isp-uv-es/opensr-test

opensr-test数据集是一个用于卫星图像超分辨率（SR）基准测试的综合数据集。它包含五个子数据集：NAIP、SPOT、Venµs、SPAIN CROPS和SPAIN URBAN。每个数据集都经过精心设计，以最小化空间和光谱的错位。数据集提供了Sentinel-2的L2A和L1C波段，以及高分辨率图像（RGBNIR）和经过协调的高分辨率图像（HRharm）。此外，数据集还包含了图像的元数据，如低分辨率和高分辨率图像的文件路径、空间唯一标识符、Google Earth Engine ID、反射率、光谱一致性、空间一致性等信息。数据集的目标是提供一个公平的SR基准测试方法，通过三个独立的指标组来评估SR算法的性能，这些指标组分别衡量一致性、合成和正确性。The opensr-test dataset is a comprehensive benchmark dataset for satellite image super-resolution (SR). It comprises five sub-datasets: NAIP, SPOT, Venµs, SPAIN CROPS, and SPAIN URBAN. Each sub-dataset is meticulously designed to minimize spatial and spectral misalignment. The dataset provides L2A and L1C bands of Sentinel-2, along with high-resolution RGBNIR images and coregistered high-resolution images (HRharm). Additionally, the dataset includes image metadata such as file paths of low-resolution and high-resolution images, spatial unique identifiers, Google Earth Engine IDs, reflectance values, spectral consistency metrics, spatial consistency metrics, and other relevant information. The core objective of this dataset is to provide a fair SR benchmarking framework for evaluating the performance of SR algorithms via three independent metric groups that respectively measure consistency, synthesis, and correctness.

原始信息汇总

数据集概述

数据集名称: opensr-test

许可证: MIT

任务类别:

• 图像到图像

语言:

• 英语

标签:

• 地球
• 遥感
• 超分辨率
• Sentinel-2

美观名称: opensr_test

大小类别:

• 10K<n<100K

数据集内容

opensr-test 提供五个用于基准测试SR模型的数据集，这些数据集旨在最小化空间和光谱错位。

数据集	比例因子	图像数量	高分辨率补丁大小
NAIP	x4	62	484x484
SPOT	x4	9	512x512
Venµs	x2	59	256x256
SPAIN CROPS	x4	28	512x512
SPAIN URBAN	x4	20	512x512

每个数据集包含以下键的词典：

• L2A: Sentinel-2 L2A波段（12波段）。
• L1C: Sentinel-2 L1C波段（12波段）。
• HR: 未协调的高分辨率图像（RGBNIR）。
• HRharm: 与Sentinel-2 L2A波段协调的高分辨率图像（RGBNIR）。
• metadata: 包含图像元数据的pandas DataFrame。

数据集详细信息

NAIP (X4 scale factor)

• 图像数量: 62
• 分辨率: 2.5m
• 关注区域: 农作物、森林、裸土区

SPOT (X4 scale factor)

• 图像数量: 9
• 分辨率: 2.5m
• 关注区域: 城市区域、农作物、裸土区

Venµs (X2 scale factor)

• 图像数量: 59
• 分辨率: 5m
• 关注区域: 农作物、森林、城市区域、裸土区

SPAIN CROPS (x4 scale factor)

• 图像数量: 28
• 分辨率: 2.5m
• 关注区域: 农作物、森林

SPAIN URBAN (x4 scale factor)

• 图像数量: 20
• 分辨率: 2.5m
• 关注区域: 城市区域、道路

搜集汇总

数据集介绍

构建方式

在遥感图像超分辨率领域，多数模型依赖合成数据进行测试，其真实世界适用性存疑。为弥补这一不足，opensr-test数据集应运而生，旨在提供一个公平且严谨的基准测试框架。该数据集由五个子集构成，分别源自NAIP航拍影像、SPOT卫星图像、Venµs卫星图像以及西班牙国家地理研究所提供的农业与城市区域航拍影像。每个子集均包含Sentinel-2的L1C和L2A波段数据，以及经过精心配准的高分辨率RGBNIR图像。为消除空间与光谱错位，数据集还提供了与L2A波段协同配准的HRharm图像，并通过元数据记录了反射率一致性、光谱角度距离及空间偏移量等关键指标，确保测试条件的真实性与可靠性。

