常用的高光谱数据集介绍(赋下载地址)

目录

前言

高光谱遥感(Hyperspectral Remote Sensing) 

高光谱遥感的特点

高光谱成像原理

高光谱传感器

 高光谱数据集

Indian Pines

Pavia University

Salinas

前言

       本人硕士期间的研究方向为人工智能与模式识别,用于高光谱图像处理工作,旨在提高算法的分类精度.在前言部分简要介绍一下高光谱遥感.

高光谱遥感(Hyperspectral Remote Sensing) 

       高光谱分辨率遥感是用很窄而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，因此高光谱遥感又通常被称为成像光谱遥感。

高光谱遥感的特点

       相对于传统的低光谱分辨率的遥感技术相比， 高光谱遥感在对地观测和环境调查中提供了更为广泛的应用，主要体现在以下几个方面：

1) 地物的分辨识别能力大大提高， 并且可以区别属于同一种地物的不同类别，这在传统的低光谱分辨率遥感中是不容易实现的。同时由于成像光谱的波段变窄,，可选择的成像通道变多， 使得“同物异谱”与“同谱异物”的现象减少，只要波段的选择与组合得恰当，一些地物光谱空间混淆的现象可以得到极大的控制，这无疑为进一步的分析提供了最为可靠的保证。

2) 成像通道大大增加， 使得在处理不同应用的分析中，光谱的可选择性变得灵活和多样化， 这极大的增加了可以通过遥感手段进行分析的目标物的数量，如不同树种的识别，不同矿物的识别，使遥感技术应用的范围扩大。

3) 由于光谱空间分辨率的提高， 使得原先不可进行的应用方向成为可能， 如生物物理化学参数的提取，在利用高光谱数据进行有关植被叶绿素a、木质素、纤维素等生化分析, 取得了较好的结果, 为遥感技术的应用提供了新的研究方向。

4) 由遥感定性分析向定量或半定量的转化成为可能，传统成像遥感技术主要的应用是以定性化的分析为主，部分定量分析结果的精度并不理想， 这显然是由于成像传感器的光谱和空间分辨率、大气和土壤背景的干扰等限制有关，高光谱分辨率成像遥感首先突破了光谱分辨率这一个限制， 在光谱空间很大程度上抑制了其它干扰因素的影响，这对于定量分析结果精度的提高有很大的帮助.

高光谱成像原理

高光谱遥感成像可以简单地理解为:

       将传感器获取到的同一空间位置的电磁波通过色散棱镜使不同频率的电磁波彼此分离开来,并按频率顺序将电磁波能量记录下来的过程,它是以电磁波谱分析和成像光谱学为基础的。电磁波谱分析研究各种物质的发射、反射和吸收电磁波能量的特性。成像光谱学研究电磁波按着谱系对不同频率的电磁波能量进行记录的规律。高光谱遥感图像的成像原理可由下图直观给出。高光谱遥感图像数据的记录形式是数据立方体,它的每一层表示特定频率范围下的电磁波能量的记录结果,也就是在一定光谱波段内记录下来的图像。生活中常见的自然图像记录了三个波段的能量信息,即红、绿、蓝三个波段。高光谱遥感图像记录了更多的波段信息,突破了用颜色代表波段的局限。如果取出每幅图像中对应的同一像素,使其构成一个观测向量,那么这个向量就是按着频率(波段)的顺序排列起来的。如果在一定频率(波段)范围内能够取出大量的微小频率区间,这样将得到一条近似连续的光谱曲线根据光谱分析技术,不同的光谱曲线反映不同的地物类型,这就为后续地物辨识提供了可利用信息。一般地,高光谱遥感成像光谱分辨率为10nm,这样在观测电磁谱段内可以获取同一观测场景几十个甚至上百个不同光谱波段图像。

高光谱传感器

· 美国：AIS，AVIRIS、 WIS（812波段）、PROBE、TEEMS、MODIS 、 Hyperion、 FTHSIAHI（256个热波段）、SEBASS（ 242个热波段）

