面向对象的光学遥感影像特征提取与分类研究
遥感影像的深度学习分类研究
遥感影像的深度学习分类研究在当今科技飞速发展的时代，遥感技术已经成为我们获取地球表面信息的重要手段。
而在遥感领域中，对遥感影像的分类则是一项关键任务，它对于土地利用规划、环境监测、城市发展研究等众多领域都具有重要意义。
随着深度学习技术的兴起，其在遥感影像分类中展现出了巨大的潜力。
遥感影像，简单来说，就是通过卫星、飞机等遥感平台获取的地球表面的图像。
这些影像包含了丰富的信息，如地形、地貌、植被、建筑物等。
然而，要从这些复杂的影像中准确地提取出有价值的信息并进行分类，并非易事。
传统的遥感影像分类方法主要依赖于人工特征提取和基于规则的分类算法，但这些方法往往存在效率低下、精度不高等问题。
深度学习，作为一种强大的机器学习技术，能够自动从数据中学习特征，避免了繁琐的人工特征提取过程。
在遥感影像分类中，常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）等。
这些模型能够对影像中的空间信息和上下文信息进行有效的捕捉和分析，从而提高分类的准确性。
以卷积神经网络为例，它通过卷积层、池化层和全连接层的组合，能够自动学习影像中的特征。
卷积层用于提取局部特征，池化层用于降低特征维度，全连接层则用于进行最终的分类。
在处理遥感影像时，由于影像通常具有较大的尺寸和较高的分辨率，因此需要对模型进行适当的调整和优化，例如使用更大的卷积核、更深的网络结构等。
然而，将深度学习应用于遥感影像分类也面临着一些挑战。
首先，遥感影像的数据量通常非常庞大，如何有效地进行数据预处理和数据增强，以提高数据的质量和多样性，是一个重要的问题。
其次，由于遥感影像的复杂性和多样性，模型可能会出现过拟合或欠拟合的情况，需要通过合理的正则化技术和模型选择方法来解决。
此外，深度学习模型的训练需要大量的计算资源和时间，如何提高训练效率也是一个需要关注的问题。
为了解决这些问题，研究人员们进行了大量的探索和实践。
在数据预处理方面，常用的方法包括图像裁剪、旋转、翻转、色彩变换等，以增加数据的多样性。
遥感影像处理中的分类与目标提取方法
遥感影像处理中的分类与目标提取方法遥感影像处理是利用遥感技术获取的遥感影像数据进行分析、处理和应用的过程。
在遥感影像处理中，分类和目标提取是非常重要的步骤。
分类是将遥感影像中的像素或区域划分到不同的类别中，而目标提取则是从遥感影像中提取出感兴趣的目标对象。
一、分类方法1.1 基于像素的分类方法基于像素的分类方法是将遥感影像中的每一个像素点都进行分类，常见的分类方法包括最大似然分类、支持向量机和随机森林等。
这些方法通过对每个像素的特征进行分析，将其划分到最适合的类别中。
1.2 基于目标的分类方法与基于像素的分类方法不同，基于目标的分类方法将遥感影像中的目标对象作为分类的基本单元。
例如，在城市遥感影像中，目标可以是建筑物、道路或植被等。
这种方法首先对目标进行提取，然后通过对提取的目标进行特征分析和分类。
二、目标提取方法2.1 基于形状特征的目标提取方法基于形状特征的目标提取方法主要是通过对目标的形状进行分析和比较来提取目标。
例如，可以使用边缘检测算法来提取目标的轮廓，然后通过对轮廓的形状进行分析和比较。
这种方法适用于目标具有明显边界和规则形状的情况，如建筑物和道路等。
2.2 基于纹理特征的目标提取方法基于纹理特征的目标提取方法通过对目标的表面纹理进行分析和比较来提取目标。
例如，可以使用纹理特征提取算法来提取目标的纹理特征，然后通过对纹理特征的分析和比较来判断目标。
这种方法适用于目标具有特殊的纹理特征的情况，如森林和农田等。
2.3 基于深度学习的目标提取方法近年来，随着深度学习的发展，基于深度学习的目标提取方法在遥感影像处理中得到了广泛的应用。
