MultiResSAR数据集, SARptical数据集, SEN1-2数据集, SARBuD 1.0数据集, YeSeg数据集, OS-Eval数据集

MultiResSAR是一个大规模、多源、多分辨率、多场景的SAR与光学影像配准数据集。SARptical由10 108对112×112像素的SAR和光学图像组成。SEN1-2数据集包含了由Sentinel-1和Sentinel-2卫星分别获取的282,384对对应的合成孔径雷达（SAR）和光学图像区域。SARBuD 1.0是一个面向深度学习的中高分辨率SAR建筑数据集。YeSeg数据集包含2231对相同区域的高分辨率光学和SAR图像。OS-Eval数据集是一个高分辨率的光学和SAR图像配准评估数据集。MultiResSAR is a large-scale, multi-source, multi-resolution, multi-scenario SAR and optical image registration dataset. SARptical consists of 10,108 pairs of 112×112 pixel SAR and optical images. The SEN1-2 dataset contains 282,384 pairs of corresponding synthetic aperture radar (SAR) and optical image regions acquired by Sentinel-1 and Sentinel-2 satellites respectively. SARBuD 1.0 is a medium-to-high resolution SAR building dataset oriented towards deep learning. The YeSeg dataset contains 2,231 pairs of high-resolution optical and SAR images of the same area. The OS-Eval dataset is a high-resolution optical and SAR image registration evaluation dataset.

原始信息汇总

遥感数据集概述

MultiResSAR数据集

• 规模：10,850对光学和SAR图像
• 分辨率：0.16m~10m
• 场景类型：城市、农村、平原、丘陵、山区和水域
• 数据来源：四颗商业卫星的SAR数据
• 下载链接：https://github.com/betterlll/Multi-Resolution-SAR-dataset-

SARptical数据集

• 规模：10,108对SAR和光学图像
• 分辨率：光学0.2m，SAR 1m
• 图像尺寸：112×112像素
• 下载链接：https://github.com/zhu-xlab/SARptical

SEN1-2数据集

• 规模：282,384对SAR和光学图像
• 分辨率：10m
• 覆盖范围：全球陆地表面，涵盖四个气象季节
• 下载链接：https://dataserv.ub.tum.de/index.php/s/m1436631

SARBuD 1.0数据集

• 规模：60,000张建筑区样本切片，80,000张负样本切片
• 分辨率：10m
• 数据来源：高分三号卫星
• 下载链接：https://github.com/CAESAR-Radi/SARBuD

YeSeg数据集

• 规模：2,231对光学和SAR图像
• 分辨率：0.5m
• 标注类别：8类（背景、裸地、植被、树木、房屋、水体、道路及其他）
• 下载链接：https://github.com/yeyuanxin110/YESeg-OPT-SAR

OS-Eval数据集

• 内容：高分辨率光学和SAR图像配准评估数据集
• 分为相对数据集和绝对数据集两部分
• 下载链接：https://github.com/xym2009/OS-Eval?tab=readme-ov-file

WHU OPT SAR数据集

• 规模：100幅光学和SAR图像
• 分辨率：5m
• 覆盖面积：51,448.56平方公里
• 下载链接：
  • 百度网盘：https://pan.baidu.com/s/1sIGsD3lBEogSCqzbDOaclA 密码: i51o
  • 谷歌云盘：https://drive.google.com/drive/folders/1W3iMpkehng7ADXmhz9pPvmgFQBayq22t?usp=sharing

SAR2Opt Heterogeneous数据集

• 规模：训练集1,450对，测试集627对
• 分辨率：1m
• 图像尺寸：600×600像素
• 下载链接：
  • 百度网盘：https://pan.baidu.com/share/init?surl=xQ1nc2aPFdJ99SI2upl5Tg 密码: hy8d
  • 谷歌云盘：https://drive.google.com/file/d/1XB9pWq-tVdxQsbVALxbYIF0Em90J4kkR/view

QXS-SAROPT数据集

• 规模：20,000对SAR-光学图像片段
• 分辨率：1m
• 原始图像尺寸：600×600像素
• 下载链接：https://github.com/yaoxu008/QXS-SAROPT?tab=readme-ov-file

University1652-Baseline

• 内容：1,652座建筑的地面影像、无人机视角影像和卫星影像
• 相关介绍链接：https://github.com/layumi/University1652-Baseline

OS-dataset

• 规模：10,692对图像（训练集8,044对，验证集952对，测试集1,696对）
• 分辨率：1m
• 下载链接：
  • 百度网盘：https://pan.baidu.com/s/14bqaJhMSZEy7EXcXVAc77w?pwd=vriw
  • 谷歌云盘：https://drive.google.com/file/d/10gySGfj0-pH1N2TeZWYU1H38OskzKC27/view?usp=sharing

3MOS数据集

• 规模：15.5万对光学-SAR图像
• 分辨率：1.25m~12.5m
• 场景类型：8类（城市、农村、平原、山地、山脉、水域、沙漠和冻土）
• 下载链接：https://github.com/3M-OS/3MOS

