数据集简介

NYU2数据集介绍

简介

NYU2数据集有含有1449张RGBD图像，这些图像中包含464个不同的室内场景。图像是由微软Kinect的RGB和Depth相机拍摄的视频序列.同时，这些图像数据中的每个对象都被标注过。

NYU2数据集由三个部分组成：1.视频中对象的标注信息。2.由微软Kinect提供的RGB、深度和加速度数据。3.一个用于操作数据和标注的函数集。

数据集包含多个组件：

已标记：视频数据的子集，附带密集的多类标签。此数据也已过预处理，以填充缺失的深度标签。

原始：由 Kinect 提供的原始 rgb、深度和加速度计数据。

工具箱：用于操作数据和标签的有用函数

 

RESIDE数据集介绍

简介

RESIDE数据集包括合成和真实世界的模糊图像，称为REalistic Single Image Dehazing，RESIDE突出显示了各种数据源和图像内容，并分为五个子集，每个子集用于不同的训练或评估目的。提供了各种各样的去雾算法评估标准，从完整参考度量，无参考度量，到主观评估和任务驱动评估。

特点

RESIDE数据集引入了一种新的单图像去雾基准，具有大规模的综合训练集，以及分别为客观和主观质量评估设计的两套不同的数据集。
在RESIDE中，除了广泛采用的PSNR和SSIM之外，我们进一步采用无参考度量和人类主观评分来评估去雾效果，特别是真实世界模糊图像。利用感知损失作为“全参考”任务驱动的度量，捕获更高级别的语义，将在去噪图像上的对象检测性能作为“无参考”任务特定的评估标准，用于去雾现实图像
 

总览

REISDE训练集包含13,990个合成模糊图像，使用来自现有室内深度数据集NYU2和米德尔伯里立体数据库的1,399个清晰图像生成。 我们为每个清晰图像合成10个模糊图像。 提供了13,000个用于训练和990个用于验证。 我们设置每个通道大气光A在[0.7，1.0]之间，均匀地随机选择beta在[0.6,1.8]。 因此，它包含成对的清晰和模糊的图像，其中清晰的地面实况图像可以导致多个对，其朦胧图像是在不同的参数A和beta下生成的。

REISDE测试集由综合目标测试集（SOTS）和混合主观测试集（HSTS）组成，旨在表现出多种评估观点。 SOTS从NYU2中选择500个室内图像（与训练图像不重叠），并按照与训练数据相同的过程来合成模糊图像。 我们专门为测试创建具有挑战性的去雾情况，例如，添加了浓雾的白色场景。 HSTS采用与SOTS相同的方式生成10个合成的户外朦胧图像，以及10个真实世界的朦胧图像，收集现实世界的室外场景 ，结合进行人体主观评审。
 

图像去雾评判标准

PSNR简介

PSNR是峰值信噪比。是一种衡量图像质量的指标。在很多领域都会需要这个指标，比如在超分辨率重建图像的时候，PSNR就是很重要的指标了。

峰值信噪比（英语：Peak signal-to-noise ratio，常缩写为PSNR）是一个表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值的工程术语。由于许多信号都有非常宽的动态范围，峰值信噪比常用对数分贝单位来表示。

计算PSNR要先知道MSE(均方误差)的计算。两个m×n单色图像I和K，如果一个为另外一个的噪声近似，那么它们的的均方误差定义为：

PSNR就是通过MSE得出来的，公式如下：

 

其中，MAXI是表示图像点颜色的最大数值，如果每个采样点用 8 位表示，那么就是 255。

所以MSE越小，则PSNR越大；所以PSNR越大，代表着图像质量越好。一般来说，

 PSNR高于40dB说明图像质量极好（即非常接近原始图像），
在30—40dB通常表示图像质量是好的（即失真可以察觉但可以接受），
在20—30dB说明图像质量差；
最后，PSNR低于20dB图像不可接受。

SSIM简介

SSIM是一种衡量两幅图片相似度的指标。
SSIM的输入就是两张图像，我们要得到其相似性的两张图像。其中一张是未经压缩的无失真图像(即ground truth)，另一张就是你恢复出的图像。所以，SSIM可以作为super-resolution质量的指标。假设我们输入的两张图像分别是x和y，那么

 α>0, β>0β>0,and γ>0γ>0. 式1是SSIM的数学定义，在实际工程计算中，我们一般设定α=β=γ=1α=β=γ=1，以及c3=c2/2c3=c2/2，公式基于样本和之间的三个比较衡量：亮度 (luminance)、对比度 (contrast) 和结构 (structure)，其中：

其中l(x, y)是亮度比较，c(x,y)是对比度比较，s(x,y)是结构比较。μ**xμx和μ**yμy分别代表x,y的平均值，σ**xσx和σ**yσy分别代表x,y的标准差。σxyσxy代表x和y的协方差。而c1c1，c2c2，c3c3分别为常数，避免分母为0带来的系统错误。

总结：

1. SSIM具有对称性，即SSIM(x,y)=SSIM(y,x)
2. SSIM是一个0到1之间的数，越大表示输出图像和无失真图像的差距越小，即图像质量越好。当两幅图像一模一样时，SSIM=1；