植被覆蓋度特征提取可以定量地提取光譜特征、空間（幾何）特征和紋理特征等，包括多光譜圖像和波段間運算及不同時期觀測的圖像間的運算，其結果仍可形成圖像。
光譜特征提取包括顏色及灰度或波段間的亮度比等目標物的光譜特征，它對應於每壹個像元，但與像元的排列等空間結構無關，植被指數分析和主成分分析法就屬於此類。
遙感圖像上的植被信息，主要通過綠色植物葉子光譜特征的差異及動態變化而反映出來。不同光譜通道的信息可以與植被的不同要素或狀態有各種不同的相關性，因而將遙感數據進行處理分析，從而得到植被指數，往往可以得到更好的植被信息。
所謂植被指數就是由多光譜數據，經線性和非線性組合構成的對植被有壹定指示意義的各種數值。由於近紅外波段是葉子健康狀況最靈敏的標誌，它對植被差異及植物長勢反映敏感，指示著植物光合作用能否正常運行。可見光紅波段被植物葉綠素強吸收，進行光合作用制造幹物質，它是光合作用的代表波段，因此通常利用植物光譜中的近紅外和可見光紅波段兩個最典型的波段值建立植被指數模型（李建龍等，1997），以便於植物專題研究，綠色植物的遙感監測以及生物量的估算，且在壹定程度上有助於減少外界因素（如太陽高度角、大氣狀態和非像底觀測）帶來的數據誤差。目前常用的植被指數模式有：
1.規壹化植被指數（NVI-Normalized Vegetation Index）
又稱標準化植被指數，定義為近紅外波段與可見光紅波段數值之差與這兩個波段數值之和的比值，即 NVI=（NIR-R）/（NIR+R）。在TM圖像中IR為4波段，R為3波段。
規壹化植被指數是植物生長狀況及植物空間分布密度的最佳指示因子，與植物分布密度呈線性相關。實驗證明：NVI 對土壤背景的變化較為敏感，當植被蓋度小於15%時，數值高於裸土的NVI值；而植被蓋度由25%增加到80%時，NVI隨植被量呈線性增加；當植被覆蓋度大於80%時，NVI對植被檢測靈敏度下降。因此，NVI很適合於早、中期發展階段或低覆蓋度植被的檢測。
2.比值植被指數（RVI-Ratio Vegetation Index）
比值植被指數是指近紅外波段與可見光波段數值的比值，即RVI=NIR/R。RVI與葉面積指數、葉幹生物量、葉綠素含量相關最好。當植被覆蓋度小於50%時，RVI不能很好地識別植物密度差異。但在高覆蓋度下，RVI變得對植被十分敏感，與生物量的相關性最好。因而RVI更適合於植被發展高度旺盛、具有高覆蓋度的植被檢測中（Jackson等，1983）。RVI對大氣狀況極為敏感，尤其在RVI值高時，其影響相當顯著，因此最好運用經大氣校正的數據（陳述彭等，1990）。
3.差值植被指數（DVI-Difference Vegetation Index）
又稱環境植被指數（EVI-Environmental Vegetation Index），農業植被指數（AVI Agricultural Vegetation Index）、作物植被指數（CVI-Crop Vegetation Index），是指近紅外波段與可見光紅波段數據的差值，即DVI=NIR-R。
DVI對土壤背景的變化較RVI要敏感。植被覆蓋度為15%～25%時，它隨植被量的增加而迅速增大。當植被覆蓋度達80%時，它對植被的靈敏度有所下降。DVI在植被遙感中應用較為普遍。
4.正交植被指數（PVI-Perpendicular Vegetation Index）
由於土壤光譜線的存在，NVI及DVI均受背景值影響，為了削減和減輕土壤背景值對植物光譜的影響，而 PVI 可以將地形和土壤的影響縮小到最小。其公式（梅安新等，2001）為：
PVI=0.939（NIR）-0.344（R）+0.09
總之，對於多波段數據可以進行各種簡單的運算，三波段的加法可以進行彩色合成，二波段的減法可以削去背景影響，關鍵在於這種運算能突出需要的現象。
分別利用上述5種方法對圖像進行處理並將它們與原始圖像按不同的組合進行彩色顯示，經過篩選、比較，優化的彩色顯示組合為（PVI，3，7）（各波段相應組合為紅、綠、藍），本書中主要利用這壹組合顯示的圖像。