特点

opensr-test数据集的核心特色在于其多维度的评估体系与精细化的数据构建。它摒弃了传统单一指标，转而从一致性、合成质量与正确性三个独立维度衡量超分辨率算法性能，全面反映模型在真实场景中的表现。数据集覆盖多种地表类型，包括农田、森林、城市与裸土，增强了评估的泛化性。此外，每个子集均提供12个Sentinel-2波段的低分辨率图像与高分辨率参考图像，支持多光谱超分辨率研究。元数据中嵌入的光谱与空间一致性量化指标，使得研究人员能够深入分析算法对反射率保持与光谱保真度的影响，为模型优化提供精准指导。

使用方法

研究人员可通过Python包opensr-test便捷地加载与使用该数据集。安装后，调用opensr_test.load()函数并指定子集名称（如'naip'、'spot'、'venus'、'spain_crops'或'spain_urban'），即可获得包含L2A、L1C、HR、HRharm及metadata的字典结构。该设计支持灵活的模型输入配置，例如可将L1C或L2A波段作为超分辨率模型的输入，并以HR或HRharm图像作为真值进行损失计算与性能评估。结合内置的元数据字段，用户可进一步分析空间对齐误差与光谱畸变，从而在算法开发中实现更具针对性的优化与验证。

背景与挑战

背景概述

遥感图像超分辨率重建是提升卫星影像空间分辨率的关键技术，旨在从低分辨率观测中恢复精细的地物细节。然而，现有模型多在合成数据上验证性能，其在真实场景中的泛化能力备受质疑。为填补这一空白，欧洲空间局（ESA）支持的OpenSR项目团队于2024年发布了opensr-test基准数据集，由Cesar Aybar、David Montero等研究人员主导。该数据集的核心创新在于提供了五个精心构建的子数据集（NAIP、SPOT、Venµs、SPAIN CROPS、SPAIN URBAN），涵盖农业、森林、城市等多类地物，并引入与Sentinel-2影像光谱和空间对齐的高分辨率参考图像，旨在系统评估超分辨率算法在实际遥感应用中的表现。该基准的提出为遥感超分辨率领域提供了标准化测试平台，推动了从实验室验证到业务化应用的跨越。

当前挑战

opensr-test所应对的核心挑战在于真实遥感场景下超分辨率评估的复杂性。首先，传统合成数据测试无法反映真实影像中存在的空间错位、光谱差异及光照变化，导致模型在部署时性能骤降；其次，常用评价指标如PSNR、SSIM和LPIPS对上述扰动极为敏感，难以准确衡量重建质量。在数据集构建过程中，团队面临了多源影像严格配准的困难，需通过精心设计的数据处理流程最小化Sentinel-2与高分辨率参考图像间的几何与光谱偏差。此外，不同子数据集覆盖的地物类型多样（如作物、裸土、城市），要求算法具备跨场景的鲁棒性。最终，该基准通过三组独立指标（一致性、合成性、正确性）实现了对超分辨率模型性能的全面诊断，为克服上述挑战提供了系统方案。

常用场景

经典使用场景

opensr-test数据集专为真实世界Sentinel-2影像超分辨率任务设计，其核心使用场景在于对超分辨率模型进行公平且可复现的基准测试。该数据集精心构建了五个子集，涵盖NAIP、SPOT、Venµs等不同传感器的高分辨率参考影像，并提供了经过光谱和空间配准优化后的低分辨率与高分辨率图像对。研究者可借此评估模型在农业、城市、森林等多种地表覆盖类型上的表现，从而检验算法从合成数据迁移至真实遥感场景时的泛化能力与稳健性。

实际应用

在实际应用中，opensr-test数据集为遥感影像增强服务提供了可靠的验证工具，助力国土监测、农业估产、城市规划等领域对卫星图像地面采样距离的提升需求。例如，农业部门可利用其评估模型对作物田块和森林区域的超分辨率效果，从而更精确地识别植被边界或监测生长状况；城市规划者则可借助城市子集验证算法在复杂人造地物上的重建能力，为高精度地图更新和基础设施管理提供数据支撑。

衍生相关工作

基于opensr-test数据集，学术界已衍生出多项开创性工作，其中最具代表性的是由欧洲空间局支持的OpenSR项目及其配套的论文《A Comprehensive Benchmark for Optical Remote Sensing Image Super-Resolution》。该工作系统性地分析了不同超分辨率模型在真实Sentinel-2影像上的表现，并推动了针对光谱一致性和空间保真度的新型评估方法的发展。此外，该数据集还催生了多个后续研究，如利用深度学习进行多传感器融合超分辨率、以及基于物理模型的遥感图像增强算法，进一步拓展了遥感超分辨率的理论与应用边界。