此时工具会列出可匹配的类别对，若列表中缺少某一类，说明名称映射仍未对齐，应返回第 4 步修正，而不是强行运行。

常见准备失误及其表现

投影不一致的典型表现是：混淆矩阵中某一类别的样本数明显少于 ROI 实际像元数，或者出现大量“Unclassified”行。分辨率不一致的表现是：边界像元被大量错分，导致用户精度偏低但总体精度尚可，给人一种“模型还行”的错觉。类别名称不一致的表现最直接：工具提示无法匹配，或某个 ROI 的全部像元被计入错误类别，使该类的生产者精度骤降。识别这些表现，比记住菜单路径更有工程价值。

最后需要强调，数据准备不是验证流程的“前置杂务”，而是决定验证结论是否成立的关键环节。混淆矩阵的每一个数字都来自“某个像元位置上预测类别与参考类别的比对”，位置错了、名称错了，后面的精度指标再漂亮也失去意义。把三项一致性检查做成固定动作，才能让后续的矩阵解读建立在可靠的数据基础之上。