danaroth/icvl

ICVL是一个高光谱图像数据集，由Specim PS Kappa DX4高光谱相机和旋转平台进行空间扫描采集。数据集目前包含200张图像，并且会逐步增加。图像的空间分辨率为1392×1300，覆盖519个光谱波段（400-1000nm，间隔约1.25nm）。数据集提供了ENVI格式的原始数据和MAT格式的下采样数据（31个光谱通道，400-700nm，间隔10nm）。原始数据集仅包含干净的图像，用于高光谱图像去噪的测试数据来自另一篇论文。

ICVL is a hyperspectral image dataset acquired via spatial scanning using a Specim PS Kappa DX4 hyperspectral camera and a rotating platform. Currently, the dataset contains 200 images, and the total number will be gradually increased. The images have a spatial resolution of 1392×1300, covering 519 spectral bands ranging from 400 to 1000 nm with an interval of approximately 1.25 nm. The dataset provides raw data in ENVI format and downsampled data in MAT format, which features 31 spectral channels spanning 400–700 nm with an interval of 10 nm. The raw dataset only contains pristine images, while the test data for hyperspectral image denoising is sourced from another academic paper.

原始信息汇总

数据集描述

ICVL是一个高光谱图像数据集，由“Sparse Recovery of Hyperspectral Signal from Natural RGB Images”收集。该数据集使用Specim PS Kappa DX4高光谱相机和旋转舞台进行空间扫描采集。目前包含200张图像，并将持续增长。

图像采集的分辨率为1392 $ imes$ 1300，覆盖519个光谱带（400-1000nm，大约每1.25nm一个光谱带）。.raw文件包含以ENVI格式存储的相机原始数据，.hdr文件包含解码所需的头部信息。为了方便使用，还提供了.mat文件，这些文件从400nm到700nm以10nm的增量降采样到31个光谱通道。

原始数据集仅包含干净图像。对于高光谱图像去噪基准测试，测试数据集来自“3D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising”。

快速预览

以下是数据集中部分图像的预览：

4cam_0411-1640-1	4cam_0411-1648	bguCAMP_0514-1659	bguCAMP_0514-1711
bguCAMP_0514-1712	bguCAMP_0514-1718	bguCAMP_0514-1723	bguCAMP_0514-1724
BGU_0403-1419-1	bgu_0403-1439	bgu_0403-1444	bgu_0403-1459
bgu_0403-1511	bgu_0403-1523	bgu_0403-1525	BGU_0522-1113-1
BGU_0522-1127	BGU_0522-1136	BGU_0522-1201	BGU_0522-1203
BGU_0522-1211	BGU_0522-1216	BGU_0522-1217	bulb_0822-0903
bulb_0822-0909	CC_40D_2_1103-0917	eve_0331-1549	eve_0331-1551
eve_0331-1601	eve_0331-1602	eve_0331-1606	eve_0331-1618
eve_0331-1632	eve_0331-1633	eve_0331-1646	eve_0331-1647
eve_0331-1656	eve_0331-1657	eve_0331-1702	eve_0331-1705
Flower_0325-1336	gavyam_0823-0930	gavyam_0823-0933	gavyam_0823-0944
gavyam_0823-0945	gavyam_0823-0950-1	grf_0328-0949	hill_0325-1219
hill_0325-1228	hill_0325-1235	hill_0325-1242	IDS_COLORCHECK_1020-1215-1
IDS_COLORCHECK_1020-1223	Labtest_0910-1502	Labtest_0910-1504	Labtest_0910-1506
Labtest_0910-1509	Labtest_0910-1510	Labtest_0910-1511	Labtest_0910-1513
lehavim_0910-1600	lehavim_0910-1602	lehavim_0910-1605	lehavim_0910-1607
lehavim_0910-1610	Lehavim_0910-1622	Lehavim_0910-1626	Lehavim_0910-1627
	![Lehavim_0910-1

