Hyperspectral Dataset

该高光谱数据集由根特大学的研究团队创建，旨在支持无人机高光谱成像在环境和农业应用中的研究。数据集通过高保真模拟器生成，模拟了光线与分子在真实环境中的相互作用，生成了包含叶绿素、类胡萝卜素和花青素等叶片成分的标签数据。数据集包含180张模拟图像，每张图像分辨率为1024×1024像素，光谱数据包含224个波段。数据生成过程通过Blender和PROSPECT叶片模型实现，模拟了无人机在200米高度拍摄的场景。该数据集主要用于树表型分割研究，支持实时处理算法的开发，旨在解决高光谱数据在边缘设备上的计算和存储挑战，推动精准农业和环境保护的应用。

This hyperspectral dataset was developed by a research team at Ghent University to support research on unmanned aerial vehicle (UAV) hyperspectral imaging for environmental and agricultural applications. Generated via a high-fidelity simulator that models the interactions between light and molecules in real-world environments, the dataset includes labeled data covering leaf components such as chlorophyll, carotenoids, and anthocyanins. It contains 180 simulated images, each with a resolution of 1024×1024 pixels, and the spectral data encompasses 224 bands. The data generation process was implemented using Blender and the PROSPECT leaf model, simulating scenes captured by UAVs at an altitude of 200 meters. This dataset is primarily intended for tree phenotyping segmentation research, supporting the development of real-time processing algorithms. It aims to address the computational and storage challenges of hyperspectral data on edge devices, and advance applications in precision agriculture and environmental protection.

搜集汇总

数据集介绍

构建方式

本数据集采用了一种自定义的模拟器来生成高保真度的仿真数据，该模拟器模拟了真实环境中光线与分子的相互作用。模拟器利用Blender渲染环境，并使用PROSPECT叶模型来生成真实的叶光谱和参数。生成的光谱和参数被提供给Blender进行最终的模拟。模拟器逐个波长进行处理，对于每个波长，Blender模拟光线，模拟它们与环境的相互作用，并确定它们是否到达相机。模拟数据包括180个模拟图像，每个图像包含一个随机生成的森林和随机生成的树类型，每个树有一种类型的叶子。图像分辨率为1024 × 1024像素，光谱数据包含224个波段。

特点

该数据集的特点在于其高保真度和高维度，模拟了真实环境中光线与分子的相互作用，并提供了详细的叶光谱和参数。数据集包含了丰富的光谱信息，能够预测植物中不可见的特征，如叶绿素、类胡萝卜素和花青素含量。此外，数据集还提供了像素级别的标签，包括叶类型、土壤类型和树皮类型的二值图。

使用方法

使用该数据集的方法包括：1. 使用OHSLIC算法进行在线聚类，将像素分组为簇，以减少噪声并提高算法效率。2. 将聚类后的像素数据传递给分类网络，以确定每个簇是否代表树木，并预测树木叶子的特征，如叶绿素、类胡萝卜素和花青素含量。3. 通过调整聚类大小和更新频率，以适应不同平台的计算能力和推理时间。4. 根据环境因素，如无人机的高度，调整簇的大小，以更好地适应被检测的对象。

背景与挑战

背景概述

高光谱成像（HSI）技术在环境监测和农业应用领域具有重大意义，它能够捕捉到数百个窄波段上的详细光谱信息，从而揭示物体化学和物理属性。这一技术为预测植物或材料的分子组成等不可见特征提供了可能。然而，高光谱数据的密集性给远程设备带来了挑战，因为这些设备在计算资源、存储和通信带宽方面都存在限制。为了解决这一问题，Ciem Cornelissen等人提出了在线高光谱简单线性迭代聚类算法（OHSLIC）框架，用于实时树木表型分割。OHSLIC通过自适应增量聚类和轻量级神经网络，减少了内在噪声和计算需求。该框架使用自定义模拟器创建了一个高光谱数据集，该模拟器结合了真实的叶子参数和光相互作用。结果表明，OHSLIC在回归精度和分割性能方面优于像素或窗口方法，同时显著减少了推理时间。该方法的自适应聚类能够在计算效率与准确性之间实现动态权衡，为高光谱应用中的可扩展边缘设备部署铺平了道路。

当前挑战

高光谱数据集的挑战主要在于如何处理其数据密集性。OHSLIC框架旨在解决这一问题，通过自适应增量聚类和轻量级神经网络减少噪声和计算需求。然而，在构建过程中，研究人员面临了如何将算法应用于具有有限计算能力的远程设备的挑战。此外，为了提高分割的准确性，需要开发一种能够动态调整聚类数量的方法，以适应不同的环境和计算资源。OHSLIC框架通过引入置信度驱动聚类细化机制，允许算法根据预测置信度动态分割混合像素，从而提高了分割和回归的准确性。最后，为了确保算法在资源受限环境中的实时性，OHSLIC框架允许用户根据需要调整聚类大小和更新频率，以平衡计算效率和性能。

常用场景

经典使用场景

在高光谱成像（HSI）领域，该数据集被用于训练和验证OHSLIC算法，该算法旨在实现树表型的实时分割。通过模拟真实的叶参数和光相互作用，该数据集为OHSLIC提供了丰富的训练数据，帮助其在叶绿素、类胡萝卜素和花青素含量等表型特征的预测方面取得了显著成果。OHSLIC算法通过自适应增量聚类和轻量级神经网络，有效地降低了固有噪声和计算需求，为HSI应用中的可扩展边缘设备部署铺平了道路。

衍生相关工作

该数据集的发表，推动了HSI领域的一系列相关工作。基于OHSLIC算法，研究者们开发了一系列新的算法，如OHSLIC-C和OHSLIC-C-C，这些算法在保持计算效率的同时，进一步提高了预测精度。此外，该数据集还被用于开发新的HSI模拟器，如HyperBlend，为HSI研究提供了更多的可能性。

数据集最近研究

最新研究方向

针对高光谱数据集的最新研究方向主要集中在提高其在资源受限环境下的实时处理能力。OHSLIC（Online Hyperspectral Simple Linear Iterative Clustering）框架的提出，旨在通过自适应增量聚类和轻量级神经网络，实现无人机搭载的高光谱数据实时树表型分割。该框架在保持高精度的同时，显著降低了计算时间和对硬件资源的需求，为高光谱数据在边缘设备上的部署提供了新的可能性。此外，模拟驱动数据生成方法也为在高光谱研究领域中解决现实世界数据稀缺的问题提供了新的思路。未来研究将致力于进一步提高模型的准确性和鲁棒性，并探索其在更多实际场景中的应用。

相关研究论文

• Adaptive Clustering for Efficient Phenotype Segmentation of UAV Hyperspectral Data

  根特大学 - imec · 2025年