Konenäköjärjestelmän input data voi olla videokuvaa tai tyypillisesti yksittäisiä kuvia. Kuvat voivat yhden kameran sijasta olla myös kahdella tai useammalla kameralla otettuja stereokuvia. Muistiin kaapatun kuvan käsittely voi tapahtua joko täysin tietokoneen muistissa tai osittain myös kaappauskortin omassa muistissa. Joissain kehittyneissä korteissa on oma prosessorinsa, jolla voi tehdä nopeasti yleisimpiä kuvankäsittelyoperaatioita kuten suodatusta, rajausta tai koon muutoksia. Kuvankäsittely tapahtuu kuitenkin yleensä pääasiallisesti ohjelmallisesti. Kuvankäsittelyllä kuvasta etsitään järjestelmän toiminnan kannalta oleellista informaatiota. Tämä vaihe voidaan jakaa karkeasti kolmeen eri osavaiheeseen.