Tradycyjnie przetwarzanie obrazu to proces ulepszania obrazu lub wydobywania znaczących informacji. Koncentruje się bardziej na rozwoju technik ekstrakcji cech stosowanych do statystycznej klasyfikacji obrazów wizualnych. Wraz z szybkim rozwojem technologii informatycznych rośnie stopniowo zapotrzebowanie na technologię przetwarzania obrazu, co daje podstawę do obsługi różnych aplikacji przetwarzania obrazu. Większość technik przetwarzania obrazu opiera się na teorii matematycznej i statystycznej. Przetwarzanie obrazu można traktować jako proces obliczeniowy charakteryzujący się zestawem algorytmów wykorzystywanych do przetwarzania surowych obrazów otrzymywanych z czujników kosmicznych lub powietrznych, a nawet zdjęć wykonanych za pomocą smartfonów. Przetwarzanie obrazu ma szeroki zakres zastosowań w dziedzinie elektroniki i telekomunikacji, nauk medycznych, teledetekcji (RS), biotechnologii, robotyki itp. Naukowcy próbowali opracować techniki analizy obrazu tak skuteczne, jak dla wielu ludzi system wizyjny. dekady. Do tej pory opracowano i opracowano wiele algorytmów i technik, które obejmują różne etapy technik przetwarzania i rozpoznawania obrazów. W szczególności technologia RS okazała się bardzo ważnym i szeroko rozpowszechnionym instrumentem w agencjach rządowych i branżach służącym do zarządzania zasobami naturalnymi i działań monitorujących. Obszar ten wzbudził duże zainteresowanie badaczy postępem technik przetwarzania obrazu. Postęp w technologii czujników i konstelacji satelitów obserwujących Ziemię na całym świecie dał ogromne możliwości w modelowaniu powierzchni Ziemi w celu skutecznego wykrywania zmian i monitorowania. Dostępność obrazów RS o wysokiej rozdzielczości przyniosła nowe wyzwania i możliwości w zakresie rozwoju zaawansowanych technik przetwarzania obrazów do monitorowania i wykrywania zmian. Pozwala władzom na monitorowanie i wykrywanie zmian w dynamice krajobrazu, w tym na obszarach ogólnie niedostępnych lub niebezpiecznych. W terminologii ML klasyfikację można zdefiniować jako problem identyfikacji nowej obserwacji do zbioru predefiniowanych obserwacji na podstawie zbioru uczących zbiorów danych. Aktualna literatura ujawniła niezwykły potencjał technik opartych na sztucznej inteligencji w obszarze przetwarzania obrazów RS. Wcześniej powszechnie uznane konwencjonalne techniki i modele zostały zdominowane przez lepsze metody obróbki wstępnej i klasyfikacji. Rosnący profil technik uczenia maszynowego i głębokiego uczenia (DL) zwrócił dużą uwagę na rozwiązywanie szerokiego zakresu zadań pojawiających się w przetwarzaniu i klasyfikacji obrazów, wykrywaniu obiektów i segmentacji obrazów. Techniki klasyfikacji oparte na ML, głównie losowy las (RF), sztuczna sieć neuronowa (ANN), maszyna wektorów nośnych (SVM) i oparte na rozmytym uczeniu adaptacyjnym, zdominowały inne konwencjonalne klasyfikatory w klasyfikacji teledetekcyjnej. Mają ogromny potencjał w klasyfikowaniu danych VHR, ponieważ biorą pod uwagę zarówno spektralne, jak i przestrzenne cechy morfologiczne obrazu do predykcji. Obecnie podejścia do klasyfikacji zespołowej okazały się bardzo skuteczne w zastosowaniach do wykrywania wzorców i obiektów, ponieważ metoda zespołowa wykorzystuje zestaw klasyfikatorów bazowych, aby osiągnąć wyższą zdolność predykcyjną niż konwencjonalny klasyfikator. W niniejszym rozdziale przedstawiono zagadnienia i wyzwania technik przetwarzania obrazu w odniesieniu do klasyfikacji zbiorów danych VHR RS. Przedstawiono studium przypadku dotyczące klasyfikacji obrazów z czujnika hiperspektralnego Airborne ROSIS-3 przy użyciu podejścia opartego na ML. Przedstawiono uwagi końcowe w kierunku klasyfikacji danych VHR RS przy użyciu technik DL.