數字圖像處理之前需要先進行圖像數字化：圖像數字化圖像數字化是計算機處理圖像之前的基本步驟，目的是把真實的圖像轉變成計算機能夠接受的存儲格式，數字化過程分爲採樣和量化兩個步驟。
數字圖像處理的框架大體分爲如下8個部分
1. 圖像變換
有時候，直接對圖像進行處理會遇到一些困難，爲了有效和快速地對圖像進行處理和分析，需要將原定義在圖像空間的圖像以某種形式轉換到另外的空間，利用空間的特有性質方便地進行一定的加工，最後再轉換回圖像空間以得到所需的效果。經過變換後的圖像往往更有利於特徵提取、增強、壓縮和編碼。
常用技術
1.卷積
2.梯度和Sobel導數
3.拉普拉斯變換
4.Canny算子
5.霍夫變換
6.重映射
7.幾何操作：拉伸、收縮、扭曲和旋轉
8.離散傅里葉變換（DFT）
9.離散餘弦變換（DCT）
10.哈兒變換
11斜變換
2. 形態學圖像處理
數學形態學是一門20世紀60年代發展起來的理論，用於分析和處理離散圖像。它定義了一系列運算，用預先定義的形狀元素探測圖像，從而實現圖像的轉換。這個結構元素與像素領域的相交方式決定了運算的結果。
常用技術
1.平滑處理
2.膨脹與腐蝕
3.開啓操作與閉合操作
4.檢測邊緣和角點
3. 圖像邊緣檢測
邊緣檢測的目標是標識數字圖像中亮度變化明顯的點。圖像屬性中的顯著變化通常反應了屬性的重要事件和變化，包括：（1）深度上的不連續（2）表面方向的不連續（3）物質屬性變化（4）場景照明變化。
常用技術
1.Sobel算子
2.Isotropic Sobel算子
3.Roberts算子
4.Prewitt算子
5.Laplacian算子
6.Canny算子
4. 圖像增強和復原
利用數字圖像處理技術可以將圖像中感興趣部分加以強調，對不感興趣的部分予以抑制，強調後的部分對使用者更爲清晰，甚至能給出一定的數量分析或不同顏色的表示。這種技術常稱爲圖像增強。圖像復原是通過圖像濾波實現的。
常用技術
4.1空間域法
4.1.1點運算算法
4.1.1.1灰度級校正
4.1.1.2灰度變換（又叫對比度拉伸）
4.1.1.3直方圖修正
4.1.2鄰域去噪算法。
4.1.2.1圖像平滑
4.1.2.1.1均值濾波
4.1.2.1.2中值濾波
4.1.2.1.3空域濾波
4.1.2.2銳化
4.1.2.2.1梯度算子法、
4.1.2.2.2二階導數算子法、
4.1.2.2.3高通濾波、
4.1.2.2.4掩模匹配法
4.2頻率域法
4.2.1理想低(高)通濾波器、
4.2.2巴特沃斯低(高)通濾波器、
4.2.3高斯低(高)通濾波器、
4.2.4指數濾波器
5 圖像壓縮編碼
在滿足一定保真度的要求下，對圖像數據的進行變換、編碼和壓縮,去除多餘數據減少表示數字圖像時需要的數據量，以便於圖像的存儲和傳輸。即以較少的數據量有損或無損地表示原來的像素矩陣的技術,也稱圖像編碼。
常用技術
5.1無損圖像壓縮方法
5.1.1行程長度編碼
5.1.2熵編碼法
5.1.3LZW算法
5.2有損壓縮方法
5.2.1將色彩空間化減到圖像中常用的顏色。
5.2.2色度抽樣
5.2.3變換編碼
5.2.4分形壓縮
6. 圖像分割
在計算機視覺理論中,圖像分割、特徵提取與目標識別構成了由低層到高層的三大任務.目標識別與特徵提取都以圖像分割作爲基礎 ,圖像分割結果的好壞將直接影響到後續的特徵提取與目標識別圖像分割是將圖像中有意義的特徵或區域提取出來的過程.這些特徵可以是圖像的原始特徵,如像素的灰度值、物體輪廓、顏色、反射特徵和紋理等,也可以是空間頻譜等,如直方圖特徵.圖像分割的目的是把圖像劃分成若干互不相交的區域,使各區域具有一致性,而相鄰區域間的屬性特徵有明顯的差別
常用技術
6.1基於區域的圖像分割
6.2基於邊緣的圖像分割
6.3邊緣與區域相結合的圖像分割
6.4基於數學形態學的圖像分割
6.5基於模糊理論的圖像分割
6.6基於神經網絡的圖像分割
6.7基於支持向量機的圖像分割
6.8基於圖論的圖像分割
6.9基於免疫算法的圖像分割
6.10基於粒度計算理論的圖像分割
7. 圖像特徵提取與匹配
常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關係特徵
常用技術
7.1顏色特徵
7.1.1顏色直方圖
7.1.2顏色集
7.1.3顏色矩
7.1.4顏色聚合向量
7.2紋理特徵
7.2.1灰度共生矩陣
7.2.2幾何法
7.2.3模型法
7.2.4信號處理法
7.3形狀特徵
7.3.1邊界特徵法
7.3.2傅里葉形狀描述符法
7.3.3幾何參數法
7.4空間關係特徵
7.4.1基於模型的姿態估計方法
7.4.2基於學習的姿態估計方法
8. 圖像分類（識別）
根據各自在圖像信息中所反映的不同特徵，把不同類別的目標區分開來的圖像處理方法
常用技術
8.1模版比對:關係結構匹配、特定理論工具的匹配、基於灰度信息匹配、基於亞像元匹配、基於內容特徵匹配
8.2統計模式識別方法：判別函數法，k近鄰分類法，非線性映射法，特徵分析法，主因子分析法
8.3人工神經網絡模式識別:人工神經網絡區別於其他識別方法的最大特點是它對待識別的對象不要求有太多的分析與瞭解，具有一定的智能化處理的特點
8.4句法結構模式識別：又稱結構方法或語言學方法。其基本思想是把一個模式描述爲較簡單的子模式的組合，子模式又可描述爲更簡單的子模式的組合，最終得到一個樹形的結構描述，在底層的最簡單的子模式稱爲模式基元