Real-World Remote Sensing Hazy Image Dataset (RRSHID)

RRSHID是一个包含真实世界雾天和去雾图像对的大型数据集，涵盖了不同的气象条件和地理环境。该数据集由安徽大学MOE关键实验室提供，旨在促进真实世界遥感图像去雾研究。数据集的构建细节在论文的第IV部分有所描述。

RRSHID is a large-scale dataset containing real-world hazy and dehazed image pairs, covering diverse meteorological conditions and geographical environments. It is provided by the Key Laboratory of the Ministry of Education, Anhui University, and aims to advance research on real-world remote sensing image dehazing. The construction details of the dataset are described in Section IV of the accompanying paper.

搜集汇总

数据集介绍

构建方式

在遥感图像去雾领域，真实世界场景下的数据集构建一直面临严峻挑战。RRSHID数据集通过与中国气象机构合作，采用多时相卫星图像对齐技术，系统性地采集了覆盖中国城市、农业和沿海地区的3053对真实有雾与无雾图像对。数据集源自高分PMS: L1A光学卫星，经过严格的预处理流程，包括通道转换、图像裁剪对齐以及格式优化，最终生成256×256像素的标准图像。特别值得一提的是，研究团队创新性地采用暗通道先验方法对雾霾密度进行定量估计，将图像细分为薄雾、中等雾和厚雾三个等级，为算法评估提供了更精细的基准。

特点

作为首个大规模真实世界遥感去雾数据集，RRSHID展现出三大显著特征：其一，数据集完整保留了真实大气条件下雾霾的空间异质性分布特征，包括海拔相关的雾密度变化和传感器引起的光谱畸变；其二，图像覆盖多样化的地表类型和季节变化，包含城市建筑、植被群落和海陆过渡带等复杂场景；其三，区别于依赖简化大气模型的合成数据集，RRSHID通过实测数据准确反映了自然雾霾与地物间的非线性相互作用。这些特性使其成为评估去雾算法在真实场景中泛化能力的理想测试平台。

使用方法

该数据集支持端到端的监督学习范式，研究人员可将图像对划分为训练集（2441对）、测试集（304对）和验证集（308对）。针对不同雾霾密度等级的子集，可分别评估算法性能。使用建议包括：采用PSNR、SSIM和MSE作为核心评估指标；结合感知损失函数优化模型；利用数据集中标注的雾密度等级进行分层性能分析。数据集兼容主流深度学习框架，为保持评估一致性，推荐将输入图像统一缩放至256×256像素分辨率。

背景与挑战

背景概述

Real-World Remote Sensing Hazy Image Dataset (RRSHID) 是由安徽大学计算机科学与技术学院的研究团队于2021年提出的首个大规模真实世界遥感图像去雾数据集。该数据集由Zeng-Hui Zhu、Wei Lu等学者在《JOURNAL OF LATEX CLASS FILES》上首次公开，旨在解决遥感图像在复杂大气条件下因雾霾导致的对比度下降和色彩失真问题。RRSHID包含3,053组真实雾霾图像与去雾图像的配对数据，覆盖城市、农业和海岸带等多种地理场景，突破了传统合成数据集的局限性。该数据集通过与气象机构合作采集，采用GF PMS卫星的L1A级光学影像，经过严格的辐射校准和多时相对齐处理，准确反映了海拔相关雾霾分布和传感器引起的频谱畸变，为遥感图像去雾研究提供了重要的基准。

当前挑战

RRSHID面临的挑战主要体现在两个维度：领域问题方面，传统基于合成数据的方法存在显著领域差距，无法处理真实场景中非线性的大气动力学现象；同时需要解决高度依赖的大气效应和空间异质性雾霾分布带来的复杂色彩保真问题。在构建过程中，研究团队需要克服真实雾霾-清晰图像对稀缺的难题，开发基于暗通道先验的雾霾密度分级方法；此外还需处理卫星原始数据8GB/幅的存储压力，通过量子GIS实现亚像素级图像配准，并设计兼顾计算效率与视觉质量的256×256像素裁剪方案。

常用场景

经典使用场景

在遥感图像处理领域，Real-World Remote Sensing Hazy Image Dataset (RRSHID) 为研究者提供了一个真实世界条件下的遥感图像去雾基准。该数据集广泛应用于评估和开发先进的去雾算法，特别是在复杂大气条件和多样化地理环境中。通过提供真实的有雾和无雾图像对，RRSHID 弥补了合成数据与实际应用之间的域差距，成为推动遥感图像去雾研究的重要工具。

实际应用

在实际应用方面，RRSHID 数据集为多个遥感应用场景提供了重要支持。在城市规划领域，它帮助提升有雾条件下的建筑物和基础设施识别精度；在农业监测中，改善了有雾天气下的作物生长状态评估；在环境监测方面，提高了有雾条件下地表覆盖变化的检测能力。此外，该数据集还被广泛应用于灾害管理，如洪水、火灾等紧急情况下的遥感图像分析。

衍生相关工作

基于 RRSHID 数据集，研究者们开发了多项创新性工作。最具代表性的是 MCAF-Net 框架，它集成了多分支特征整合块、颜色校准自监督注意力模块和多尺度特征自适应融合模块等创新组件。此外，该数据集还催生了一系列针对真实世界遥感图像去雾的改进算法，包括基于 Transformer 的架构优化、半监督学习方法，以及结合物理模型与深度学习的新型混合算法。这些工作显著推动了遥感图像去雾领域的发展。