WHU-Hi|高光谱图像数据集|精准农业数据集

WHU-Hi是由武汉大学创建的高空间分辨率无人机载高光谱图像（H2）数据集，旨在解决现有数据集在空间分辨率、标记像素比例和子类别区分度方面的不足。该数据集包含WHU-Hi-LongKou、WHU-Hi-HanChuan和WHU-Hi-HongHu三个子集，分别在湖北省的不同农业区域采集，具有从分米级到厘米级的高空间分辨率，标记像素比例超过69%，包含多种农作物类型。数据集创建过程中，使用了Headwall Nano-Hyperspec传感器进行数据采集，并通过辐射校正和几何校正进行预处理。WHU-Hi数据集主要应用于精准农业和土地利用监测，以提高高光谱图像分类的准确性和效率。

AI搜集汇总

数据集介绍

构建方式

WHU-Hi数据集通过搭载在无人机平台上的Headwall Nano-Hyperspec传感器采集，涵盖了湖北省多个农业区域的多种作物类型。数据预处理包括辐射校正和几何校正，确保了数据的高精度和可靠性。具体而言，辐射校正将原始数字值转换为辐射值，几何校正则基于GPS/IMU模块记录的位置和姿态信息进行。这些步骤确保了WHU-Hi数据集在空间和光谱分辨率上的卓越表现。

特点

WHU-Hi数据集以其高空间分辨率（厘米级）和高光谱分辨率（纳米级）著称，显著优于现有的基准数据集。此外，该数据集具有较高的像素标注比例，超过69%，且标注像素数量超过20万。丰富的地面特征类型和精细的子类划分使其在超光谱图像分类任务中具有极高的挑战性和应用价值。

使用方法

WHU-Hi数据集适用于各种超光谱图像分类任务，包括但不限于土地利用监测、精准农业和城市规划。研究者可以通过统一的实验设置和数据划分条件，评估不同分类方法在该数据集上的表现。具体使用时，可随机选择25、50或100个标注像素进行模型训练，其余像素用于测试。通过总体精度（OA）、平均精度（AA）和Kappa系数等指标，可以量化评估分类结果的准确性和可靠性。

背景与挑战

背景概述

高光谱图像分类在遥感领域中占据重要地位，然而现有数据集在空间分辨率、标记像素比例及子类区分度方面存在显著瓶颈。为应对这些挑战，武汉大学团队于近年构建了WHU-Hi数据集，该数据集通过无人机平台搭载高分辨率传感器，实现了厘米级空间分辨率和纳米级光谱分辨率，显著提升了标记像素比例和子类细分程度。WHU-Hi数据集的推出，不仅填补了现有数据集的不足，还为高光谱图像分类研究提供了新的基准，有望推动该领域的进一步发展。

当前挑战

WHU-Hi数据集在构建过程中面临多重挑战。首先，高空间分辨率和高光谱分辨率的数据采集对传感器和平台的技术要求极高，数据预处理和校正过程复杂。其次，标记像素比例的提升意味着需要大量的人工标注工作，这在实际操作中极具挑战性。此外，数据集中的子类细分程度高，导致分类任务更加复杂，现有的分类算法在处理这些细粒度类别时表现不佳。这些挑战不仅影响了数据集的构建效率，也对后续的分类算法提出了更高的要求。

常用场景

经典使用场景

在遥感领域，WHU-Hi数据集因其高空间分辨率和丰富的光谱信息，成为超光谱图像分类的经典基准。该数据集广泛应用于土地覆盖分类、精准农业和城市规划等场景。通过结合高光谱成像技术和无人机平台，WHU-Hi数据集能够提供厘米级的高分辨率图像，为研究人员提供了前所未有的精细分类能力。

实际应用

在实际应用中，WHU-Hi数据集被广泛用于农业监测、作物分类和土地利用规划等领域。例如，通过无人机搭载的高光谱传感器，可以实时获取农田的高分辨率图像，帮助农民精准识别作物类型和生长状况，从而优化农业管理策略。此外，该数据集还可用于城市规划中的土地覆盖分类，为城市发展提供科学依据。

衍生相关工作

基于WHU-Hi数据集，研究人员开发了多种先进的分类算法，如基于深度学习的谱-空注意力网络（SSAN）和谱-空残差网络（SSRN）。这些算法在复杂场景下的分类性能显著提升，推动了超光谱图像分类技术的发展。此外，WHU-Hi数据集还激发了全卷积网络（SSFCN）和快速无补丁全局学习框架（FPGA）等创新方法的研究，进一步拓展了超光谱图像处理的应用领域。