递归神经网络：一种具有循环连接的神经网络模型，能够记忆先前的输入并与当前输入结合。递归神经网络特别适合处理时序数据和自然语言处理等任务，因为它具备处理长期依赖性的能力。 卷积神经网络：专门用于处理图像数据的神经网络模型，通过卷积层自动学习图像特征，如边缘和纹理。
模型需要能够识别和分类对象和特征，而不管它们在图像中的位置如何。总体而言，CNN在广泛的任务上取得了成功，因为它们能够自动从数据中学习特征，并且因为它们能够在整个输入中使用共享权重和偏差来有效地处理数据。这使它们成为涉及处理和分析具有网格状结构的数据（如图像）的任务的强大工具。
RNN它们都可以处理有序列的问题，比如时间序列等且RNN有“记忆”能力，可以“模拟”数据间的依赖关系。卷积网络的精髓就是适合处理结构化数据。
促进图像处理技术的发展； 4）加强理论研究，逐步形成处理科学自身的理论体系； 5）时刻注意图像处理领域的标准化问题。
图像处理的作用是突出图像中对机器视觉系统而言需要的特征，而减少不需要的特征，并不考虑图像是否降质。图像处理不是目的，而是为了机器视觉系统进一步的决策做准备。
增强的首要目标是处理图象，使其比原始图象更适合特定应用。通过直方图均衡化技术来实现图像增强，首先就是对原图像通过离散函数进行直方图处理。得到原图像的直方图后，根据均衡化的变换函数通过计算得到所需要的增强效果的图像的直方图。阐述和分析了图像增强的点处理、空间域滤波、频域滤波、代数运算。
因此在图像分析和处理之前需要进行遥感原始影像的预处理。遥感图像预处理又被称作图像纠正和重建，包括辐射校正、几何纠正等。目的是纠正原始图像中的几何与辐射变形，即通过对图像获取过程中产生的变形、扭曲，模糊和噪音的纠正，以得到一个尽可以在几何和辐射上真实的图像。
综上所述，遥感数字图像处理和数字图像处理有一定的区别和联系。遥感数字图像处理专注于遥感数据的特殊性和遥感应用领域，而数字图像处理更加通用，并可为遥感数字图像处理提供方法和技术支持。
数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。
处理方法：不同领域的图像处理方法也有所不同。
遥感图像处理可分为两类：一是为光学处理；二是遥感数字图像处理。遥感数字图像处理离不开计算机，因此又称为计算机图像处理。遥感数字图像处理，根据抽象程度不同可分为三个层次：狭义的图像处理、图像分析和图像解译。狭义的图像处理着重强调在图像之间进行变换。
数字图像处理与分析：学习数字图像处理的基本原理和方法，包括图像增强、滤波、特征提取、分类等，为遥感数据的处理提供基础。 遥感数据处理与解译：学习遥感数据的获取、处理和解译技术，包括图像预处理、分类与识别、变化检测等，掌握遥感数据的分析与应用能力。
