[论文解读] PolSF: PolSAR image dataset on San Francisco
本论文介绍了PolSF，这是一个新近整理并公开发布的旧金山PolSAR图像数据集，包含来自AIRSAR、ALOS2、GF3、RISAT和RS2卫星的五组多时相、多传感器的全极化SAR图像。该数据集为城市、植被、水体和山地等多种区域提供了像素级的地表覆盖分类标注，支持先进的PolSAR图像分类与融合研究。
Polarimetric SAR data has the characteristics of all-weather, all-time and so on, which is widely used in many fields. However, the data of annotation is relatively small, which is not conducive to our research. In this paper, we have collected five open polarimetric SAR images, which are images of the San Francisco area. These five images come from different satellites at different times, which has great scientific research value. We annotate the collected images at the pixel level for image classification and segmentation. For the convenience of researchers, the annotated data is open source https://github.com/liuxuvip/PolSF.
研究动机与目标
- 解决遥感科学领域中用于科研的标注PolSAR数据集稀缺的问题。
- 提供一个多样化、多源的PolSAR数据集，覆盖不同卫星、成像时间与空间分辨率。
- 通过为城市、植被、水体和山地区域提供详细的地面真值标注，支持像素级分类与分割任务。
- 通过公开获取高质量、已标注的数据，支持单源与多源PolSAR图像分类与融合研究。
- 通过开源数据分发，促进PolSAR图像分析中的基准测试与可复现性研究。
提出的方法
- 从IETR网站获取五组PolSAR图像，覆盖旧金山地区，来自不同卫星（AIRSAR、ALOS2、GF3、RISAT、RS2）及不同成像时间（1989–2018）。
- 使用ESA PolSARpro v6.0（Biomass版）处理原始PolSAR数据，生成PauliRGB伪彩色图像以用于可视化。
- 将每幅PolSAR图像与同一时期高分辨率的Google Earth影像进行配准，以实现精确的空间参考。
- 使用Labelme软件手动标注像素级地表覆盖类别，包括城市、水体、植被、裸土及山地区域。
- 将标注的彩色图转换为结构化标签文件，采用一致的编码方式，适用于机器学习与分析。
- 裁剪并标准化图像，聚焦于旧金山区，同时保持空间与光谱保真度，以满足科研使用需求。
实验结果
研究问题
- RQ1如何有效整理并标注来自不同卫星的多传感器、多时相PolSAR数据，以支持科学研究？
- RQ2在不同传感器与成像条件下，创建一致且高质量的PolSAR图像像素级标注面临哪些关键挑战？
- RQ3多源PolSAR数据集在多大程度上能够支持像素级分类与分割模型的稳健评估？
- RQ4空间分辨率与成像时间的差异如何影响PolSAR分类模型的性能与泛化能力？
- RQ5开放获取、已标注的PolSAR数据集在推动遥感与SAR图像分析研究方面具有何种潜力？
主要发现
- PolSF数据集包含来自五颗不同卫星的五组PolSAR图像，时间跨度广泛（1989–2018），空间分辨率各异（2.33m至18m）。
- 所有五组数据集均已成功完成像素级标注，地表覆盖类别数量根据图像不同在5至6类之间。
- 该数据集可通过GitHub公开获取：https://github.com/liuxuvip/PolSF，支持开放与可复现的研究。
- PauliRGB分解的使用有效实现了极化信息的可视化，有助于提高标注准确性与数据解读能力。
- 该数据集支持多种研究应用，包括单源与多源PolSAR图像分类及融合任务。
- 引入高分辨率Google Earth影像作为参考，显著提升了人工标注过程的准确性与一致性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。