BJTU-UVA Dataset

BJTU-UVA数据集是由北京交通大学和阿姆斯特丹大学合作创建的，专门用于高光谱图像（HSI）自动光谱校准的首个大型数据集。该数据集包含765对高质量的高光谱图像对，覆盖了多样化的自然场景和光照条件。数据集的创建过程采用了异步校准方法，使用204个波段的高光谱相机进行采集，空间分辨率为512×512，量化位数为12位。该数据集不仅用于校准研究，还扩展了10种不同的物理测量光照条件，生成了7650对未校准的高光谱图像。BJTU-UVA数据集主要应用于高光谱图像的自动校准，旨在解决传统物理参考校准方法中的遮挡、手动操作和相机移动限制等问题。The BJTU-UVA dataset, co-created by Beijing Jiaotong University and the University of Amsterdam, is the first large-scale dataset specifically developed for automated spectral calibration of hyperspectral images (HSI). It contains 765 pairs of high-quality hyperspectral images covering diverse natural scenes and lighting conditions. During its construction, an asynchronous calibration method was adopted, with data collected using a hyperspectral camera equipped with 204 spectral bands, a spatial resolution of 512×512, and a 12-bit quantization depth. Beyond serving calibration research, the dataset further generates 7,650 pairs of uncalibrated hyperspectral images by incorporating 10 distinct physically measured lighting conditions. Primarily applied to automated hyperspectral image calibration, this dataset aims to resolve issues including occlusion, manual operation, and camera movement constraints in traditional physical reference calibration methods.

搜集汇总

数据集介绍

构建方式

BJTU-UVA数据集通过使用204个波段、400-1000nm光谱范围的Specim IQ高光谱相机进行构建，空间分辨率为512×512，量化精度为12位。该数据集包含765对经过校准和未校准的高光谱图像对，采用异步校准方法获取，涵盖了多样化的自然场景和光照条件。为了进一步研究光照校准，数据集通过结合10种不同的物理测量光照条件扩展至7650对未校准的高光谱图像，形成了BJTU-UVA-E数据集。

特点

BJTU-UVA数据集不仅是首个用于高光谱图像自动校准的数据集，也是目前最大的公开高光谱数据集之一。其特点在于涵盖了广泛的自然场景和光照条件，包括城市和自然环境中的道路、建筑、雕像、花卉等多种场景，且在不同天气和时间条件下进行采集。此外，数据集通过扩展至7650对图像，进一步丰富了光照多样性，为研究光照校准提供了丰富的资源。

使用方法

BJTU-UVA数据集可用于高光谱图像的自动校准任务，支持多种评估指标，如PSNR、RMSE、ERGAS和SAM。研究者可以通过该数据集训练和验证基于学习的校准方法，特别是针对高光谱图像的光照校准问题。数据集的多样性和规模使其成为评估和开发新型校准算法的理想平台，尤其是在低光照条件下的校准性能评估方面。

背景与挑战

背景概述

高光谱图像（HSI）通过在空间和频域上密集采样，提供了比RGB图像更为丰富的信息，广泛应用于遥感与实验室分析等领域。然而，HSI的成像效果高度依赖于全局光照条件，尤其在自然场景中，光照变化复杂且难以控制。传统的HSI校准方法依赖于物理参考，如使用钡硫酸面板作为参考，但这些方法存在手动操作、遮挡以及限制相机移动等局限性。为了克服这些限制，北京交通大学与阿姆斯特丹大学的研究团队于2024年提出了BJTU-UVA数据集，该数据集包含765对高质量的HSI图像，覆盖了多样化的自然场景和光照条件，并通过结合10种不同的物理测量光照，扩展至7650对图像。该数据集的创建旨在支持基于学习的自动HSI校准方法，推动高光谱图像处理领域的发展。

当前挑战

BJTU-UVA数据集的构建面临多重挑战。首先，HSI的校准问题本身具有复杂性，尤其是在自然场景中，光照的时空变化使得传统的物理参考方法难以适用。其次，数据集的构建过程中，研究人员需要确保图像对的光照条件一致性，同时避免遮挡和手动操作的干扰。此外，低光照条件下的校准尤为困难，这不仅影响了校准的精度，还对算法的鲁棒性提出了更高的要求。最后，如何在高光谱图像的可见光与近红外波段之间实现一致的校准，也是该数据集面临的重要挑战之一。

常用场景

经典使用场景

BJTU-UVA数据集在超光谱图像（HSI）自动光谱校准领域具有经典应用场景。该数据集包含765对高质量的超光谱图像对，涵盖了多样化的自然场景和光照条件，特别适用于研究自动光谱校准算法。通过提供未校准和已校准的图像对，研究人员可以开发和验证基于学习的校准方法，如光谱光照变换器（SIT），以解决传统物理参考方法中的遮挡、手动操作和相机移动限制等问题。

解决学术问题

BJTU-UVA数据集解决了超光谱图像校准中的多个学术研究问题。传统方法依赖物理参考，存在遮挡、手动操作和相机移动限制，而该数据集通过提供大规模的校准图像对，推动了基于学习的自动校准方法的发展。这不仅减少了手动操作，还提高了校准的灵活性和准确性，特别是在自然场景中光照条件多变的情况下。此外，数据集的扩展版本（BJTU-UVA-E）通过引入10种不同的物理测量光照，进一步提升了校准算法的鲁棒性和适应性。

衍生相关工作

BJTU-UVA数据集的发布催生了一系列相关研究工作。首先，基于该数据集提出的光谱光照变换器（SIT）成为超光谱图像自动校准的基线方法，推动了该领域的进一步研究。其次，数据集的扩展版本（BJTU-UVA-E）为研究不同光照条件下的校准问题提供了丰富的资源，促进了低光照和高光照条件下的校准算法研究。此外，该数据集还激发了对超光谱图像去噪、重建等任务的研究，进一步拓展了超光谱图像处理的应用范围。