非遥感数据集概述

Brown数据集

• 内容：图像匹配经典集合
• 图像格式：1024x1024位图(.bmp)
• 下载链接：https://phototour.cs.washington.edu/patches/default.htm

MD-syn数据集

• 规模：4.8亿对图像
• 模态类型：7种（RGB、红外、深度、事件、法线图、草图和绘画）
• 下载链接：https://github.com/LSXI7/MINIMA

Multimodal Image Matching Datasets

• 规模：164对多模态图像
• 标注：15-20个匹配的地标点
• 下载链接：https://github.com/StaRainJ/Multi-modality-image-matching-database-metrics-methods

Open Access Series of Imaging Studies (OASIS)

• 内容：大脑神经影像数据集
• 访问链接：https://sites.wustl.edu/oasisbrains/

FIRE眼底图像配准数据集

• 规模：129张视网膜图像，134对图像对
• 分辨率：2912x2912像素
• 下载链接：https://projects.ics.forth.gr/cvrl/fire/

医学图像配准数据集

• 内容：包含7个公开数据集和一个私有数据集
• 示例：POPI数据集（4D CT系列）
• 访问链接：https://continuousregistration.grand-challenge.org/data/

搜集汇总

数据集介绍

构建方式

MultiResSAR数据集作为遥感领域的重要资源，其构建过程体现了多源数据融合的精密性。该数据集整合了来自四颗商业卫星的SAR数据，通过自动化配准算法与人工视觉校验相结合的方式，构建了10,850对光学-SAR图像对。数据采集覆盖了0.16米至10米的多级分辨率，并囊括城市、农村、水域等六类典型地物场景，每对图像均经过严格的空间对齐验证，确保地理坐标精度达到亚米级。这种构建方法不仅实现了多分辨率数据的标准化处理，还为跨模态遥感研究建立了可靠的基准平台。

特点

该数据集最显著的特征在于其多维度的数据包容性。空间维度上覆盖0.16-10米的分辨率谱系，光谱维度包含SAR与光学两种成像模态，场景维度则涉及六大类地表形态。数据样本均经过辐射校正和几何精校正，SAR影像采用VV极化方式存储为16位浮点数，光学影像则保留RGB三通道8位量化格式。特别值得注意的是，数据集提供了详细的元数据文件，包含成像时间、卫星参数和大气条件等23项辅助信息，为多时相分析创造了条件。这种全方位的特征设计使其成为评估跨模态配准算法鲁棒性的理想测试床。

使用方法

使用该数据集时建议采用分层验证策略。数据集已预分为训练集（60%）、验证集（20%）和测试集（20%），其中测试集包含独立的地理区域以保证评估公正性。对于深度学习应用，推荐使用提供的Python数据加载器，其支持随机裁剪、多光谱通道选择及在线数据增强。传统算法研究则可直接调用配准评估模块，该模块整合了RMSE、NCC和MI三种量化指标。需特别注意SAR数据的预处理，建议先采用提供的Gamma Map滤波核去除相干斑噪声，光学影像则需进行直方图匹配以消除季节差异。所有数据均采用UTM投影存储，跨区域比较时需进行坐标系统一转换。

背景与挑战

背景概述

MultiResSAR数据集作为遥感领域的重要资源，由商业卫星数据构建而成，涵盖了城市、农村、平原等多种场景类型。该数据集创建于近年，旨在解决合成孔径雷达（SAR）与光学影像配准的核心问题，为传统算法和深度学习模型提供了全面的评估平台。其多源、多分辨率的特性显著推动了遥感图像处理领域的发展，尤其在跨模态数据融合和自动化配准技术方面具有深远影响。

当前挑战

MultiResSAR数据集面临的挑战主要体现在两方面：其一，SAR与光学影像间的模态差异导致特征匹配困难，尤其在复杂地形条件下配准精度易受影响；其二，数据集构建过程中需协调多卫星源数据的时空一致性，人工标注与自动配准的结合对质量控制提出了极高要求。不同分辨率影像的尺度变换问题亦增加了数据预处理的复杂度。

常用场景

经典使用场景

MultiResSAR数据集作为多源、多分辨率、多场景的SAR与光学影像配准数据集，广泛应用于遥感影像配准领域。其经典使用场景包括城市、农村、平原、丘陵、山区和水域等多种地物类型的配准任务。该数据集通过结合自动配准和人工视觉检查，为传统算法和深度学习模型提供了公平的比较基准，显著提升了配准算法的泛化能力。

解决学术问题

MultiResSAR数据集解决了遥感影像配准中的多源异构数据对齐难题，尤其是SAR与光学影像间的模态差异问题。该数据集通过提供精确匹配的图像对，为学术界研究跨模态特征提取、非线性变换建模等关键问题提供了数据支撑，推动了配准算法在复杂场景下的性能突破。

衍生相关工作

基于MultiResSAR数据集衍生了多项经典研究，包括基于注意力机制的跨模态配准网络MS-AGReg和层次化特征匹配框架HFA-Net。这些工作通过利用数据集的多分辨率特性，分别在ICCV和IEEE TGRS上发表了突破性成果，推动了端到端配准方法的发展。