Datasets used in a Transformer network for image inversion of multi-dimensional nonuniform aperture synthesis radiometers
Authors/Creators
Description
该数据集于 2023 年 11 月在中南大学生成,并通过 matlab 仿真软件进行仿真和收集。主要用于图像重建网络的训练和测试。该数据集由原始场景亮度数据、能见度数据和一维、二维和三维非均匀天线阵列图像重建的能见度函数对应的频域采样点位置数据,以及使用其他一些常规方法进行图像重建获得的亮度数据组成。此外,为了验证所提方法的有效性,在工作频率为 33.5 Ghz 的原型 8 元一维非均匀天线阵列上进行了室内实验,并生成了测量数据集。
具体来说,名为 Tb_in、V2_noise、T3_AAF 和 T2_idft 的四个仿真数据集存储在名为 1d 的 zip 包中。
Tb_IN_1d存储了一维非均匀天线对应的原始场景亮温数据,该数据选自西北工业大学制作的遥感影像场景分类公共数据集。
V2_noise存储了包含各种误差的能见度函数值,主要是通过将原始场景亮温图像输入到运行在接收频率为 33.5 GHz 的非均匀积分孔径辐射计模拟程序中得到的。
T2_idft 和 T3_AAF 分别是使用逆离散傅里叶变换和阵列因子形成方法进行图像重建获得的明亮温度数据。这两组数据都可用于后续的比较实验。
名为 Tb_IN_2d、Tb_out_2d、VS_2d 和 VS_P_2d 的四个数据集存储在名为 2d 的 zip 包中。
Tb_IN_2d内部存储的是二维非均匀天线对应的原始场景亮温数据,该数据选自西北工业大学制作的遥感影像场景分类公共数据集。
VS_2d为二维非均匀天线阵列对应的能见度函数值,主要是将原始场景亮温图像输入到接收频率为 33.5 GHz 的非均匀集成孔径辐射计模拟程序中得到的。
VS_P_2d存储了二维非均匀天线阵列的能见度函数对应的频域采样点位置,该值主要通过计算能见度函数值得到。
Tb_out_2d文件存储了使用传统方法进行图像重建得到的亮温值,该数据也用于后续与所提方法获得的数据的比较实验。
名为 Tb_IN_3d、Tb_out_3d、VS_3d 和 VS_P_3d 的四个数据集存储在名为 3d 的 zip 包中。
Tb_IN_3d内部存储的是 3D 非均匀天线对应的原始场景亮温数据,该数据选自西北工业大学制作的遥感图像场景分类公共数据集。
VS_3d是三维非均匀天线阵列对应的能见度函数值,是将原始场景亮温图像输入到接收频率为 33.5 GHz 的非均匀积分孔径辐射计仿真程序中得到的。
VS_P_3d存储了三维非均匀天线阵列的能见度函数对应的频域采样点位置,该位置是通过计算能见度函数值得到的。
Tb_out_3d文件存储了使用常规方法进行图像重建得到的亮温值,该数据也用于后续与所提方法获得的数据的比较实验。
名为 Array2_R、Array3_R、V2_noise 和 Tb_out 的四个数据集存储在名为 8mm8 channel 的 zip 包中。
存储在 Array2_R 和 Array3_R 中的是系统在不同位置测量的目标点源的相关矩阵,矩阵中元素的值反映了测试点对目标点源的检测能力。根据此相关矩阵,可以计算可见性值。
存储在 V2_noise 内部的是包含各种误差的测量可见性函数的样本。对这些数据进行实验主要是为了验证所提方法的有效性。
存储在 Tb_out 中的是使用测试数据集获得的亮温结果数据,用于测试训练的网络。
Files
1d.zip
Additional details
Funding
- National Natural Science Foundation of China
- the National Natural Science Foundation of China 42306203
- National Natural Science Foundation of China
- the National Natural Science Foundation of China 61801521
- National Natural Science Foundation of China
- the National Natural Science Foundation of China 61971450
- National Natural Science Foundation of China
- the Natural Science Foundation of Hunan Province 2022JJ30052
- National Natural Science Foundation of China
- the Natural Science Foundation of Hunan Province 2023JJ40775
References
- Cheng, G., Han, J., and Lu, X.: Remote sensing image scene classification: Benchmark and state of the art, Proceedings of the IEEE, 105(10), 1865–1883. doi:10.1109/JPROC.2017.2675998, 2017.
- Cheng, G., Xie, X., Han, J., Guo, L., and Xia, G. S.: Remote sensing image scene classification meets deep learning: Challenges, methods, benchmarks, and opportunities, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 3735–3756, doi:10.1109/JSTARS.2020.3005403, 2020.
- Chen, L., Ma, W., Wang, Y., and Zhou, H.: Array factor forming with regularization for aperture synthesis radiometric imaging with an irregularly distributed array, IEEE Geoscience and Remote Sensing Letters, 17(1), 97–101. doi:10.1109/LGRS.2019.2914926, 2019.