深度学习通过构建深度神经网络模型，可以从遥感影像中学习到更高级别的特征表示，从而实现更准确的目标提取。
例如，可以使用卷积神经网络来提取目标的特征，然后通过对特征进行分类或分割来提取目标。
三、遥感影像处理中的挑战在分类和目标提取的过程中，遥感影像处理面临着一些挑战。
211017069_面向对象的多层次规则分类地物遥感信息提取方法试验分析研究
第４０卷第２期贵州大学学报（自然科学版）Ｖｏｌ．４０Ｎｏ．２２０２３年 ３月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｒ．２０２３文章编号 １０００ ５２６９（２０２３）０２ ００６７ ０７ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２３．０２．１１面向对象的多层次规则分类地物遥感信息提取方法试验分析研究丘鸣语１，甘 淑 １，２（１．昆明理工大学国土资源工程学院，云南昆明６５００９３；２．云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明６５００９３）摘 要：监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。
针对此问题，选择云南省大理白族自治州上官镇为研究区，以ＧＦ ２ＰＭＳ遥感影像为数据源；采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。
运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达７９ ９５％，Ｋａｐｐａ系数为０ ７４。
与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。
关键词：面向对象；ＧＦ ２；多层次分类；最优分割尺度；多尺度分割中图分类号：Ｐ２３７ 文献标志码：Ａ 随着遥感技术的发展，越来越多的遥感卫星进入太空，其能实时、多尺度提供影像的特点，为快速准确获取地面信息、监测地表变化提供了更多可能。
真实的土地覆盖、利用数据对国土资源空间优化、提升土地利用规划和管理水平至关重要［１ ３］。
目前，常用的中低分辨率影像，如ＭＯＤＩＳ、Ｌａｎｄｓａｎｔ等可用于大尺度监测，但其分辨率也限制了它无法运用于复杂地形、精细地物的分类提取；高分辨率影像的出现弥补了这一缺陷，高分辨率影像具有高精度、高空间分辨率等特点，更适用于小型地物提取与精细的地物分类，但其在带来更多空间信息的同时也带来了噪声与信息冗余［４］。
面向对象的遥感影像信息提取研究
面向对象的遥感影像信息提取研究刘小鹏;窦关新;赵宝军;韩丛波【摘要】结合地理国情监测,从理论和实践上分析了面向对象的遥感影像信息提取的意义,提出了面向对象的遥感影像多尺度信息提取的算法、流程及关键技术环节,在应用的基础上对解译结果进行了分析与评定,总结了经验及技巧,指出了目前应用中仍存在的难点和今后的研究重点.【期刊名称】《北京测绘》【年(卷),期】2016(000)002【总页数】4页(P106-109)【关键词】高分辨率;面向对象;多尺度;算法【作者】刘小鹏;窦关新;赵宝军;韩丛波【作者单位】国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054;国家测绘地理信息局第二地形测量队,陕西西安710054【正文语种】中文【中图分类】P2371 引言近年来，传感器技术得到快速发展，卫星遥感呈现出多平台、多传感器、多角度和高空间分辨率、高光谱分辨率、高时间分辨率的特点。
其中，高分辨率遥感的重要特征之一是高空间分辨率，也是目前遥感领域普遍关注的重点。
