PRISMA dataset

PRISMA dataset, developed by the University of Milano-Bicocca, Italy, comprises 190 hyperspectral images collected from the ASI PRISMA satellite, covering diverse geographical areas totaling 262200 km². The dataset is preprocessed and utilized for retraining state-of-the-art pansharpening approaches. It serves as a benchmark for evaluating the performance of deep learning models in enhancing spatial resolution of hyperspectral images, addressing the challenge of limited high-cardinality datasets in the field. The dataset's application focuses on advancing the capabilities of deep neural networks in remote sensing, particularly in the context of hyperspectral image pansharpening.

PRISMA 数据集（PRISMA dataset）由意大利米兰比可卡大学研发，包含190幅取自ASI PRISMA卫星的高光谱图像（hyperspectral images），覆盖总面积达262200平方千米的多样化地理区域。该数据集已完成预处理工作，可用于重新训练前沿顶尖的全色锐化（pansharpening）算法；其可作为基准数据集，用于评估深度学习模型提升高光谱图像空间分辨率的性能，解决了该领域内高基数数据集匮乏的行业难题。本数据集的应用方向聚焦于推动遥感领域深度学习神经网络的性能优化，尤其针对高光谱图像全色锐化场景。

搜集汇总

数据集介绍

构建方式

PRISMA数据集的构建基于ASI PRISMA卫星采集的高光谱图像，覆盖了约262,200平方公里的地球表面。数据集的构建过程包括从PRISMA卫星的Level-2D产品中提取可见光和近红外（VNIR）、短波红外（SWIR）立方体以及全色（PAN）波段。通过HDF5标准进行数据提取后，数据集经过图像配准和清理步骤，去除噪声或无效数据波段。最终，数据集被划分为不同分辨率的图像块，用于全分辨率（FR）和降分辨率（RR）两种实验协议。

特点

PRISMA数据集的特点在于其规模大、覆盖范围广，涵盖了欧洲、日本、韩国、印度和澳大利亚等多个地区，总计190幅图像。数据集包含203个光谱波段，覆盖了从可见光到短波红外的广泛光谱范围。此外，数据集通过随机采样地球表面，确保了其异质性。PRISMA数据集的高分辨率和多光谱特性使其成为高光谱图像融合领域的理想基准。

使用方法

PRISMA数据集的使用方法主要分为两种实验协议：全分辨率（FR）和降分辨率（RR）。在FR协议中，数据集用于评估无参考图像的高光谱图像融合算法，适用于真实场景下的性能评估。在RR协议中，数据集通过降采样生成三组数据（PAN↓, HS↓, HS），用于有参考的模型训练和评估。通过这两种协议，研究人员可以全面评估高光谱图像融合算法在不同分辨率下的表现，并比较传统机器学习方法与深度学习方法的效果。

背景与挑战

背景概述

PRISMA数据集是由意大利米兰-比可卡大学信息、系统和通信系的成像与视觉实验室（Imaging and Vision Laboratory）的研究团队于2023年创建的。该数据集基于ASI PRISMA卫星采集的高光谱数据，覆盖了约262,200平方公里的地球表面区域，涵盖了欧洲、日本、韩国、印度和澳大利亚等多个地理区域。PRISMA数据集的核心研究问题在于高光谱图像的全色锐化（pansharpening），即通过融合高分辨率全色图像与低分辨率高光谱图像，提升高光谱图像的空间分辨率。该数据集的创建旨在解决现有高光谱数据集规模小、多样性不足的问题，为深度学习模型在高光谱全色锐化任务中的性能评估提供了更为广泛和多样化的数据支持。PRISMA数据集的发布对遥感领域的高光谱图像处理研究具有重要影响，尤其是在环境监测、农业、城市规划等应用中，能够显著提升高光谱数据的可用性和分析精度。

当前挑战

PRISMA数据集在构建和应用过程中面临多重挑战。首先，高光谱全色锐化任务本身具有较高的复杂性，尤其是在保持光谱信息的同时提升空间分辨率，这对算法的设计提出了极高的要求。其次，数据集的构建过程中，研究人员需要处理来自PRISMA卫星的高光谱数据与全色图像之间的对齐问题，以及数据中的噪声和无效像素问题。此外，由于高光谱数据的维度较高，数据预处理和模型训练的计算成本显著增加，这对计算资源提出了更高的需求。最后，尽管PRISMA数据集规模较大，但其覆盖的地理区域和场景多样性仍然有限，如何进一步扩展数据集的多样性和代表性，仍然是未来研究中的一个重要挑战。

常用场景

经典使用场景

PRISMA数据集在遥感领域的高光谱图像融合（pansharpening）任务中具有广泛的应用。该数据集通过ASI PRISMA卫星采集，覆盖了约262,200平方公里的地球表面，涵盖了多种地形和地表特征。其高光谱数据与全色图像的结合，为研究人员提供了丰富的多光谱和高光谱信息，使得该数据集成为评估和开发高光谱图像融合算法的理想选择。经典的使用场景包括在监督环境下的降分辨率（RR）评估和真实场景下的全分辨率（FR）评估，旨在验证不同算法在空间和光谱信息重建中的表现。

实际应用

PRISMA数据集的实际应用场景广泛，涵盖了环境监测、农业管理、城市规划、灾害管理和资源勘探等多个领域。例如，在农业中，高光谱图像融合技术可以用于精确监测作物健康状况和土壤质量；在城市规划中，高分辨率的高光谱图像能够帮助识别城市扩展和土地利用变化；在灾害管理中，快速获取的高光谱数据可以用于评估灾害影响和制定应急响应策略。PRISMA数据集的高分辨率和多光谱特性为这些应用提供了强有力的数据支持。

衍生相关工作

PRISMA数据集的发布推动了高光谱图像融合领域的多项经典工作。基于该数据集，研究人员开发了多种深度学习模型，如DIPNet、TFNet和SRPPNN，这些模型在高光谱图像的空间和光谱信息重建中表现出色。此外，PRISMA数据集还促进了传统机器学习方法与深度学习方法的对比研究，揭示了数据驱动方法在高光谱图像融合中的优势。相关研究不仅提升了算法的性能，还为未来的高光谱图像处理技术提供了新的研究方向，如基于多光谱信息的自适应融合算法和跨波段特征提取技术。