高分辨率多角度对地观测具有解译地物的三维结构信息的潜力。对城市高分辨率影像分类来说，具有不同垂直结构的对象使得三维空间中的城市景观更加异构，加剧分类挑战性。基于ZY-3多角度影像，本研究提出了多角度灰度共生张量特征（GLCMMA-T），捕捉在多观测视角下灰度空间分布的差异，可以描述城市地物的三维纹理和结构。

在特征解译阶段，本研究设计了一个多光谱-多角度三维卷积神经网络（M2-3DCNN）挖掘ZY-3影像的空间-光谱-角度信息。多光谱和多角度GLCM张量特征分别被光谱和角度3D-CNN解译并在后面的层中进行融合。M2-3DCNN实现了空-谱-角信息的深度融合，可以为三维空间中的城市景观提供一个多层次描述。在中国四个城市（即武汉、合肥、上海和西安）的测试结果表明，和一些最新的多角度特征以及基于深度学习的高分遥感影像分类方法相比，本研究提出的方法可以显著提高分类精度。

论文相关链接：Xin Huang, Shuang Li, Jiayi Li, Xiuping Jia, Jun Li, Xiaoxiang Zhu, and Jón Atli Benediktsson. A multi-spectral and multi-angle 3-D convolutional neural network for the classification of ZY-3 satellite images over urban areas.https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9266127.