OPT-BCFSAR-PFSAR

OPT-BCFSAR-PFSAR数据集由中国科学院空天信息创新研究院创建，主要用于云去除研究。该数据集包含从极化合成孔径雷达（PolSAR）数据中获取的后向散射系数特征图像和极化特征图像，以及光学图像。数据集的设计旨在通过融合多模态光学图像和PolSAR图像，解决光学遥感图像中云覆盖导致的缺失信息重建问题。数据集的应用领域包括地球观测、遥感图像处理等，旨在通过深度学习技术实现高质量的云去除效果。The OPT-BCFSAR-PFSAR dataset was created by the Institute of Space and Information Science, Chinese Academy of Sciences, primarily for cloud removal research. The dataset comprises backscatter coefficient feature images and polarization feature images derived from polarimetric synthetic aperture radar (PolSAR) data, as well as optical images. The dataset is designed to address the issue of missing information reconstruction in optical remote sensing images due to cloud coverage by fusing multi-modal optical images and PolSAR images. The application domains of the dataset include earth observation and remote sensing image processing, aiming to achieve high-quality cloud removal effects through deep learning techniques.

搜集汇总

数据集介绍

构建方式

OPT-BCFSAR-PFSAR数据集的构建基于多源遥感数据的融合，主要包含光学图像和全极化合成孔径雷达（PolSAR）图像。光学图像和PolSAR图像均采集自中国甘肃省张掖地区，光学数据包括RGB和近红外通道，空间分辨率为0.2米，而PolSAR数据为C波段全极化单视复数据，包含HH、HV、VH和VV极化。为确保光学图像与PolSAR图像的像素级对应，光学图像被重采样至0.5米的地面分辨率。PolSAR数据通过相干矩阵提取了后向散射系数特征图像（BCFSAR）和极化特征图像（PFSAR）。数据集通过随机生成的云掩膜模拟了不同云覆盖情况的光学图像，最终生成了2030对图像，每对包含云覆盖光学图像、无云光学图像、BCFSAR图像和PFSAR图像。

特点

OPT-BCFSAR-PFSAR数据集的特点在于其多模态数据的融合，结合了光学图像和PolSAR图像的优势。光学图像提供了丰富的光谱信息，而PolSAR图像则通过极化特征提供了地物的几何和散射信息，尤其适用于云覆盖区域的恢复。数据集涵盖了多种地物类别，包括建筑物、农田、树木覆盖、草地、交通路线和水体等，且云覆盖比例从0%到100%不等，能够有效支持云去除算法的训练和评估。此外，数据集的图像经过严格配准，确保了多源数据的一致性。

使用方法

OPT-BCFSAR-PFSAR数据集主要用于云去除算法的训练和评估。通过将云覆盖的光学图像与PolSAR图像作为输入，算法可以学习如何利用PolSAR图像的极化特征来恢复光学图像中的缺失区域。数据集的使用方法包括：首先，将光学图像和PolSAR图像进行预处理，确保数据格式和分辨率一致；其次，利用深度学习模型（如本文提出的PODF-CR算法）进行多模态数据融合和特征提取；最后，通过解码模块生成无云的光学图像。数据集的评估指标包括峰值信噪比（PSNR）、结构相似性指数（SSIM）、相关系数（CC）和光谱角映射（SAM），以定量评估云去除效果。

背景与挑战

背景概述

OPT-BCFSAR-PFSAR数据集是由中国科学院空天信息创新研究院的王玉玺、张文娟和张兵等研究人员于2021年创建的，旨在解决光学遥感图像中云层遮挡问题。该数据集结合了极化合成孔径雷达（PolSAR）和光学遥感数据，通过多模态数据融合技术，重建被云层遮挡的光学图像。数据集的核心研究问题是如何利用PolSAR数据的极化特征和散射信息，辅助光学图像的去云处理。该数据集在遥感图像处理领域具有重要影响力，特别是在云层去除和多模态数据融合方面，为相关研究提供了宝贵的数据支持。

当前挑战

OPT-BCFSAR-PFSAR数据集在构建和应用过程中面临多重挑战。首先，PolSAR图像中存在大量的斑点噪声，这些噪声会干扰图像的有效信息提取，影响去云效果。其次，PolSAR图像与光学图像的成像机制不同，导致两者在特征表达上存在显著差异，如何实现多模态数据的有效融合是一个关键问题。此外，数据集的构建需要确保PolSAR图像与光学图像在空间分辨率上的匹配，这对数据的预处理和配准提出了较高要求。最后，如何在去云过程中保留光学图像的高频纹理和光谱信息，也是该数据集应用中的一大挑战。

常用场景

经典使用场景

OPT-BCFSAR-PFSAR数据集主要用于极化合成孔径雷达（PolSAR）与光学遥感图像的多模态融合研究，特别是在云层去除任务中。该数据集通过结合PolSAR图像和光学图像，利用深度学习技术重建被云层遮挡的光学图像。经典使用场景包括利用PolSAR图像的极化特征和散射信息，辅助光学图像进行云层去除，生成无云的高质量遥感图像。

衍生相关工作

基于OPT-BCFSAR-PFSAR数据集，衍生了一系列经典研究工作。例如，Wang等人提出的基于双流残差网络的PolSAR-光学数据融合云层去除算法（PODF-CR），通过引入动态滤波器和多模态交叉融合模块，显著提升了云层去除的效果。此外，该数据集还推动了基于注意力机制的多模态融合方法的发展，如Han等人提出的Transformer-based云层去除方法，进一步提升了全局一致性和纹理细节的恢复能力。

数据集最近研究

最新研究方向

近年来，随着遥感技术的快速发展，光学遥感图像在地表观测中扮演着至关重要的角色。然而，云层覆盖问题严重影响了光学遥感图像的完整性和可用性。为了应对这一挑战，研究者们提出了多种基于合成孔径雷达（SAR）和光学数据融合的云去除算法。其中，OPT-BCFSAR-PFSAR数据集因其包含全极化SAR图像和光学图像的多模态数据，成为云去除研究的重要基准。最新的研究方向集中在深度学习与多模态数据融合的结合上，尤其是通过双流残差网络（Two-Flow Residual Network）实现SAR与光学图像的特征提取与融合。研究者们通过引入动态滤波器、跨模态跳跃连接和注意力机制，有效解决了SAR图像中的斑点噪声问题，并提升了光学图像的重建精度。这些方法不仅在定量评估中表现出色，还在复杂地表纹理和大面积云覆盖区域的重建中展现了显著优势。OPT-BCFSAR-PFSAR数据集的应用进一步推动了云去除技术的发展，为遥感图像的高质量重建提供了新的解决方案。

相关研究论文

• Cloud Removal With PolSAR-Optical Data Fusion Using A Two-Flow Residual Network

  中国科学院数字地球科学重点实验室, 中国科学院空天信息创新研究院, 中国科学院大学资源与环境学院 · 2025年