Cyfrowe przetwarzanie obrazu polega na wykorzystaniu informacji numerycznych na obrazach, aby były one bardziej odpowiednie do interpretacji wizualnej i przetwarzania cyfrowego. Techniki i podejścia do przetwarzania obrazu są dobrze ugruntowane ze względu na łatwy dostęp i dostępność potężnych systemów komputerowych, urządzeń pamięci masowej, oprogramowania itp. Jednak pomimo licznych postępów w technologii obrazowania obrazy optyczne rejestrowane przez bardzo czułe czujniki często wymagają zaawansowanego przetwarzania techniki do zbadania . Cyfrowe przetwarzanie obrazów satelitarnych jest jedną z podstawowych czynności w obszarach zastosowań RS, takich jak rolnictwo, leśnictwo, ekologia, zarządzanie katastrofami i tak dalej. Niemniej jednak przetwarzanie obrazu staje się skomplikowane ze względu na ogromne rozmiary obrazów RS. Pomimo złożoności aplikacji, niektóre podstawowe techniki są powszechne w aplikacjach wykrywających RS . Klasyfikacja danych RS stała się podstawowym i uniwersalnym narzędziem monitorowania zasobów środowiska i zasobów naturalnych w ciągu ostatnich kilkudziesięciu lat. Typowy system klasyfikacji tworzony jest w oparciu o rozdzielczość spektralno-przestrzenną danych RS, wybór algorytmów przetwarzania obrazu i klasyfikacji, kryteria klasyfikacji użytkownika oraz ograniczenia czasowe. Wystarczająca liczba próbek prawdy podstawowej w odniesieniu do każdej z interesujących nas klas ma krytyczne znaczenie dla klasyfikacji RS . Próbki uczące są w większości generowane na podstawie piksela, aby zmniejszyć nadmiarowość i autokorelację między docelowymi klasami . Jednak trudno jest zbierać próbki uczące, gdy scena jest bardzo złożona i niejednorodna, dlatego wybór próbek prawdy podstawowej musi uwzględniać rozdzielczość przestrzenną i spektralną wykorzystywanych danych RS, łatwość użycia danych referencyjnych naziemnych oraz złożoność. terenu i krajobrazów na badanym obszarze . Analizę danych RS przeprowadza się przy użyciu różnych technik przetwarzania obrazu. Większość z tych procesów obejmuje identyfikację i odtwarzanie wadliwych linii, korekcję geometryczną lub georeferencję, korekcję radiometrii obrazu oraz korekcję błędów wywołanych przez parametry atmosferyczne i topograficzne. Korekta atmosferyczna nie jest wymagana, gdy korzystamy z jednodatowych danych RS , ale jest obowiązkowa, jeśli badanie wymaga danych wieloczasowych lub wieloczujnikowych. Doniesiono o ogromnej liczbie metod wstępnego przetwarzania obrazów do korekcji i normalizacji błędów radiometrycznych i atmosferycznych. Rektyfikacja topograficzna to kolejna ważna kwestia, jeśli badany obszar znajduje się na terenie pagórkowatym. Konwencjonalne popularne klasyfikatory „twarde” często wiążą się z problemem spowodowanym mieszaniem pikseli . Mają one znaczną złożoność w radzeniu sobie z obrazami wielowymiarowymi o większej wariancji treści; okazują się niespójne pod względem zdolności przewidywania i nie identyfikują obiektu zainteresowania. Zgłoszono poważną słabość tradycyjnych klasyfikatorów. Klasyfikatory nieparametryczne oparte na ML są traktowane jako najbardziej odpowiednie podejścia w RS do klasyfikacji danych wieloźródłowych. Istnieje wiele problemów i wyzwań związanych z przetwarzaniem hiperspektralnego obrazu RS w porównaniu z wielospektralnym obrazem RS, ponieważ obrazy hiperspektralne mają ogromną liczbę pasm widmowych zawierających ogromne ilości informacji. Wymaga bardziej wyrafinowanych technik, aby uniknąć zjawiska Hughesa, a także zminimalizować złożoność obliczeniową wywołaną wyższym wymiarem widmowym obrazów hiperspektralnych. Identyfikacja nadmiarowych i zaszumionych pasm jest bardzo istotna, a wybór odpowiednich i nieskorelowanych pasm widmowych jest jednym z głównych zadań podczas fazy przetwarzania wstępnego. Wybór odpowiedniego zestawu cech lub atrybutów był istotny dla uzyskania wyższej dokładności klasyfikacji. Jak donosi obszernie w literaturze, eliminacja niepotrzebnych lub zaszumionych pasm jest kluczem do uzyskania ulepszonego podejścia do klasyfikacji; jednak proces ten może pogorszyć wynik klasyfikacji. Wiele źródeł sugeruje zaawansowane techniki w celu radzenia sobie ze zjawiskami Hughesa, ale nadal jest to ważna kwestia, której nie można przeoczyć podczas klasyfikacji. Wybór odpowiednich pasm do kilku zastosowań wymaga szczególnego rozważenia; jest to jednak zasadnicza kwestia w przetwarzaniu obrazów hiperspektralnych. Zwykle obszar zainteresowania zawiera jedną lub więcej podobnych spektralnie cech, które są trudne do zdefiniowania za pomocą pojedynczej funkcji gęstości Gaussa, stąd większość udanych klasyfikatorów wielospektralnych nie osiąga dobrej dokładności. Przetwarzanie ogromnej liczby pasm hiperspektralnych wpływa również na wydajność obliczeniową systemu klasyfikacji, co może prowadzić do niespójności wyników w wielu zastosowaniach