對於每幅圖像，可以制作其灰度直方圖。根據直方圖的形態學，可以大致推斷出圖像質量。由於圖像包含大量的像素，像素灰度值的分布應符合概率統計規律。假設像素的灰度值是隨機分布的，那麽它的直方圖應該是正態分布的。圖像的灰度值是壹個離散變量，所以直方圖代表壹個離散的概率分布。如果壹幅圖像的直方圖是以每壹灰度級的像素數與總像素數的比值為縱坐標制作的，將直方圖中每壹條的最高點連成壹條外輪廓線，縱坐標的比值就是某壹灰度級的概率密度，輪廓線可以近似看作圖像對應的連續函數的概率分布曲線。壹般來說，如果壹幅圖像的直方圖輪廓更接近正態分布，說明圖像的亮度接近隨機分布，適合進行統計處理，這樣的圖像壹般對比度適中；如果直方圖的峰值位置偏向灰度值大的壹側，圖像更亮；如果峰值位置偏向灰度值小的壹側，則圖像較暗；如果峰值變化太陡、太窄，說明圖像灰度值太集中，後三種情況都存在對比度小、質量差的問題。直方圖分析是圖像分析的基本方法，有目的地改變直方圖形狀可以提高圖像質量。
2.鄰域法
對於圖像中的任意壹個像素(I，j)，像素{i+p，j+p}(j，p為任意整數)的集合稱為該像素的鄰域，常見的鄰域如圖所示，分別代表中心像素的4鄰域和8鄰域。
在圖像處理的過程中，壹個像素的處理值g(i，j)是由處理前的像素f(i，I)的小鄰域N(i，j)中的像素值決定的，稱為局部處理或鄰域處理。在壹般的圖像處理中，可以根據不同的計算目的設計不同的鄰域分析函數。
3.卷積法
卷積運算是在空間域中對圖像進行鄰域檢測的運算。選擇壹個卷積函數，也叫“模板”，其實就是M×N的小圖像，比如3×3、5×7、7×7等。利用模板實現圖像的卷積運算。模板操作方法如圖所示。選擇大小為M×N的運算模板φ(m，N)，從左上角開始在圖像上打開壹個與模板大小相同的活動窗口f(m，N)，使圖像窗口與模板像素的灰度值對應相乘相加。將計算結果g(m，n)作為窗口中心像素的新灰度值。模板運算的公式如下(如果模板之和為0，則除以1):
4.頻域增強方法
在圖像中，像素的灰度值隨位置變化的頻率可以用頻率來表示，頻率是隨位置變化的空間頻率。對於邊緣、線條、噪聲等特征，如河湖邊界、道路、地表覆蓋差異較大的邊界，具有較高的空間頻率，即在較短的像素距離內灰度值變化的頻率較大；而均勻分布的地物或大面積的穩定結構，如植被類型壹致的平原、大面積的沙漠、海面等，空間頻率較低，即灰度值在較長的像素距離內逐漸變化。比如在頻域增強技術中，平滑主要保留圖像的低頻部分，抑制高頻部分，而銳化保留圖像的高頻部分，弱化低頻部分。
5.圖像操作方法
對於空間配準的多光譜遙感圖像和兩個或兩個以上的單波段遙感圖像，可以進行壹系列代數運算來達到某種增強目的。這類似於傳統的空間疊加分析，具體運算有加法運算、差分運算、比值運算、復合指數運算等等。
6.無監督分類方法
它是指人們事先對分類過程沒有任何先驗知識，只是根據遙感圖像光譜特征的分布規律自然地對地物進行分類。其分類的結果只是區分不同的類別，而不是確定類別屬性。在分析了各種類別的光譜曲線並與實地調查進行比較後，確定了類別屬性。
遙感影像中的相似地物，在相同的地表結構特征、植被覆蓋度、光照等條件下，壹般具有相同或相似的光譜特征，從而表現出某種內在的相似性，屬於同壹光譜空間區域；不同的地物具有不同的光譜信息特征，屬於不同的光譜空間區域。這是無監督分類的理論基礎。因為在復雜的圖像中，訓練區域有時無法包含所有地面物體的光譜模式，導致壹些像素無法找到它們的歸屬。在實際工作中，監督分類的類別和訓練區域的選擇並不容易確定，因此在分析圖像時，用非監督分類方法研究數據的原始結構和自然點群的分布是非常有價值的。
無監督分類主要采用聚類分析的方法，使屬於同壹類別的像素之間的距離盡可能小，不同類別的像素之間的距離盡可能大。在聚類分析中，首先要確定基準類別的參數。而無監督分類中沒有基準類別的先驗知識，只能通過預分類處理來假設初始參數，形成聚類。然後利用聚類的統計參數調整預設參數，再進行聚類和調整。如此叠代，直到相關參數達到允許範圍。
7.監督分類
與非監督分類不同，監督分類最基本的特征是人們在分類前對遙感圖像上某些采樣區域的圖像特征的分類屬性有先驗知識，即首先要從圖像中選取所有待區分的各類特征樣本來訓練分類器(建立判別函數)。這裏的先驗知識可以來自於實地調查，也可以參考其他相關的文字資料或地圖或者直接是圖像處理者的經驗。在訓練區，詳細確定各波段各類地物的灰度值，從而確定特征參數，建立判別函數。監督分類壹般是在圖像中選擇壹個有代表性的區域作為訓練區域，從訓練區域中得到每壹類的統計數據，然後根據這些統計數據對整幅圖像進行分類，既可以使用概率判別函數，也可以使用距離判別函數。
8.圖像分割方法
它是數字圖像處理的關鍵技術之壹。圖像分割是從圖像中提取有意義的特征，其有意義的特征包括圖像中的邊緣和區域，是進壹步圖像識別、分析和理解的基礎。雖然已經發展了許多邊緣提取和區域分割的方法，但是還沒有壹種有效的方法可以普遍適用於所有類型的圖像。因此，對圖像分割的研究有待深入。