搜集汇总

数据集介绍

构建方式

ICVL数据集由Specim PS Kappa DX4高光谱相机和旋转舞台进行空间扫描采集而成。该数据集包含200幅图像，覆盖1392 × 1300的空间分辨率和519个光谱带（400-1000nm，间隔约1.25nm）。原始数据以ENVI格式存储于.raw文件中，并附有.hdr文件用于解码。此外，为方便使用，数据集还提供了降采样至31个光谱通道的.mat文件，光谱范围为400nm至700nm，间隔10nm。

特点

ICVL数据集的主要特点在于其高光谱分辨率和广泛的光谱覆盖范围，适用于高光谱图像处理和分析。数据集中的图像均为无噪声的原始数据，适合用于高光谱图像去噪和恢复任务。此外，数据集提供了多种格式的文件，便于不同应用场景下的使用和处理。

使用方法

使用ICVL数据集时，用户可根据需求选择.raw或.mat格式的文件。对于需要高光谱分辨率的应用，建议使用.raw文件，并结合.hdr文件进行解码。对于快速实验和初步分析，.mat文件提供了降采样的光谱数据，便于快速加载和处理。数据集适用于高光谱图像去噪、恢复和分析等任务，用户在使用时应遵循数据集的引用要求，并在相关研究中引用原始文献。

背景与挑战

背景概述

ICVL数据集是一个高光谱图像数据集，由Boaz Arad和Ohad Ben-Shahar在2016年欧洲计算机视觉会议上发表的论文《Sparse Recovery of Hyperspectral Signal from Natural RGB Images》中首次提出。该数据集通过使用Specim PS Kappa DX4高光谱相机和旋转平台进行空间扫描采集，目前包含200张图像，并计划逐步扩展。图像的分辨率为1392 × 1300，覆盖519个光谱带（400-1000nm，间隔约1.25nm）。ICVL数据集在高光谱图像处理领域具有重要影响力，特别是在稀疏恢复和自然RGB图像的高光谱信号重建方面，为相关研究提供了宝贵的资源。

当前挑战

ICVL数据集在高光谱图像处理领域面临多项挑战。首先，高光谱图像的数据量巨大，处理和存储这些数据需要高效的算法和强大的计算资源。其次，高光谱图像的噪声问题较为突出，如何有效去噪以提高图像质量是一个关键问题。此外，数据集的构建过程中，如何确保不同光谱带之间的数据一致性和准确性也是一个挑战。最后，由于高光谱图像的复杂性，如何从这些图像中提取有用的特征并进行准确的分类和识别，是当前研究的热点和难点。

常用场景

经典使用场景

在超光谱图像处理领域，ICVL数据集被广泛用于超光谱信号的稀疏恢复研究。该数据集通过高分辨率的超光谱相机采集，涵盖了从400nm到1000nm的519个光谱带，为研究人员提供了丰富的光谱信息。经典的使用场景包括超光谱图像的去噪、光谱特征提取以及光谱分类等任务，这些任务对于环境监测、农业分析和医学诊断等领域具有重要意义。

实际应用

在实际应用中，ICVL数据集被广泛应用于多个领域。例如，在农业领域，超光谱图像技术可以用于作物健康监测和病虫害检测，通过分析不同光谱带的反射特性，实现对作物生长状态的精准评估。在环境监测方面，该数据集支持对水体和土壤污染的快速检测，通过高光谱成像技术获取的环境数据，可以为环境保护和治理提供科学依据。此外，在医学领域，超光谱成像技术也被用于皮肤病的早期诊断和治疗效果评估。

衍生相关工作

基于ICVL数据集，研究人员开展了多项经典工作。例如，Arad和Ben-Shahar在其研究中提出了基于稀疏恢复的超光谱信号重建方法，该方法在数据集上取得了显著的效果，并被广泛引用。此外，还有研究者利用该数据集开发了新的超光谱图像去噪算法，如3D Quasi-Recurrent Neural Network，这些算法在提升图像质量方面表现出色。这些衍生工作不仅丰富了超光谱图像处理的技术手段，也为相关领域的应用提供了强有力的支持。