卫星图像10个开源数据集资源汇总

文章目录

[1、UC Merced Land-Use](#1、UC Merced Land-Use)

[2、Indian Pines](#2、Indian Pines)

3、KSC

[4、Washington DC](#4、Washington DC)

5、BigEarthNet

6、水体卫星图像的图像

7、城市航拍图像分割数据集

8、游泳池和汽车卫星图像检测

9、人工月球景观数据集

10、马萨诸塞州道路数据集


1、UC Merced Land-Use

这是一个用于研究目的的21类土地利用图像数据集。以下每个类别都有100张图像:

农业、飞机、棒球钻石、海滩、建筑物、丛林、密集住宅、森林、高速路口、高尔夫球场、港口、路口、中型住宅、移动房屋公园、立交桥、停车场、河、跑道、稀疏住宅、储油罐、网球场

每个图像的尺寸为 像素。

这些图像是从美国地质堪探局国家地图城市区域图像集中针对全国各个城市地区的大图像中手动提取的。此公共领域图像的像素分辨率为 1 英尺。

Please cite the following paper when publishing results that use this dataset:

Yi Yang and Shawn Newsam, "Bag-Of-Visual-Words and Spatial Extensions for Land-Use Classification," ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems (ACM GIS), 2010.

Shawn D. Newsam

Assistant Professor and Founding Faculty

Electrical Engineering & Computer Science

University of California, Merced

Email: snewsam@ucmerced.edu

Web: http://faculty.ucmerced.edu/snewsam/

2、Indian Pines

这一场景由AVIRIS传感器采集位于印第安纳州西北部的Indian Pines 测试场上空,由像素和 224 个光谱反射带组成,波长范围为 0.4--2.5 10^(-6) 米。该场景是一个较大场景的子集。印度松树场景包含三分之二的农业和三分之一的森林或其他天然多年生植被。有两条主要的双车道高速公路、一条铁路线,以及一些低密度住房、其他建筑结构和较小的道路。由于该场景是在 6 月份拍摄的,因此一些农作物(玉米、大豆)正处于生长早期阶段,覆盖率不到 5%。可用的基本事实被指定为十六个类别,并且并非全部都是相互排斥的。还通过去除覆盖吸水区域的谱带,将谱带数量减少到 200:104-108150-163、220。

3、KSC

KSC数据集是于1996年3月份在美国佛罗里达州肯尼迪太空中心进行成像,截取512×614大小进行标注的高光谱数据集。它是由机载可是红外成像光谱仪(AVIRIS)摄,AVIRIS的波长范围是400-2500nm。空间分辨率为18米,在去除吸水带以及低信噪比波段后,实际用于训练的波段是176个。研究区域有13中地物类型,包括Scrub、Willow swamp、Cabbage palm hammock、Slash pine等。

4、Washington DC

Washington DC数据集是由Hydice传感器获取的一幅华盛顿购物中心上空的航空高光谱影像,数据包含了从 0.4 -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1280×307。地物类别包括街道,草地,水,碎石小路,树木,阴影和屋顶。

5、BigEarthNet

使用Sentinel-2图像补丁构建BigEarthNet(现在称为BigEarthNet-S2,以前称为BigEarthNet),初步选择了2017年6月至2018年5月期间在欧洲10个国家(奥地利、比利时、芬兰、爱尔兰、科索沃、立陶宛、卢森堡、葡萄牙、塞尔维亚、瑞士)。所有图块均通过 Sentinel-2 Level 2A 产品生成和格式化工具 (sen2cor v2.5.5) 进行了大气校正。然后,它们被分为 590,326 个不重叠的图像块。每个图像块都由 2018 年 CORINE 土地覆盖数据库 (CLC 2018) 提供的多个土地覆盖类别(即多标签)进行注释。BigEarthNet中的标签属于2018年首次发布的标签。

6、水体卫星图像的图像

Sentinel-2 卫星拍摄的水体图像集。每张图片都带有一个黑白mask,其中白色代表水,黑色代表除水之外的其他东西。这些掩模是通过计算 NWDI(归一化水差指数)生成的,该指数经常用于检测和测量卫星图像中的植被,但使用更大的阈值来检测水体。

7、城市航拍图像分割数据集

此数据集包含用于检查和准备航空影像分割数据集的脚本。该数据集包含一组不同的卫星图像,这些图像用目标城市的建筑物、道路和背景标签进行了注释。

8、游泳池和汽车卫星图像检测

9、人工月球景观数据集

由于月球图像的稀缺性和缺乏注释,通常很难对其进行任何类型的机器学习实验。该数据集的目标是为公众提供人造而逼真的月球景观样本,可用于训练岩石检测算法。这些经过训练的算法可以在实际的月球图片或其他岩石地形图片上进行测试。该数据集目前包含 9,766 个岩石月球景观的真实渲染图,以及它们的分段等价物(3 类是天空、较小的岩石和较大的岩石)。还提供了所有较大岩石和经过处理、清理后的地面实况图像的边界框表。

10、马萨诸塞州道路数据集

马萨诸塞州道路数据集由1171幅马萨诸塞州的航空图像组成。与建筑数据一样,每个图像的大小为1500×1500像素,占地2.25平方公里。

参考:小白学视觉、极市平台

相关推荐
戴西软件7 小时前
戴西 DLM 许可授权管理系统:破解无网络环境下工业软件授权难题,助力制造企业降本增效
网络·人工智能·python·深度学习·程序人生·算法·制造
Black蜡笔小新7 小时前
制造业AI质检工作站/企业AI算力工作站DLTM助力制造业质检智能化升级
人工智能·深度学习·机器学习
渡之9 小时前
GRiM-Net 深度解析 | 无人机 GNSS 拒止场景下两阶段跨视角视觉定位框架
深度学习·算法·动态规划·无人机
埃科光电10 小时前
应用分享丨告别测量盲区!锂电极片刻槽检测新方案
图像处理·计算机视觉·视觉检测·相机
code_pgf11 小时前
mllm训练过程中有效地利用辅助监督信号来减少幻觉的方法
人工智能·深度学习·计算机视觉
装不满的克莱因瓶11 小时前
自然语言处理常见任务——从文本理解到生成式AI的完整任务体系
人工智能·pytorch·python·深度学习·ai·自然语言处理
炎武丶航11 小时前
LeNet-5深度学习详解:从手写数字识别到代码实战
人工智能·python·深度学习·机器学习·ai·cnn·lenet
armwind12 小时前
openISP学习11-BNF — Bilateral Noise Filtering(双边滤波降噪)
图像处理·计算机视觉
湘美书院--湘美谈教育12 小时前
湘美谈教育AI赋能系列经验集锦:学好唐诗宋词的点滴心得体会
大数据·人工智能·深度学习·神经网络·机器学习