【图像处理算法常用数据集】整理第一弹
目录
一、通用
二、自己整理的一些数据集
Berkeley Segmentation Dataset (BSDS)
Set14
Urban 100
Kodak dataset
CBSD68
DIV2K
一、通用
可以在一些学术搜索引擎上查找关于数据集的信息。例如：
- Google Scholar（https://scholar.google.com/）
- Microsoft Academic Search (Microsoft - 云、计算机、应用和游戏)
- IEEE Xplore Digital Library (IEEE Xplore)
- arXiv (https://arxiv.org/)
- Open Access Thesis and Dissertations (https://oatd.org/)
此外, 可以在图像处理和计算机视觉领域的学术会议和期刊上查找相关的文章，例如 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), European Conference on Computer Vision (ECCV),International Journal of Computer Vision (IJCV)，这些会议和期刊都是图像处理和计算机视觉领域的顶级学术会议和期刊。
二、自己整理的一些数据集
Berkeley Segmentation Dataset (BSDS)
数据集介绍：
Berkeley Segmentation Dataset (BSDS)是一个用于评估图像去模糊和去噪算法的数据集。该数据集是由加州大学伯克利分校(UC Berkeley)的计算机科学家开发的，于2001年发布。数据集包含300张自然场景图像，这些图像经过不同程度的模糊和噪声损坏。它还包括了这些图像的真实分割和人类标注的分割，可以用来评估算法的性能。
它们是各种场景的自然图像，如城市和郊区地区、室内和室外场景、特写和广角视图。这些图像由模糊和噪声造成损坏，也可能被压缩了。数据集包括彩色和灰度图像。
值得一提的是，BSDS数据集最初是为评估图像分割算法而设计的，所以图像并不是专门针对图像修复任务设计的。但是，它仍然是用于图像修复评估（如去模糊，去噪等）的广泛使用的数据集。
数据集来源：
链接：The Berkeley Segmentation Dataset and Benchmark
制作单位：加州大学伯克利分校(UC Berkeley)计算机视觉组
原始文章：P. Arbelaez, M. Maire, C. Fowlkes and J. Malik. Contour Detection and Hierarchical Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 33, No. 5, pp. 898-916, 2011.
Set14
数据集介绍:
Set14数据集是一个用于评估图像超分辨率重建算法性能的数据集。它由台湾中兴大学的计算机视觉研究团队开发，于2014年发布。数据集包含14张图像，这些图像由模糊和压缩造成损坏。它们来自各种不同的应用场景，如自然场景，动漫等。该数据集提供了高分辨率图像，并允许对低分辨率图像进行超分辨率重建。
这个数据集被广泛用于评估各种图像超分辨率重建方法的性能。它也常常被用来训练各种深度学习模型，如卷积神经网络(CNNs)，来检测和分割图像中的目标。这个数据集由于样本小，适用于小型模型和小规模实验。
数据集来源
链接：http://vllab.ucmerced.edu/wlai24/LapSRN/results/SR_testing_datasets.html
制作单位：台湾中兴大学的计算机视觉研究团队
原始文章："Image Super-Resolution Using Deep Convolutional Networks" 作者： Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang 。在 IEEE Transactions on Pattern Analysis and Machine Intelligence 杂志上发表的。
Urban 100
数据集介绍：
Urban 100 数据集是一个专门用于评估图像超分辨率重建算法性能的数据集。它由台湾中兴大学的计算机视觉研究团队开发，于2019年发布。数据集包含100张图像，这些图像都是城市场景，由模糊和压缩造成损坏。它们来自不同的城市，包括纽约，旧金山，首尔等。这个数据集提供了高分辨率图像，并允许对低分辨率图像进行超分辨率重建。
这个数据集被广泛用于评估各种图像超分辨率重建方法的性能。特别是在城市场景上的超分辨率重建，它提供了更加具有挑战性的数据，可以更好地验证模型的性能。 和Set14不同，Urban100数据集提供了更多的样本，适用于大型模型和大规模实验。
数据集来源
链接：http://vllab.ucmerced.edu/wlai24/LapSRN/SR_testing_datasets.html
制作单位：台湾中兴大学的计算机视觉研究团队
最早应用文章："Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution" ；作者：Xiaoyong Shen, Jiaya Jia；在 CVPR 2019 (IEEE Conference on Computer Vision and Pattern Recognition)会议上发表的。
Kodak dataset
数据集介绍：
Kodak dataset 数据集是一个常用于评估图像超分辨率重建算法性能的数据集，它由Kodak公司提供。该数据集包含24张图像，这些图像都是由模糊和压缩造成损坏。数据集中图像来自不同的场景，如城市，海景，人像等。提供高分辨率图像并允许对低分辨率图像进行超分辨率重建，是一个较小的数据集，但是经常与其他数据集一起使用来评估超分辨率算法性能.因为它的较小的规模，Kodak dataset 数据集常常被用来评估算法的速度。
数据集来源
链接：http://www.math.purdue.edu/~lucier/PHOTO/
https://www.cs.duke.edu/courses/fall09/cps296.3/assign/assign3/
制作单位: Kodak公司
原始文章：Kodak dataset 数据集最早是在图像超分辨率领域的研究中使用的，有很多文章都使用过，它作为一个通用的基准数据集，经常用来评估图像超分辨率算法的性能。因此，它已经成为图像超分辨率研究中常用的数据集之一.
CBSD68
数据集介绍：
CBSD68数据集是一个用于评估图像去模糊算法性能的数据集。该数据集由计算机科学家开发，包含68张图像。数据集中的图像经过了人工和自然的模糊处理，并且涵盖了各种不同的场景，如城市、海景、自然风景等。
CBSD68 数据集提供了高分辨率的原始图像和相应的低分辨率模糊图像，用于训练和评估去模糊算法。这个数据集是在去模糊领域常用的基准数据集之一，用于比较不同算法的性能.
数据集来源
链接： The Berkeley Segmentation Dataset and Benchmark
制作单位：美国加州大学洛杉矶分校（UCLA）UC Berkeley Vision Lab
DIV2K
数据集介绍：
DIV2K 数据集是一个高分辨率图像数据集，用于超分辨率重建算法的研究和评估。它包含了2,000幅高分辨率图像，来自于不同的场景，如城市、自然风景、动物等。这些图像的分辨率均为 1080p（1920x1080）或者更高。每张图像都有对应的低分辨率版本，可以用于训练和评估超分辨率重建算法。
由于其高质量和多样性，DIV2K 数据集在图像超分辨率领域变得非常流行。许多研究人员和工程师都使用这个数据集来评估和比较各种超分辨率算法的性能。
数据集来源
链接： DIV2K Dataset
https://github.com/Limbee/DIV2K
制作单位：CVLab, University of Freiburg, Germany 和 VISLAB, University of Modena and Reggio Emilia, Italy
原始文章：CVPR 2017 论文“Beyond Single Scale and Single Image: A Multi-Scale and Multi-Image Learning Framework for Image Super-Resolution”