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。
- 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。