Las imágenes digitales juegan un papel particular en una amplia gama de sistemas. El procesamiento, almacenamiento y transferencia de imágenes a través de redes requieren mucha memoria, tiempo y tráfico. Además, se requiere una protección adecuada en caso de datos confidenciales. La compresión atómica discreta (DAC) es un enfoque que proporciona compresión de imagen y cifrado simultáneamente. Tiene dos modos de procesamiento: sin pérdida y con pérdida. Este último asegura una mayor relación de compresión en combinación con una pérdida de calidad inevitable que puede afectar al análisis de la imagen descomprimida, en particular, a la clasificación. En este documento, exploramos el impacto de las distorsiones producidas por DAC en el rendimiento de varios clasificadores de última generación basados en redes neuronales convolucionales (CNN). Se consideran los modos clásico, de división de bloques y de submuestreo de croma de DAC. Se muestra que cada uno de ellos produce un efecto bastante pequeño en los modelos MobileNetV2, VGG16, VGG19, ResNet50, NASNetMobile y NASNetLarge. Esta investigación demuestra que, utilizando el enfoque DAC, los gastos de memoria pueden reducirse sin una degradación significativa del rendimiento de los clasificadores basados en CNN mencionados anteriormente.