· 澳大利亚：Hymap、ARIES、TIPS（100个热波段）

· 加拿大： CAS

· 德国：ROSIS

· 法国：IMS

· 芬兰：AISA

· 欧空局：CHRIS （2000年10月22日PROBA小卫星）

· 日本：GLI

· 中国：MAIS、PHI、OMIS-1（10个热波段）、CMODIS（神舟III号） 、Env-DD（环境灾害小卫星）

 高光谱数据集

Indian Pines

        Indian  Pines 是最早的用于高光谱图像分类的测试数据，由机载可视红外成像光谱仪（AVIRIS）于 1992 年对美国印第安纳州一块印度松树进行成像，然后截取尺寸为 145×145 的大小进行标注作为高光谱图像分类测试用途。

        AVIRIS 成像光谱仪成像波长范围为 0.4-2.5μm，是在连续的 220 个波段对地物连续成像的，但是由于第 104-108，第 150-163 和第 220 个波段不能被水反射，因此，我们一般使用的是剔除了这 20 个波段后剩下的 200 个波段作为研究的对象。该光谱成像仪所成的图像的空间分辨率约为 20m，因此，其较容易产生混合像元，给分类带来难度。

        如图(a)(b)显示了IP数据集假彩色合成图像和真实地面数据,该数据总共有 21025个像素，但是其中只有 10249 个像素是地物像素，其余 10776 个像素均为背景像素，在实际分类中，这些像素是需要剔除的，由于截取的这块区域均是庄稼，总共有 16类，因此不同的地物具有较为相似的光谱曲线，而且这 16 类中，样本的分布极不均匀145*145=21025=10776（背景，黑）+10249（多种地物，彩）  10249=各类地物占得像素个数。

下载地址:

Hyperspectral Remote Sensing Scenes - Grupo de Inteligencia Computacional (GIC)

 

Pavia University

        Pavia  University 数据是由德国的机载反射光学光谱成像仪（Reflective  Optics Spectrographic Imaging System，ROSIS-03）在 2003 年对意大利的帕维亚城所成的像的一部分高光谱数据。该光谱成像仪对 0.43-0.86μm 波长范围内的 115 个波段连续成像，所成图像的空间分辨率为 1.3m。其中 12 个波段由于受噪声影响被剔除，因此一般使用的是剩下 103 个光谱波段所成的图像。该数据的尺寸为 610×340，因此共包含2207400 个像素，但是其中包含大量的背景像素，包含地物的像素总共只有 42776 个，这些像素中共包含 9 类地物，包括树、沥青道路（Asphalt）、砖块（Bricks）、牧场（Meadows）等。

相关论文: https://arxiv.org/pdf/1807.01477.pdf

        传感器一共有115个波段，经过处理后，Pavia University数据有103个波段；Pavia Center 数据有102个波段。两幅影像都有9个地物类别，这两幅影像的类别不完全一致。其中，Pavia University的大小为610*340，Pavia Center的大小是1096*715，详细信息如下图所示。

下载地址：

Hyperspectral Remote Sensing Scenes - Grupo de Inteligencia Computacional (GIC)

Salinas

        同 Indian  Pines 图像一样，Salinas 数据也是由 AVIRIS 成像光谱仪所拍摄的，它是对美国加利福尼亚州的 Salinas 山谷所成的像。同 Indian Pines 不同的是，它的空间分辨率达到了 3.7m。该图像原本也有 224 个波段，同样的，我们一般使用的也是剔除了第 108-112，154-167，和第 224 个不能被水反射的波段后剩下的 204 个波段的图像。该图像的尺寸为 512×217，因此共包含 111104 个像素，其中有 56975 个像素是背景像素，可应用于分类的像素有 54129 个，这些像素总共分为 16 类，包括休耕地（Fallow）、芹菜（Celery）等。

下载地址：

Hyperspectral Remote Sensing Scenes - Grupo de Inteligencia Computacional (GIC)