遥感图像的计算机自动分类主要通过以下几种方法实现：
基于光谱的计算机分类
监督分类：利用已知类别的样本像元去识别其他未知类别像元。在分类之前，通过目视判读和野外调查获取某些样区中地物的类别属性，并选取一定数量的训练样本，计算每种训练样区的统计或其他信息，用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
非监督分类：在没有先验类别（训练场地）作为样本的条件下，根据像元间相似度的大小进行归类合并。这种方法不需要对被研究的地区有事先的了解，在时间和成本上较为节省，但精度通常不如监督分类。
基于专家知识的决策树分类
利用专家知识构建决策树，通过一系列的问题对数据进行分类。这种方法依赖于领域专家的知识，能够有效地处理具有复杂结构的数据。
面向对象图像分类
将图像分割成多个对象，每个对象具有相似的特征，然后对这些对象进行分类。这种方法能够充分利用图像的空间信息，提高分类的精度和效率。
深度学习图像分类
利用神经网络，尤其是卷积神经网络（CNN）对遥感图像进行分类。深度学习模型能够自动学习图像的层次特征，适用于处理大规模和高维度的遥感图像数据。
其他方法
包括支持向量机（SVM）分类、K-means聚类算法结合SVM的方法等。这些方法通过不同的算法和策略对遥感图像进行分类，各有优缺点，适用于不同的应用场景。
建议
在实际应用中，选择合适的遥感图像分类方法需要综合考虑以下因素：
数据特性：包括图像的光谱信息、空间分辨率、纹理特征等。
分类目的：明确分类的目标和需求，如土地利用分类、植被类型分类等。
计算资源：考虑计算能力和成本限制。
精度要求：根据具体应用对分类精度的要求选择合适的方法。
通过综合应用上述方法，可以实现对遥感图像的高效、准确分类。