2021-05-30

高光谱地物分类数据集

注意事项：

1.数据集中的某些类别没有标记完，只是将其归为了未分类，因此训练时不能将未分类的作为一类进行训练
2.测试时对比度较弱的图片效果不佳，需要进行线性拉伸，这样的话训练的图像也要进行线性拉伸，保证数据分布相同
3.测试的图片通道数应该与训练的图片通道数相同

1.DFC2018 Houston数据

有效波段48个，共有20类地物类别，图像的空间分辨率是1米。

未分类：0-未分类
建筑：8-住宅建筑，9-非住宅建筑，20–体育场座位；
道路：10 – 道路，11–人行道，12– 人行横道，13 –主要干道，14– 高速公路，15–铁路，19– 火车；
水：7–水；
树木：4–常青树，5–落叶树；
草地：1–健康草，2–有压力的草，3–人造草皮；
其他：16– 铺面停车场，17– 未铺分的停车场，18–汽车，6–裸土

2.Eagle_reize数据

数据大小为2082*1606，有效波段为252个，共包含10种地物类别，图像的空间分辨率是1米。

3.Pavia University和 Pavia Center数据

Pavia University的大小为610×340，Pavia Center的大小是1096*715。
PaviaUniversity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，PaviaCenter（水，树，沥青，块自锁砖，沥青，瓷砖，暗影，草地，裸土），PaviaUniversity（沥青，草地，砾石，树，涂有油漆的金属板，裸土，沥青，块自锁砖，暗影 ）。
图像的空间分辨率为 1.3m。

4.Urban数据

图像大小为307*307，有效波段为162个，共有4个地物类别（道路，屋顶，草地，树木），图像的空间分辨率是2米。

5.Houston数据

数据大小为349*1905，有效波段为144个，共有15个地物类别，图像的空间分辨率是2.5米。

未分类：0–未分类
建筑：7–住宅，8–商业
道路：9–路,10-高速公路 ，11-铁路
水：6–水
树木：4–树
草地：1–健康草，2–强调草，3–合成草
其他：5–土壤，12–停车场1，13–停车场2，14–网球场，15–跑道

6.航空高光谱影像 Chikusei

数据大小是2517*2335，有效波段128个，共有19类地物类别，图像的空间分辨率是2.5米。

7.Salinas Valley数据

数据大小是512*217，有效波段204个，共有16个农作物类别，图像的空间分辨率是3.7米。

8.BerlinUrbGrad2009数据

数据包含111个波段，其中空间分辨率为3.6m的数据大小为68951803，空间分辨率为9m的数据大小为2722732。
共有8类地物类别（土地，小块土地，商业区，住宅区，工业区，水，森林，低植被）。

9.KSC数据集

有效波段176个，共有13个类别，图像的空间分辨率是18米。

10.Indian Pine数据

数据大小为145*145，有效波段200个，共有16个农作物类别，图像的空间分辨率约为 20m。

11.Cuprite数据

原始图像有224个波段，图像的空间分辨率为20米。

12.Botswana数据

有效波段145个，共有14个类别，图像的空间分辨率是30米。

13.雄安新区（马蹄湾村）航空高光谱遥感影像分类数据集

数据大小为3750×1580，有效波段250个，共有19个地物类别。

14.Washington DC数据

数据大小为1208*307，共191个波段，共有7个地物类别（屋顶，街道，铺碎石的路，草地，树木，水和阴影）。

15.HyRANK数据

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。

16. Samson

数据大小为952 x 952，有效波段156个，共有3个地物类别（水，土，树），光谱分辨率高达3.13 nm。

17.Japser Ridge

数据大小为512 x 614，有效波段224个，共有4个地物类别（道路，水，土，树），光谱分辨率高达9.46nm。