利用計算機進行遙感信息的自動提取則必須使用數字圖像，由於地物在同壹波段、同壹地物在不同波段都具有不同的波譜特征，通過對某種地物在各波段的波譜曲線進行分析，根據其特點進行相應的增強處理後，可以在遙感影像上識別並提取同類目標物。早期的自動分類和圖像分割主要是基於光譜特征，後來發展為結合光譜特征、紋理特征、形狀特征、空間關系特征等綜合因素的計算機信息提取。
常用的信息提取方法是遙感影像計算機自動分類。首先，對遙感影像室內預判讀，然後進行野外調查，旨在建立各種類型的地物與影像特征之間的對應關系並對室內預判結果進行驗證。工作轉入室內後，選擇訓練樣本並對其進行統計分析，用適當的分類器對遙感數據分類，對分類結果進行後處理，最後進行精度評價。遙感影像的分類壹般是基於地物光譜特征、地物形狀特征、空間關系特征等方面特征，目前大多數研究還是基於地物光譜特征。
在計算機分類之前，往往要做些預處理，如校正、增強、濾波等，以突出目標物特征或消除同壹類型目標的不同部位因照射條件不同、地形變化、掃描觀測角的不同而造成的亮度差異等。
利用遙感圖像進行分類，就是對單個像元或比較勻質的像元組給出對應其特征的名稱，其原理是利用圖像識別技術實現對遙感圖像的自動分類。計算機用以識別和分類的主要標誌是物體的光譜特性，圖像上的其它信息如大小、形狀、紋理等標誌尚未充分利用。
計算機圖像分類方法，常見的有兩種，即監督分類和非監督分類。監督分類，首先要從欲分類的圖像區域中選定壹些訓練樣區，在這樣訓練區中地物的類別是已知的，用它建立分類標準，然後計算機將按同樣的標準對整個圖像進行識別和分類。它是壹種由已知樣本，外推未知區域類別的方法；非監督分類是壹種無先驗（已知）類別標準的分類方法。對於待研究的對象和區域，沒有已知類別或訓練樣本作標準，而是利用圖像數據本身能在特征測量空間中聚集成群的特點，先形成各個數據集，然後再核對這些數據集所代表的物體類別。
與監督分類相比，非監督分類具有下列優點：不需要對被研究的地區有事先的了解，對分類的結果與精度要求相同的條件下，在時間和成本上較為節省，但實際上，非監督分類不如監督分類的精度高，所以監督分類使用的更為廣泛。
細小地物在影像上有規律地重復出現，它反映了色調變化的頻率，紋理形式很多，包括點、斑、格、壟、柵。在這些形式的基礎上根據粗細、疏密、寬窄、長短、直斜和隱顯等條件還可再細分為更多的類型。每種類型的地物在影像上都有本身的紋理圖案，因此，可以從影像的這壹特征識別地物。紋理反映的是亮度（灰度）的空間變化情況，有三個主要標誌：某種局部的序列性在比該序列更大的區域內不斷重復；序列由基本部分非隨機排列組成；各部分大致都是均勻的統壹體，在紋理區域內的任何地方都有大致相同的結構尺寸。這個序列的基本部分通常稱為紋理基元。因此可以認為紋理是由基元按某種確定性的規律或統計性的規律排列組成的，前者稱為確定性紋理（如人工紋理），後者呈隨機性紋理（或自然紋理）。對紋理的描述可通過紋理的粗細度、平滑性、顆粒性、隨機性、方向性、直線性、周期性、重復性等這些定性或定量的概念特征來表征。
相應的眾多紋理特征提取算法也可歸納為兩大類，即結構法和統計法。結構法把紋理視為由基本紋理元按特定的排列規則構成的周期性重復模式，因此常采用基於傳統的Fourier頻譜分析方法以確定紋理元及其排列規律。此外結構元統計法和文法紋理分析也是常用的提取方法。結構法在提取自然景觀中不規則紋理時就遇到困難，這些紋理很難通過紋理元的重復出現來表示，而且紋理元的抽取和排列規則的表達本身就是壹個極其困難的問題。在遙感影像中紋理絕大部分屬隨機性，服從統計分布，壹般采用統計法紋理分析。目前用得比較多的方法包括：***生矩陣法、分形維方法、馬爾可夫隨機場方法等。***生矩陣是壹比較傳統的紋理描述方法，它可從多個側面描述影像紋理特征。
圖像分割就是指把圖像分成各具特性的區域並提取出感興趣目標的技術和過程，此處特性可以是像素的灰度、顏色、紋理等預先定義的目標可以對應單個區域，也可以對應多個區域。
