数据分享 | 高光谱遥感影像数据集汇总

    高光谱遥感是将成像技术和光谱技术相结合的多维信息获取技术，可以同时获取目标的二维空间信息与第三维的光谱信息，得到高光谱分辨率的连续、窄波段图像数据。高光谱图像与高分辨率图像、多光谱图像相比的优势在于，它的光谱分辨率高，波段众多，能够获取地物几乎连续的光谱特征曲线，并可以根据需要选择或提取特定波段来突出目标特征；定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件；它包含丰富的辐射、空间和光谱信息，是多种信息的综合载体。高光谱图像在地物制图、资源勘探等领域得到了广泛使用。接下来，我们总结了现有15个高光谱数据的基本情况。

    新增提示：在上次发布高光谱遥感数据集的基础上，主要是增加了雄安新区（马蹄湾村）航空高光谱遥感影像分类数据集，由中国科学院遥感与数字地球研究所张立福教授团队提供，同时还补上了cuprite数据集和Bostswana数据集，再次感谢提供数据集的团队！

1.雄安新区（马蹄湾村）航空高光谱遥感影像分类数据集

2.Washington DC数据

3.Urban数据

4.Pavia University和 Pavia Center数据

5.Houston数据

6.Eagle_reize数据

7.BerlinUrbGrad2009数据

8.HyRANK数据

9.Indian Pine数据

10.Salinas Valley数据

11.DFC2018 Houston数据

12.航空高光谱影像 Chikusei

13.KSC数据集

14.Cuprite数据

15.Botswana数据

    雄安数据集是由中国科学院上海技术物理研究所研制的高分专项航空系统全谱段多模态成像光谱仪采集，光谱范围为400-1000nm，波段250个，影像大小为3750×1580像元。地物类别共计19类，包括水稻茬、草地、榆树、白蜡、国槐、菜地、杨树、大豆、刺槐、水稻、水体、柳树、复叶槭、栾树、桃树、玉米、梨树、荷叶、建筑。

下载地址：

http://www.hrs-cas.com/a/share/shujuchanpin/2019/0501/1049.html

    WashingtonDC数据是由Hydice传感器获取的一幅航空高光谱影像，数据包含了从 0.4 到2.4 µm可见光和近红外波段范围的共191个波段，数据大小为1208*307。地物类别包括屋顶，街道，铺碎石的路，草地，树木，水和阴影。

下载地址：

https://engineering.purdue.edu/~biehl/MultiSpec/hyperspectral.html

    Urban数据通常被用于高光谱图像混合像元分解。它是由Hydice传感器获取的，图像大小为307*307。原始数据有210个波段，在去除噪音和水吸收波段后，一般留下162个波段做后续处理与分析。地物类别包含道路，屋顶，草地和树木。

下载地址：

https://sites.google.com/site/feiyunzhuhomepage/datasets-ground-truths

    Pavia University 和 Pavia Center 数据是由ROSIS传感器获取的，常被用于高光谱图像分类。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：

http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes#Pavia_University_scene

    Houston数据是由ITRES CASI-1500传感器获取的，由2013 IEEE GRSS数据融合大赛提供。数据大小为349*1905，包含光谱范围从364nm到1046nm的144个波段。地物覆盖被标注为如下图所示的15个类别。

此数据可以通过此网站：

http://www.grss-ieee.org/community/technical-committees/data-fusion/2013-ieee-grss-data-fusion-contest/ 进行申请。

    Eagle_reize数据是由SPECIM AsiaEAGLE II传感器获取的。数据大小为2082*1606，包含光谱范围从401nm到999nm的252个波段。所提供的训练样本包含10种地物类别。因为此数据有配套的Lidar数据，因此既可以被用于单独的高光谱图像分类，也可以被用于高光谱图像和Lidar图像融合。

下载地址：

https://figshare.com/articles/Main_zip/2007723/3

    Berlin-Urban-Gradient dataset 2009数据包含不同分辨率的HyMap高光谱影像和模拟的EnMap高光谱影像。真实的MyMap数据包含111个波段，其中空间分辨率为3.6m的数据大小为6895*1803，空间分辨率为9m的数据大小为2722*732。此数据集不仅提供了分类参考，也提供了端元参考，因此可以用来做高光谱图像分类或者高光谱图像混合像元分解。

下载地址：

http://pmd.gfz-potsdam.de/enmap/showshort.php?id=escidoc:1480925

    HyRANK数据是由Hyperion 传感器获取的。包含了两幅用于训练的高光谱图像和三幅用于测试的高光谱图像。五幅图像均有176个光谱波段，图像大小各不相同。所提供的训练样本包含14种地物类别.

下载地址：

http://www2.isprs.org/commissions/comm3/wg4/HyRANK.html

    Indian Pine 是由 AVIRIS 传感器在印第安纳州拍摄的。这个数据的大小是145*145，有224个波段，其中有效波段200个。这个数据一共有16个农作物类别。

下载页面：

http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes

    Salinas 是由 AVIRIS 传感器拍摄，拍摄地点是加州 Salinas Valley。这个数据的空间分辨率是3.7米，大小是512*217。原始数据是224个波段，去除水汽吸收严重的波段后，还剩下204个波段。这个数据包含了16个农作物类别。

下载页面：

http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes

    DFC2018 Houston 是2018年IEEE GRSS Data Fusion 比赛所用的数据集。这个数据是由 University of Houston Dr. Saurabh Prasad 的实验室制作公开的。这个数据是个多传感器数据，包含了48个波段的高光谱数据（1米），3波段的LiDAR数据（0.5米），以及超高分辨率影像（0.05米）。这个数据包含了20类地物。使用这个数据前请联系 Dr. Saurabh Prasad.

下载地址：

http://hyperspectral.ee.uh.edu/?page_id=1075

     这个航空高光谱数据是由Headwall Hyperspec-VNIR-C传感器于日本筑西市（Chikusei）拍摄的，拍摄时间是2014年7月29日。这个数据包含了128个波段，范围是343 – 1018 纳米，大小是2517*2335，空间分辨率是2.5米。一共有19类地物，包含了城市与农村地区。这个数据是由东京大学 Dr. Naoto Yokoya 与 Prof. Akira Iwasaki 制作公开的。

下载地址：

https://naotoyokoya.com/Download.html

    KSC数据由 AVIRIS 传感器在佛罗里达州肯尼迪太空中心于1996年3月23日拍摄。这个数据包含了224个波段，经过水汽噪声去除后还剩下176个波段，空间分辨率是18米，一共有13个类别。

下载页面：

http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes

    该数据集由1997年的机载可见红外成像光谱仪（Aviris）收集，覆盖了美国内华达州的Cuprite地区。原始图像有224个波段，波长从370nm到2480nm，空间分辨率为20米。

下载页面：

http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes

    该数据集源自美国宇航局EO-1卫星于2001-2004年在Botswana获得的一系列数据。EO-1上的传感器在242个波段获得了30米像素分辨率的数据，覆盖波段为400-2500nm并以10nm为间隔。去除了噪声波段后，其余145个波段作为候选特征包括：[10-55，82-97，102-119，134-164，187-220]。数据包括来自14个已确定的类别.

下载页面：

http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes

文编：IMARS
美编：张壹 审核：石茜

文章转载于：IMARS 遥感大数据智能挖掘与分析

- END -