在监督分类或者挖掘决策树规则时，需要选择训练样本，训练样本的好坏直接影响分类精度。因此ENVI提供了分析样本质量的工具：Compute ROI Separability，计算样本可分离性。
问题来了
为了提高分类精度，有时会在多光谱图像中增加其他波段，如NDVI、非监督分类结果、PCA变换结果等等。那么问题来了，使用ROI Tool中的Compute ROI Separability计算样本可分离性时候报错，如下图所示：
图：计算样本可分离性报错
最好得到的样本可分离性报表都是0，如下图所示：
图：结果异常的样本可分离性报表
原因分析
造成这个原因主要是参与分类各个波段值范围相差太远，如影像波段为0~255（8bit），NDVI为-1~1，非监督分类结果为0~5整数，等等。
这些数据范围不一致就会造成Jeffries-Matusita算法的"溢出"，出现上述的错误。
解决方法
通过分析原因，我们可能会想到，将影像波段以外的波段使用线性拉伸的方法归一化为0~255范围内。但是归一化后的数据有可能会有信息的损失，与"增加多源数据提高分类精度的初衷"相违背。
另外一种思路是增加样本的数量，这个倒是能解决算法"溢出"的问题。但是这个数量不好把握。
其实我们可以从样本的本质考虑，样本就是不同地物的集合，一般通过目视解译方式从影像上选择。因此我们直接在多光谱影像数据上选择样本，并计算样本的可分离度，当可分离度满足要求时候，将该样本应用于包括NDVI、PCA变换等多源数据文件上进行相应的分类。
注：1、如果在classic或者5.1之前的版本上选择ROI作为样本，需要使用ROI Tool上的Reconcile ROIS 或者Reconcile ROIS via Map工具，将当前选择的ROI样本转到别的文件上，如这里的多源数据文件上。
2、ENVI5.1版本的ROI文件带有坐标，可用于任何与之有地理重叠的栅格数据，支持坐标自动重投影。
