高光谱遥感图像分类是一种用于识别图像中不同土地覆盖类型的方法，它根据像元的光谱和空间特性，将每个像元或匀质区域唯一归属到特定的类别，并给予对应标签。此过程通常用于环境监测、资源管理、农业分析等领域，以提供精确的地理信息。

与其他高光谱图像处理方法相比，高光谱图像分类侧重于识别图像中具体存在什么内容，如海水、树木、混凝土或土壤等。例如，将高光谱图像分为五类地物，分类图能明确回答图像中存在哪些物体。与此不同，高光谱目标识别更关注于确认图像中是否存在特定目标，如海水是否存在。识别后的分割图则能明确指示目标是否存在，如通过白色表示有目标，黑色表示无目标。

高光谱混合像元分解则关注于识别图像中的每种物质是由哪些成分组成的，以及各成分所占的比例。通过这种方法，可以解析图像中复杂的物质组合，提供更详细的地理信息。

与计算机视觉的图像分类相比，后者更关注于识别图像中不同的特征和目标，而并不关注每个像素的内容和位置。高光谱遥感图像分类则更类似语义分割，不仅识别图像中存在的内容，还关注其准确位置。

高光谱遥感图像分类的基本步骤包括确定类别、特征选择、分类计算和结果验证。首先，根据应用需求和图像特征确定分类类别数量。其次，选择用于区分不同类别的特征。接着，采用适当的分类方法和准则对每个像素进行分类。最后，对分类结果进行验证和精度评估。

在高光谱遥感图像分类过程中，光谱可分性和空谱结合是其独特之处。光谱可分性允许从地物的光谱特性来确定类别，高光谱图像的高光谱分辨率和多波段特性使得更好地结合地物光谱机理模型进行分类成为可能。例如，利用ECOSTRESS光谱库与图像特征光谱确定地物类别。空谱结合则通过结合光谱维度和空间维度，如整体光谱、波形、特定波段、波段组合、光谱参数以及几何特征（分形、小波、频率特征）等，提供更灵活的特征空间选择。

随着深度学习神经网络的兴起，特征选择方法发生了显著变化，从人工设计转向数据驱动的自动生成特征空间，并能够充分结合空间-光谱联合特征。采用PCA进行特征选择，选择具有独特特征的光谱带。分割图像块时，既包含光谱特征，也包含相邻像素的空间特征。设计深度神经网络自动提取多层次特征。此外，基于地物光谱特征构建分类函数，利用光谱库和匹配算法进行分类。

在实际应用中，可利用Matlab进行高光谱遥感数据处理与混合像元分解实践。通过Matlab提供的工具和函数，如Classify Hyperspectral Image Using Library Signatures and SAM示例，可以实现基于光谱库和匹配算法的分类。最低得分标准是一种常用的分类准则，通过比较像素光谱与光谱库中地物光谱的匹配分数进行分类。Matlab还提供分类学习器和深度学习设计器，用于图像分类特征提取、判别函数学习及分类精度评估。