基于高分辨率遥感影像的信息提取技术已经成为遥感界应用研究的热点之一，遥感图像信息提取的研究，将推进遥感信息提取技术从基于像元的分类转为面向对象的识别。
地理国情监测是综合利用“3S”等现代测绘地理信息技术，基于高分辨率遥感卫星影像，整合各时期的测绘成果档案，对自然、人文等地理要素进行动态监测，以全面掌握地表自然、生态以及人类活动的基本情况。
2 面向对象分类方法2.1 基本概念面向对象的遥感影像信息提取，需先对遥感影像数据进行分割，从二维化了的影像信息阵列中恢复出影像所反映的景观场景中目标地物的空间形状及组合方式。
影像的最小单元不再是单个像素，而是一个个对象，后续的影像分析和处理也都基于对象进行。
建立不同尺度的分类层次，在每一层上分别定义不同类别对象的纹理特征、光谱特征、形状特征、等级特征以及上下文相邻关系特征等。
基于面向对象的遥感影像空间信息提取方法研究
面 向对象 信 息提 取方法 的 流程 图 （ 见图 １ ） ，该 过程 分 为 两 部分 ，即发 现 对 象和 特 征提 取 。首先 定
面 向对 象 的信息 提 取 方 法是 一 种 新型 的影 像 分 义 提取 要 素 ，然 后对 影 像 进 行多 尺 度 分割 ，获取 同
析 方 法 ，是 以临近像 元为 对 象来 识 别 感 兴趣 的光谱 质对 象 ，对 同质 对象 进 行 斑块 合 并 和精 炼 ，利用 影 要 素 ，充 分 利用 高 分 辨率 的全色 和 多光谱 数 据 ，利 像特 征 库 （ 影像 灰度 特 征 和 几何 结 构特 征 ）建立 不
用 空 间 、质 地和 光 谱 信息 来 分割 和 分 类特 点 ，它 依 同对 象 的提 取规 则 及样 本 ，进行 规 则 分类 ，最 终 以 据 地 物 的 光 谱 同质性 对 影 像进 行 分割 ， 得 到 一 个 个 高精 度 的分类 结果 或矢 量输 出提 取对 象 。 具有 几 何特 征和 空 间信 息 的 同质 区域 ，并 以 高精度
更 多用 户 服务 ，具 有重 要意 义 。
法进 行信 息提 取 。
传 统 方 式 从 遥感 影 像 上 获取 空 间数据 如 道 路 、 ３研 究资 料准 备及 技术 路线 居 民地 、水 系 及其 它 一些 相 关信 息 等 ，都 是 利用 手 ３ ． １研 究 资料 准备 工 方 式 直接 在 影像 上 采 集 ，不但 工 作量 大 ，而 且成
发现ｍ ｔ 象
影像预处理 ｝ ＿ ＿ 定义提取要素 卜 影像对尺度分割 卜 ＋ｌ 合并分块 ｝ ＿ 精炼分块 Ｉ
Ｉ
特 征 提 取
输 出矢量 图 一 特征提取 Ｉ ． Ｉ ＿ ＿ 规则分类
面向对象的高分辨率遥感影像阴影提取方法
面向对象的高分辨率遥感影像阴影提取方法
面向对象的高分辨率遥感影像阴影提取方法，是一种基于遥感影像对象提取技术实现的阴影变化检测方法。
该方法主要分为以下几个步骤：
1. 数据预处理：读取高分辨率遥感影像，进行预处理操作，包括灰度校正、空间校正、大气校正等。
2. 影像分割：使用Mean-Shift算法或Watershed算法进行影像分割，将遥感影像分割成多个对象。
3. 特征提取：根据光学特性和形态特征等选取阴影提取特征，如颜色、形状、纹理、边缘等，计算每个对象的特征向量。
4. 阴影提取：将特征向量输入到分类器中进行分类处理，判断每个对象是否是阴影，将阴影对象分割出来。
5. 阴影变化检测：对两幅遥感影像进行阴影提取，比较两幅影像中的阴影对象是否存在变化，建立变化检测模型。
该方法具有提取精度高、计算速度快等优点，可以广泛应用于城市规划、土地利用、生态环境等领域。
面向对象的遥感影像信息提取
面向对象的遥感影像信息提取摘要：随着遥感技术的不断发展，遥感影像的分辨率不断的提高，如何对遥感影像中的地物信息进行高效、快速的提取，是当前研究的热点问题。
