Las métricas de distancia/correlación han surgido como una herramienta robusta y simplificada para evaluar las características espectrales de los píxeles de imágenes hiperespectrales y categorizar efectivamente la vegetación dentro de un área de estudio específica. Los métodos de correlación proporcionan un enfoque fácilmente desplegable y computacionalmente eficiente, lo que los hace particularmente ventajosos para aplicaciones en países en desarrollo o regiones con recursos limitados. Este artículo presenta una investigación comparativa de métricas de correlación/distancia para la identificación de píxeles de vegetación en imágenes hiperespectrales. El estudio facilita una evaluación integral de cinco métricas de distancia y/o correlación, a saber, correlación directa, similitud coseno, distancia euclidiana normalizada, distancia de Bray-Curtis y correlación de Pearson. La correlación directa y la correlación de Pearson surgieron como las dos métricas que demostraron la mayor precisión en la identificación de píxeles de vegetación. Utilizando las metodologías seleccionadas, se implementó y validó un algoritmo de detección de vegetación utilizando una imagen hiperespectral del barrio Manga en Cartagena de Indias, Colombia. La biblioteca espectral facilitó el procesamiento de imágenes, mientras que el cálculo matemático de correlaciones se realizó utilizando las bibliotecas numpy y scipy en el lenguaje de programación Python. Tanto el enfoque adoptado en este estudio como el algoritmo implementado tienen como objetivo servir como un punto de referencia para llevar a cabo estudios de detección sobre diversos tipos de materiales en imágenes hiperespectrales utilizando plataformas de programación de acceso abierto.