目前公开的标准遥感图像数据集主要有如下几种:
1.UCMD数据集和MLRSD数据集
UCMD数据集(UC merced land use dataset)[1]是由加州大学默塞德分校提供的一个公开的遥感图像数据集，被广泛用于遥感图像检索算法测试。UCMD数据集包含21个类别(如图2-6所示)，每一个类别包含100幅256×256像素大小的RGB彩色遥感图像，共计2100幅图像，空间分辨率为0.3m。UCMD数据集中的所有图像都是从美国地质调查局(United States Geological Survey，USGS)下载的大尺寸航空影像裁剪得到的，最初被用于土地利用和土地覆盖分类研究。考虑到遥感图像的场景复杂性，一幅图像通常包含多个语义类别，B.Chaudhuri等(2018)在UCMD基础上创建了一个公开的多标签遥感图像集(multi-label remote sensing dataset，MLRSD)，用于多标签检索研究，如图2-7所示。
图2-6 UCMD数据集(包含21个地物类别)[19]
图2-7 MLRSD多标签数据集[21]
2.WHU-RS19数据集
WHU-RS19数据集[2]是由武汉大学提供的一个公开遥感图像数据集，常用于场景分类和检索，数据来源为Google Earth。最初的版本包含12类地物类型，后期增加了7个类别，之后为了增大数据集规模又做了进一步的扩充。目前的版本包括19个类别(如图2-8所示)，每个类别包含至少50幅600×600像素大小的RGB彩色遥感图像，共计1005幅图像，图像的空间分辨率最高为0.5m。与UCMD数据集相比，WHU-RS19数据集中的图像尺寸更大、包含的地物种类更多、场景更为复杂，因此在用于遥感图像分类和检索研究时，也更具有挑战性。
图2-8 WHU-RS19数据集(包含19个地物类别)[22][23][24]
3.RSSCN7数据集
RSSCN7数据集[3]是由武汉大学提供的一个公开的遥感图像数据集，共包含7类典型场景类别(如图2-9所示)，每个类别包含400幅图像，图像尺寸为400×400，共计2800幅图像，数据同样来源于Google Earth。RSSCN7数据集是为了验证深度学习技术在特征提取方面具有更强的判别能力而创建的，采集数据时综合考虑了季节、天气和尺度变化的影响(比例尺分别为1∶700，1∶1300，1∶2600，1∶5200)，因此该数据集在用于场景分类时，具有一定的挑战性。
图2-9 RSSCN7数据集(包含7种地物类型，从上到下分别是
1∶700，1∶1300，1∶2600，1∶5200)[25]
4.RSC11数据集
RSC11数据集[4]是由中科院提供的公开遥感图像数据集，数据来源为Google Earth，每幅图像的尺寸为512×512，共包含11类复杂场景图像，每类约100幅共计1232幅，主要覆盖了美国几个大城市(如图2-10所示)，其中每个类别给出3幅图像。
图2-10 RSC11数据集(包含11个地物类别)[26]
5.SIRI-WHU数据集
SIRI-WHU数据集[5]是由武汉大学提供的一个公开遥感图像数据集，包含12个场景类别，每个类别包含200幅尺寸为200×200像素的图像，共计2400幅，空间分辨率为2m。数据来源于Google Earth，主要覆盖中国城市地区，如图2-11所示。
图2-11 SIRI-WHU数据集(包含12个地物类别)[27]
6.AID数据集
AID数据集[6]是由华中科技大学和武汉大学于2017年发布的一个多源遥感影像数据集。该数据集共包含30个类别的场景图像，其中每个类别的图像数量在220幅到420幅之间，图像尺寸为600×600像素，共计10000幅，覆盖了多个国家(大部分在中国)和区域，空间分辨率在0.5～8m之间，如图2-12所示。数据来源于Google Earth，与UCMD和WHU-RS19数据集相比，AID数据集更注重时间、季节以及成像条件的多样性，因此具有类内差异更大、类间距离更小的特点。
图2-12 AID数据集(包含30个地物类别，每个类别给出3幅示例图像)[28](1)
图2-12 AID数据集(包含30个地物类别，每个类别给出3幅示例图像)[28](2)
7.NWPU-RESISC45数据集
