影像分析的人工处理会有：主观性高、重复性低、定量及信息利用度不足、耗时及劳动强度和知识经验的传承困难等问题。而人工智能可以无休眠的工作，且不会受到外界因素的干扰，能够时刻保持高效的工作状态，并在影像分析的精度和速度上体现出巨大优势。

影像数字化的唯一目的是，可以使用人工智能对某一领域的某一类数量巨大的、有关联性的影像资料进行数字数据化分析 ，让其提供高效的计算和精准的分析与决策的方向性选择。由于人工智能是可以提取影像蕴含的肉眼难以感知的高维度信息，通过在影像数据中的进行深入挖掘，将建立起从高纬度量化信息到应用结果的数学关系，进而能够将影像的分析从判断进一步扩展到决策方案的提出和执行结果的预测等。因此，可以更加准确地对于正在发生事件的决断，以达到事件处理的最佳效果。影像数字化主要包括四个内容：

• 建立机器训练学习模型；
• 建立各类影像分析规则（库）；
• 利用识别分析技术手段，进行图像模拟度判定；
• 建立影像分析特征的语义集，提供标准术语进行结果表述。

与此同时，需要对影像数字化所获取的数据进行深度挖掘，而从数据形式和相关技术上说，大致可以划分为结构数据挖掘和非结构数据挖掘：

• 结构数据挖掘是:基于结构化的数据基础上的知识发现，例如我们常见的关系型数据，包括数值型数据、字符型数据、日期型数据等等，应用相关的数据挖掘技术对这些关系型数据开展分析。
• 非结构数据挖掘是:基于非结构化的数据基础上的知识发现，例如我们常见的自然语言文本数据、各种图像数据、各种音频数据等等，基于这些类型的数据开展数据挖掘分析。

最为复杂的是非结构数据，它有如下几个主要特点：

• 影像数据一般具有相对的含义，而结构化数据一般具有绝对的含义。
• 影像内容的理解具有主观性的特点，对影像信息可以有多种不同理解，并依赖于影像表示方法和应用领域专业知识。
• 影像信息中包含影像数据对象的空间关系信息。

从目前的影像数据挖掘技术的现状来说，原始影像一般还不能直接用于影像数据挖掘分析，必须进行预处理，以生成可用于高层次挖掘的影像特征库。影像数据挖掘的一般流程通常包括影像的存储、影像的预处理、影像的搜索、影像的挖掘和展示等步骤。