面向对象的方法先对影像进行多尺度分割得到同质区域对象，充分利用遥感影像中丰富的光谱、形状、纹理等特征对分割后的对象进行分类。
面向对象的遥感信息提取的方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点，更高效的获取地物信息，得到更高精度的分类结果。
关键词：多尺度分割、分类、遥感影像、面向对象Abstract：With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information moreefficiently and gets the classification result with higher precision.Key word：Multi-scale segmentation、classification、remote sensing image、object oriented.1引言利用面向对象的信息提取技术，可以更好掌握实际生产生活中地物变化情况，以及土地利用等情况，能够为国土空间规划、土地利用调查、资源普查、交通规划、生态旅游发展等工作提供有力的数据支撑。
面向对象的遥感影像分类技术
随着遥感技术的发展，高分辨率影像 越来越普及。面向对象分类方法能够 更好地适应高分辨率影像的特点，提 取出更多的地物细节信息。
02
遥感影像数据预处理
遥感影像数据来源及特点
来源
卫星、飞机、无人机等遥感平台获取 的影像数据。
特点
具有多源性、多时相性、多光谱性、 高分辨率等特点。
数据预处理流程
总结与展望
研究成果总结
01
面向对象遥感影像分类技术的优势
通过面向对象的方法，遥感影像分类技术能够更有效地提取地物特征，
降低分类误差，提高分类精度。
02
关键技术的突破
在特征提取、对象构建、分类器设计等方面取得了重要突破，推动了遥
感影像分类技术的发展。
03
多样化应用场景的实现
面向对象遥感影像分类技术已广泛应用于土地利用/覆盖分类、城市规
04
数据融合技术
将多源、多时相、多光谱的遥感影像 数据进行融合，提高影像数据的空间 分辨率和光谱分辨率。
03
面向对象分类方法原理及实现
面向对象分类方法的基本原理
对象的概念
01
在遥感影像中，对象是指具有相似光谱、纹理、形状等特征的
像素集合。
分层结构
02
面向对象分类方法通过构建分层结构，将影像划分为不同尺度
动态交互可视化
利用GIS等空间分析工具，实现分类结果的动态交互可视化，支持用 户自定义查询、分析和展示。
算法优化与改进方向
特征提取与选择
研究更有效的特征提取方法，如深度学习、纹理分析等， 提高分类器的性能；同时，针对特定应用需求，选择合适 的特征组合进行优化。
上下文信息利用
充分挖掘和利用遥感影像中的上下文信息，如空间关系、 地物形状等，提高分类的准确性；研究基于图模型、条件 随机场等方法的上下文建模技术。
面向遥感影像分类、目标识别及提取的深度学习方法研究
面向遥感影像分类、目标识别及提取的深度学习方法研究一、内容概述随着遥感技术的不断发展，遥感影像在各个领域的应用越来越广泛。
针对遥感影像的分类、目标识别及提取，本文提出了一种基于深度学习的方法研究。
本文首先分析了当前遥感影像处理技术的发展现状和存在的问题，指出了利用深度学习方法解决遥感影像分类、目标识别及提取问题的重要性和紧迫性。
本文介绍了所提出的深度学习模型，包括网络结构、损失函数、优化算法等。
通过大量实验验证了所提方法的性能和有效性。
总结了本文的主要工作和贡献，并对未来的研究方向进行了展望。
本文的研究对于推动遥感影像处理技术的发展具有重要意义，可为相关领域的研究和应用提供参考和借鉴。