NWPU-RESISC45数据集[7]是由西北工业大学提供的一个用于场景分类的大规模遥感图像公开数据集。NWPU-RESISC45数据集包含45个场景类别(如图2-13所示)，每个类别700幅图像，共计31500幅遥感图像，图像尺寸为256×256像素，覆盖了超过100个国家和地区的范围，数据来源为Google Earth。NWPU-RESISC45数据集充分考虑了天气变化、季节变化、光照条件、成像条件、尺度等因素，因而保证了平移、空间分辨率、目标姿态、光照、背景、遮挡等多样性，而且具有较高的类内差异性和类间相似性。
8.RSI-CB数据集
RSI-CB数据集[8]是由中南大学提供的一个用于场景分类的遥感图像公开数据集，包含两个数据集:RSI-CB128和RSI-CB256。其中，RSI-CB128包含6大类45小类共计24747幅图像，图像尺寸为128×128像素，如图2-14所示；RSI-CB256包含6大类35小类共计36707幅图像，图像尺寸为256×256像素，如图2-15所示。RSI-CB数据集的来源是众包(crowdsource)数据，如OpenStreetMap(OSM)数据。表2-2给出RSI-CB128和RSICB256的场景类别。
(www.xing528.com)
图2-13 NWPU-RESISC45数据集(包含45个地物类别，每个类别给出2幅示例图像)[29]
图2-14 RSI-CB128数据集(包含6大类45小类地物类别，每个类别给出8幅示例图像)[30]
图2-15 RSI-CB256数据集(包含6大类45小类地物类别，每个类别给出8幅示例图像)[30]
表2-2 RSI-CB128和RSI-CB256数据集的类别[30]
9.EuroSat数据集
EuroSat数据集[9]是一个多光谱影像数据集，由10个类别、13个波段(可见光、近红外、短波红外)，共计27000幅带标签和地理参考的图像块组成，图像块的尺寸为64×64像素，如图2-16所示。数据来源为Sentinel-2卫星影像，覆盖欧洲34个国家。
图2-16 EuroSat数据集(包含10个地物类别，每个类别给出4幅示例图像)[31]
10.AID＋＋数据集
AID＋＋数据集是AID数据集的改进版本，包含超过400000幅图像，部分场景类别如图2-17所示。AID＋＋数据集的特点是构建了一个场景类别层次网络(第一层8个节点，第二层26个节点，第三层46个叶节点)，因此共46个子类类别，以便清晰、有效地组织不同类别的数据。此外，针对目前人工标注的耗时耗力，AID＋＋采用半监督方式提高标注效率。具体做法是:通过Google Map API，OpenStreetMap(OSM)和现有的地理数据库，获得与某个语义标签相关联的坐标信息，然后通过坐标信息获取相应的图像。
图2-17 AID＋＋数据集的部分样本数据[32]
11.PatternNet数据集
PatternNet数据集[10]是由武汉大学提供的一个用于遥感图像检索的大规模高分辨率遥感数据集。PatternNet数据集包含38个类别(如图2-18所示)，每个类别包含800幅图像。图像尺寸为256×256像素，数据来源于Google Earth。与UCMD、RSD、RSSCN7和AID等数据集相比，PatternNet数据集规模更大、图像包含的目标更集中(上下文信息更少)、背景干扰更小、语义标注更精细，更适合用于遥感影像相似目标检索。
图2-18 PatternNet数据集(包含38种地物类型，每个类别给出2幅示例图像)[33]
12.BigEarthNet数据集
BigEarthNet数据集[11]是由柏林理工大学(TU Berlin)的遥感图像分析小组(RSiM)和数据库系统和信息管理小组(DIMA)提供的大规模多标签数据集，如图2-19所示。BigEarthNet由2017—2018年间获取的、覆盖了10个国家的125幅Sentinel-2图像数据产生，被分割为590326个不重叠图像块，每个图像块基于CORINE土地利用数据库(CLC2018)标注了一种或多种地物类型(见表2-3)。BigEarthNet的大数据量使其十分有利于训练深度学习网络。
图2-19 BigEarthNet多标签数据集的部分样本数据[34]
表2-3 BigEarthNet的数据类型及对应的图像块数量[34]
续表
表2-4从地物类别、每类图像数量、数据集图像数据总量、图像尺寸、空间分辨率、应用等方面对以上所述标准遥感图像数据集进行了综合的对比。
表2-4 标准遥感图像数据集对比
续表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
