针对高分辨率遥感影像的特点，提出了一种基于图论的光谱，形状和纹理特征相结合的高分辨率遥感影像多特征分割方法。 首先，采用四叉树分割方法对原始图像进行分割。 其次，所有光谱，形状和纹理权重分量都基于所构建的图进行计算。 计算像素和纹理之间的匹配度。 最后，将光谱，形状和纹理权重分量的比例削减标准组合用于最终分割。实验结果表明，与传统方法相比，该方法可以获得更好的分割效果和更高的分割精度。

针对高分辨率遥感图像的特点，提出了一种基于图论的光谱，形状和纹理特征相结合的高分辨率遥感图像多特征分割方法。 首先，采用四叉树分割方法对原始图像进行分割。 其次，所有光谱，形状和纹理权重分量都基于所构建的图进行计算。 计算像素和纹理之间的匹配度。 最后，将光谱，形状和纹理权重分量的比例削减标准组合用于最终分割。 实验结果表明，与传统方法相比，该方法在RS图像上可获得更理想的结果和更高的分割精度。

为了实现定量化应用目标,高精度的云层检测已成为遥感数据预处理的关键步骤之一。然而,传统的云检测方法存在特征复杂、算法步骤多、鲁棒性差,且无法将高级特征和低级特征相结合的缺陷,检测效果一般。针对以上问题,提出了一种基于深度残差全卷积网络的高精度云检测方法,能够实现对遥感影像云层目标像素级别的分割。首先,编码器通过残差模块的不断降采样提取图像深层特征;然后,应用双线性插值进行上采样,结合多层次编码后的图像特征完成解码;最后,将解码后的特征图与输入图像融合后再次进行卷积,实现端到端的云检测。实验结果表