1. 遥感影像的重要性及其应用领域随着科技的飞速发展，遥感技术在地理信息获取、环境监测和资源勘查等领域发挥着越来越重要的作用。
遥感影像作为遥感信息的主要载体，其重要性和应用价值日益凸显。
高分辨率遥感影像能够全面呈现地物的外观和属性，为全球气候变化、土地利用、城市规划等领域的科学研究提供丰富的数据支持；而借助深度学习技术，遥感影像的分类、目标识别以及信息提取等问题也得以有效解决，推动了遥感信息化、智能化水平的显著提升。
为了满足各类遥感应用的需求，对高分辨率遥感影像的处理和分析能力也在不断提高。
借助深度学习算法，遥感影像能够被更有效地处理、分析和利用。
遥感影像已经成为地理信息科学、计算机视觉、模式识别等多个学科领域的研究热点，为众多领域的科研和应用提供了强大的技术支撑。
遥感影像的重要性及其在各大领域的应用价值是不容忽视的。
而深度学习方法的发展为遥感影像的获取、处理、分析和应用带来了更多的可能性和挑战，预示着遥感技术在未来将有更广泛的应用前景。
2. 深度学习在遥感影像处理中的研究现状与挑战随着深度学习技术的飞速发展，其在遥感影像处理领域的应用也日益广泛。
通过构建深度神经网络模型，实现对遥感影像的自动分类、目标识别以及信息提取已经取得了显著的进展。
面向对象的遥感影像分类技术
面向对象分类的 基本原理
面向对象分类的基本概念
面向对象分类： 将遥感影像分割 为多个对象，每 个对象具有相同 的属性和特征
基本原理：通过 分析遥感影像的 纹理、颜色、形 状等特征，将具 有相似特征的像 素划分为同一个 对象
优势：能够更好 地处理遥感影像 中的噪声和异物， 提高分类精度
应用领域：广泛 应用于土地覆盖 分类、灾害监测、 环境监测等领域
遥感影像分类技术的分类方法
监督分类：利用已知类别的样本进行训练，然后对未知类别的影像进行分类
无监督分类：无需已知类别的样本，直接对影像进行分类
半监督分类：结合监督分类和无监督分类的方法，提高分类准确性
深度学习分类：利用深度学习技术，如卷积神经网络（CNN）、循环神经网络（RNN）等，进行 遥感影像分类
技术发展对策与建议
加强技术研发，提高分类精度和速度 拓展应用场景，如农业、环保、城市规划等领域 加强与其他领域的交叉学科合作，如人工智能、大数据等 制定相关政策和标准，推动技术发展和应用
感谢您的观看
汇报人：XX
在林业领域的应用
森林资源调查：通过遥感影像分类技术，可以快速准确地获取森林资源的分布、面积和种类等信息。
森林健康监测：通过对遥感影像的分析，可以及时发现森林的病虫害、火灾等灾害，并采取相应的 措施。
森林资源管理：通过遥感影像分类技术，可以评估森林资源的利用情况，为森林资源的保护和管理 提供依据。
选择分类器的依据：数据集的大小、 特征的复杂性、计算资源的限制等
分类结果后处理与优化
后处理方法：平 滑、滤波、边缘 检测等
优化策略：调整参 数、选择合适的分 类器、融合多种分 类方法等
评价指标：精度、 召回率、F1值等
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
面向对象的光学遥感影像特征提取与分类研究
面向对象的光学遥感影像特征提取与分类研究
摘要：光学遥感影像在地理信息科学与遥感领域具有广泛应用，但传统的像元级别分类方法无法准确提取地物信息。
面向对象的光学遥感影像特征提取与分类研究通过将像元组织成连续区域，利用地物的空间信息和形状特征，提高了分类的准确性和可靠性。
本文综述了面向对象的光学遥感影像特征提取与分类方法的研究进展，包括图像分割、特征提取和分类算法。
同时，通过对比分析不同方法的优劣，探讨了面向对象方法在光学遥感影像分类中的应用前景，并提出了未来研究的方向和挑战。
关键词：光学遥感影像；面向对象；特征提取；分类
1. 引言
