Hyperspectral Image Dataset for Benchmarking on Salient Object Detection

本数据集名为‘Hyperspectral Image Dataset for Benchmarking on Salient Object Detection’，由国家先进工业科学技术研究所和江西财经大学信息学院共同创建。数据集包含60张高光谱图像，每张图像均配有相应的地面实况二值图像和代表性渲染彩色图像（sRGB）。数据收集于东京湾岸城市的公共公园，考虑了物体大小、数量、前景-背景对比度等因素。创建过程包括图像选择、地面实况图像准备和性能评估。该数据集主要用于高光谱数据立方体中的显著物体检测任务，旨在通过视觉注意机制探索场景中更引人注目的物体或区域。

This dataset is named "Hyperspectral Image Dataset for Benchmarking on Salient Object Detection", which was co-developed by the National Institute of Advanced Industrial Science and Technology and the School of Information, Jiangxi University of Finance and Economics. It comprises 60 hyperspectral images, each accompanied by its corresponding ground truth binary image and a representative rendered color image in sRGB format. The data was collected from public parks in cities along the Tokyo Bay shoreline, with factors including object size, quantity, and foreground-background contrast taken into consideration. The dataset development workflow includes image selection, ground truth image preparation, and performance evaluation. This dataset is primarily intended for the salient object detection task in hyperspectral data cubes, aiming to explore more conspicuous objects or regions in a scene via visual attention mechanisms.

搜集汇总

数据集介绍

构建方式

在可见光与近红外波段下，利用NH-AIK型高光谱相机于日本东京台场海滨公园的户外场景中采集数据，共获取约五十个不同场景的六十幅高光谱图像。采集时使用三脚架固定相机以减少运动畸变，并在晴朗或部分多云天气下进行，曝光时间和增益依据光照条件调整但尽量保持恒定。原始数据经传感器暗噪声校正后，截取380至780纳米可见光谱范围内的波段，以.mat格式存储高光谱数据立方体。同时，将高光谱图像渲染为sRGB彩色图像，并人工标注显著对象的精确边界，生成对应的二值真值图。数据构建充分考虑了显著对象尺寸、数量、空间位置及前景-背景对比度等多样性因素，确保了基准测试的挑战性与代表性。

特点

该数据集专为高光谱图像显著对象检测任务设计，包含六十幅高光谱图像及其精确的逐像素二值真值图，弥补了此前缺乏专用基准数据集的空白。每幅图像拥有151个光谱通道，波长分辨率达5纳米，覆盖380至780纳米的可见光谱范围，提供了远超传统RGB图像的丰富光谱信息。数据集在采集时系统性地引入了对象尺寸、数量、空间位置及前景-背景对比度的显著变化，使得算法评估更具鲁棒性。此外，数据集还提供了每幅图像的相机参数（曝光时间和增益）以及渲染后的sRGB彩色图像，便于研究者快速可视化与预处理。

使用方法

研究者可直接利用提供的.mat格式高光谱数据立方体进行显著对象检测算法的开发与评估，将二值真值图作为标准参考。数据集支持多种光谱特征提取方法，如光谱欧氏距离、光谱角度距离及光谱梯度对比等，并可通过AUC等常用指标量化检测性能。为降低计算复杂度，可先对151个波段进行降维或分组处理，再结合经典视觉注意模型（如Itti模型）或超像素区域对比方法进行显著性计算。数据集还提供了sRGB彩色图像，便于使用传统RGB显著检测方法进行对比实验，从而全面分析光谱信息对显著检测性能的增益效果。

背景与挑战

背景概述

高光谱成像技术凭借其精细的光谱分辨能力，在计算机视觉与遥感领域展现出独特优势，尤其在显著目标检测任务中，光谱特征能够提供超越传统RGB图像的判别信息。然而，早期研究受限于数据规模，相关算法仅在十余幅非专用图像上验证，缺乏系统性的基准测试平台。为填补这一空白，日本产业技术综合研究所人工智能研究中心与江西财经大学的研究团队于2018年联合发布了首个面向显著目标检测的高光谱图像数据集。该数据集包含60幅户外场景的高光谱图像，覆盖可见光谱范围（380-780纳米），并配有像素级标注的显著目标二值掩膜及渲染的sRGB参考图像。数据集创建时充分考虑了目标尺度、数量、前景-背景对比度及空间位置等多维度变化，为评估光谱显著性检测模型提供了标准化测试基准，显著推动了该领域从定性分析向定量比较的跨越。

当前挑战

当前高光谱显著目标检测面临的核心挑战在于光谱特征与空间结构的有效融合。传统基于RGB图像的方法难以直接迁移，因为高光谱数据的高维特性易引发维度灾难，而简单降维又会损失关键光谱鉴别信息。构建过程中，数据采集面临严峻的现实约束：户外光照条件变化导致光谱响应不稳定，长曝光时间易引入运动模糊，且需在保持像素饱和度的同时优化前景-背景对比度。此外，现有模型如基于光谱梯度对比的方法虽取得0.8205的AUC性能，但仍远低于RGB图像领域的最优结果，表明光谱显著区域与背景的分离机制尚不完善。数据集本身也有限制，60幅样本的规模对于深度学习方法的泛化能力构成瓶颈，且场景集中于城市公园，缺乏室内、复杂纹理或多光照条件下的多样性，制约了算法鲁棒性的充分验证。

常用场景

经典使用场景

在计算机视觉与高光谱成像交叉领域中，该数据集被广泛用于显著目标检测任务的基准测试。由于传统RGB图像仅包含三个光谱通道，而高光谱图像蕴含数十乃至上百个连续窄波段的光谱信息，该数据集为利用光谱特征进行视觉显著性建模提供了标准化的评估平台。研究者可基于其提供的60幅高光谱图像、对应的二值真值图及渲染的sRGB图像，开展像素级或区域级的显著目标检测实验，尤其适用于验证基于光谱距离、光谱梯度或光谱分组等特征的算法性能。该数据集在场景复杂度、目标尺度、前景-背景对比度等方面精心设计，确保了评估的全面性与挑战性。

实际应用

在实际应用中，该数据集为基于高光谱成像的智能视觉系统提供了关键支撑。例如，在遥感领域，可辅助从复杂地物背景中自动识别感兴趣目标（如车辆、建筑物或植被异常）；在工业检测中，可用于产品表面缺陷的精准定位，尤其在颜色差异细微但光谱特征显著的场景下具有独特优势。此外，该数据集还可服务于无人驾驶中的环境感知任务，利用高光谱数据增强对行人、交通标志等目标的检测鲁棒性，尤其在光照变化剧烈的户外环境中，光谱信息能弥补传统RGB相机的不足。其应用价值在于将高光谱的丰富光谱维度与视觉显著性机制相结合，提升了机器对自然场景的理解与交互能力。

衍生相关工作

该数据集衍生了一系列高光谱显著目标检测的经典工作。基于该基准，研究者提出了多种改进模型，例如利用光谱梯度对比（SGC）结合超像素分割的方法，通过计算局部区域的光谱梯度差异显著提升了检测精度。此外，有工作将光谱欧氏距离（SED）与光谱角度距离（SAD）融合到中心-环绕差异框架中，形成了SED-OCM-SAD等组合模型，在AUC指标上取得了0.8008的性能。这些衍生研究不仅验证了光谱特征在显著性建模中的有效性，还推动了从像素级到区域级、从单一特征到多特征融合的技术演进。该数据集的出现也激发了后续将深度学习与高光谱数据结合的研究方向，成为该领域算法创新的重要验证平台。