圖像分割是由圖像處理到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。壹方面，它是目標表達的基礎，對特征測量有重要的影響；另壹方面，因為圖像分割及其基於分割的目標表達、特征抽取和參數測量的將原始圖像轉化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。
圖像分割是圖像理解的基礎，而在理論上圖像分割又依賴圖像理解，彼此是緊密關聯的。圖像分割在壹般意義下是十分困難的問題，目前的圖像分割壹般作為圖像的前期處理階段，是針對分割對象的技術，是與問題相關的，如最常用到的利用閾值化處理進行的圖像分割。
圖像分割有三種不同的途徑，其壹是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。
閾值是在分割時作為區分物體與背景象素的門限，大於或等於閾值的象素屬於物體，而其它屬於背景。這種方法對於在物體與背景之間存在明顯差別（對比）的景物分割十分有效。實際上，在任何實際應用的圖像處理系統中，都要用到閾值化技術。為了有效地分割物體與背景，人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。
當物體與背景有明顯對比度時，物體的邊界處於圖像梯度最高的點上，通過跟蹤圖像中具有最高梯度的點的方式獲得物體的邊界，可以實現圖像分割。這種方法容易受到噪聲的影響而偏離物體邊界，通常需要在跟蹤前對梯度圖像進行平滑等處理，再采用邊界搜索跟蹤算法來實現。
為了獲得圖像的邊緣人們提出了多種邊緣檢測方法，如Sobel,Cannyedge,LoG。在邊緣圖像的基礎上，需要通過平滑、形態學等處理去除噪聲點、毛刺、空洞等不需要的部分，再通過細化、邊緣連接和跟蹤等方法獲得物體的輪廓邊界。
對於圖像中某些符合參數模型的主導特征，如直線、圓、橢圓等，可以通過對其參數進行聚類的方法，抽取相應的特征。
區域增長方法是根據同壹物體區域內象素的相似性質來聚集象素點的方法，從初始區域（如小鄰域或甚至於每個象素）開始，將相鄰的具有同樣性質的象素或其它區域歸並到目前的區域中從而逐步增長區域，直至沒有可以歸並的點或其它小區域為止。區域內象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。
區域增長方法是壹種比較普遍的方法，在沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復雜的圖像，如自然景物。但是，區域增長方法是壹種叠代的方法，空間和時間開銷都比較大。
基於像素級別的信息提取以單個像素為單位,過於著眼於局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重制約了信息提取的精度，而面向對象的遙感信息提取，綜合考慮了光譜統計特征、形狀、大小、紋理、相鄰關系等壹系列因素，因而具有更高精度的分類結果。面向對象的遙感影像分析技術進行影像的分類和信息提取的方法如下：
首先對圖像數據進行影像分割，從二維化了的圖像信息陣列中恢復出圖像所反映的景觀場景中的目標地物的空間形狀及組合方式。影像的最小單元不再是單個的像素，而是壹個個對象，後續的影像分析和處理也都基於對象進行。
然後采用決策支持的模糊分類算法，並不簡單地將每個對象簡單地分到某壹類，而是給出每個對象隸屬於某壹類的概率，便於用戶根據實際情況進行調整，同時，也可以按照最大概率產生確定分類結果。在建立專家決策支持系統時，建立不同尺度的分類層次，在每壹層次上分別定義對象的光譜特征、形狀特征、紋理特征和相鄰關系特征。其中，光譜特征包括均值、方差、灰度比值；形狀特征包括面積、長度、寬度、邊界長度、長寬比、形狀因子、密度、主方向、對稱性，位置，對於線狀地物包括線長、線寬、線長寬比、曲率、曲率與長度之比等，對於面狀地物包括面積、周長、緊湊度、多邊形邊數、各邊長度的方差、各邊的平均長度、最長邊的長度；紋理特征包括對象方差、面積、密度、對稱性、主方向的均值和方差等。通過定義多種特征並指定不同權重，建立分類標準，然後對影像分類。分類時先在大尺度上分出"父類"，再根據實際需要對感興趣的地物在小尺度上定義特征，分出"子類"。