光学遥感影像是通过航空器或卫星获取的地面物体的图像，具有高时空分辨率和广覆盖性的特点。
在农业、城市规划、环境监测等领域中，准确提取光学遥感影像中的地物信息，是解决多种实际问题的重要基础。
传统的像元级别分类方法存在定性低、信息损失大等问题，难以满足实际应用需求。
面向对象的光学遥感影像特征提取与分类方法通过将像元组织成连续区域，利用地物的空间信息和形状特征，提高了分类的准确性和可靠性。
2. 面向对象的图像分割
建立面向对象的光学遥感影像分类系统的第一步是图像分割。
面向对象的图像分割方法主要有基于阈值的分割、区域生长法和基于边缘的分割。
基于阈值的分割方法通过设定灰度阈值将图像分成不同类别，对于简单的场景效果较好。
区域生长法可
以在阈值的基础上根据像素相似性进行进一步合并，得到连续的区域。
基于边缘的分割方法则利用边缘信息将图像分成不同区域。
3. 面向对象的特征提取
面向对象的特征提取方法可从颜色、纹理、形状、空间关系等方面进行。
在光学遥感影像中，地物的颜色是一个重要特征。
通过颜色直方图、平均值、标准差等统计量，可以提取地物的颜色信息。
纹理是地物的表面细节特征，通过灰度共生矩阵、局部二值模式等统计方法，可以提取地物的纹理特征。
形状是地物的几何特征，通过提取边界点、拟合多边形等方法，可以得到地物的形状信息。
空间关系是地物之间的相对位置关系，通过计算地物之间的距离、方位角等几何关系，可以提取地物的空间特征。
4. 面向对象的分类算法
面向对象的分类算法是将提取的特征应用于地物分类。
常用的分类算法包括最大似然法、支持向量机、随机森林等。
最大似然法基于贝叶斯原理，在统计学意义上对像元进行分类，但忽略了像元之间的空间相关性。
支持向量机通过找到一个最优的超平面将不同类别的样本分开，具有较好的分类性能。
随机森林是一种基于决策树构建的集成学习方法，能够考虑特征之间的相互作用。
5. 面向对象方法的应用前景
面向对象的光学遥感影像特征提取与分类方法在地理信息科学与遥感领域具有广泛应用前景。
首先，由于面向对象方法考虑了地物的空间信息和形状特征，使得分类结果更加准确和可靠。
其次，面向对象方法能够有效利用高分辨率影像中的丰富细节信息，对复杂场景进行精细分类。
此外，面向对象方法可以结
合多源数据，如高光谱数据、Lidar数据等，提取更全面的特征信息。
6. 未来研究的方向和挑战
面向对象的光学遥感影像特征提取与分类研究还有许多挑战和待解决的问题。
首先，图像分割是面向对象方法的关键环节，如何准确、高效地进行图像分割仍然是一个研究热点。
其次，面向对象方法需要大量的训练样本和特征参数选择，如何提高样本的获取效率和特征的鲁棒性是未来的研究方向。
同时，面向对象方法需要大量的计算资源和时间，如何提高算法的效率也是一个挑战。
总结：面向对象的光学遥感影像特征提取与分类方法通过将像元组织成连续区域，利用地物的空间信息和形状特征，提高了分类的准确性和可靠性。
本文综述了面向对象方法在图像分割、特征提取和分类算法等方面的研究进展，并探讨了面向对象方法在光学遥感影像分类中的应用前景。
未来的研究应着重解决图像分割的准确性和效率问题，提高样本获取和特征参数选择的效率，以及提高算法的效率等挑战
综合以上所述，面向对象的光学遥感影像特征提取与分类方法在光学遥感影像分类中具有广阔的应用前景。
通过考虑地物的空间信息和形状特征，该方法提高了分类的准确性和可靠性。
此外，面向对象方法能够有效利用高分辨率影像中的丰富细节信息，对复杂场景进行精细分类，并可以结合多源数据提取更全面的特征信息。
然而，仍然存在图像分割准确性和效率问题、样本获取和特征参数选择效率问题以及算法效率问题等挑战。
因此，未来的研究应着重解决这些问题，以推动面向对象的光学遥感影像特征提取与分类方法的发展。