Jaką technikę ponownego próbkowania należy zastosować podczas wyświetlania zdjęć lotniczych?

Robię czasochłonne wyświetlanie zdjęć lotniczych i jestem ciekawy - jakiej techniki ponownego próbkowania najlepiej użyć na zdjęciach lotniczych? W ArcMap moimi opcjami są NAJBLIŻSZE, BILINIOWE, KUBEJSKIE i WIĘKSZE.

Najbliższy sąsiad i większość są zalecane dla danych kategorycznych, podczas gdy konwolucja sześcienna i interpolacja dwuliniowa są dla danych ciągłych.

Jestem ciekawy, czy istnieje jakiś powszechnie używany algorytm do wyświetlania zdjęć lotniczych . Właśnie skończyłem wyświetlać jedno zdjęcie przy użyciu Najbliższego sąsiada i wygląda na to, że wygląda dobrze, ale zdjęcie lotnicze nie jest danymi kategorycznymi, więc wypróbuję następnie Bilinear.

EDYCJA
Nie myślałem o zdjęciach lotniczych jako o tym samym rodzaju ciągłych danych jak DEM lub dane o opadach, ale whuber zauważył, że są one ciągłe i powinny być traktowane jako takie. Dzięki jeszcze raz.

Zdjęcia lotnicze są ciągłymi danymi. Każdy piksel reprezentuje reakcję regionu czujnika na skierowane na niego światło, a gdy to światło się zmienia, odpowiedź zmienia się w sposób ciągły. Wynik jest zwykle dyskretyzowany (często w 255 lub 256) kategoriach, ale to nie zmienia charakteru danych. Dlatego chcesz interpolować zamiast używać algorytmów jakościowych, takich jak najbliższy sąsiad lub większość. Interpolacja dwuliniowa jest zwykle w porządku; przy pewnym koszcie czasu wykonania splot sześcienny zachowa nieco lokalny kontrast. Niewielkiej ilości dodatkowego rozmycia jest nieuniknione, ale jest prawie niemożliwe do zauważenia, dopóki obraz nie przejdzie wielu takich przekształceń. Błędy popełniane z najbliższym sąsiadem są znacznie gorsze w porównaniu.

Brakuje mi „reputacji” do komentowania, więc ...

Jeśli na zdjęciach lotniczych zostanie przeprowadzona analiza radiometryczna, należy ją wykonać przed ponownym próbkowaniem / rzutowaniem. W przeciwnym razie prawie na pewno wprowadzisz niezamierzone uprzedzenia do produktu końcowego. Zgodnie z pomocnym komentarzem blord-castillo powyżej.

Jeśli bliskie i końcowe zastosowania anten służą do wizualnego odwołania lub mapowania w tle, wybrałbym najszybszą metodę, która da użyteczny produkt.

• Jeśli rozmiar komórki nowej anteny jest taki sam jak oryginał, NAJBLIŻSZE działa najlepiej IMHO.

• Jeśli rozmiar komórki nowej anteny jest większy niż oryginał, BILINEAR działa najlepiej.

• Jeśli (z jakiegoś szalonego powodu) rozmiar komórki nowej anteny jest mniejszy niż oryginał, wrócę do używania NAJBLIŻSZEJ.

Inne opcje, CUBIC i MAJORITY, będą wytwarzać artefakty w ponownie próbkowanym produkcie, zajmą więcej czasu, a poza tym wydają się nie mieć zastosowania do tego, co próbujesz zrobić.

Jako ostatni punkt: chociaż to prawda, że ​​proces próbkowania światła emanującego / odbijającego się od powierzchni Ziemi jest koncepcyjnie ciągły, prawdą jest również to, że powierzchnia Ziemi wykazuje zarówno zjawisko ciągłe, jak i dyskretne.

• Ogólnie rzecz biorąc, aktywność człowieka ma tendencję do tworzenia dyskretnych przejść i

• „Naturalne” cechy często (ale nie zawsze) zmieniają się w sposób ciągły lub przynajmniej mają niewyraźne krawędzie.

Tak więc, jak wskazano w mojej pierwszej części powyżej, sposób manipulowania antenami będzie zależał od tego, jak zamierzasz ich używać.

Wiem, że to pytanie jest dość stare, ale chciałem dodać moje 2 centy, na wypadek, gdyby inni natknęli się na ten wątek, próbując odpowiedzieć na to samo pytanie ...

Poprzednie odpowiedzi są poprawne, gdy naprawdę chcesz RESAMPLE swoich danych, na przykład jeśli agregujesz swoje dane od rozmiaru 30 m do 90 m. W takim przypadku próbujesz utworzyć nową wartość dla każdego pojedynczego piksela na podstawie zbioru pobliskich pikseli. Tak, tutaj dla dyskretnych zestawów danych wybrałbyś Najbliższego sąsiada, podczas gdy dla danych ciągłych wybrałbyś Bilinear lub Cubic Convolution.

Jednak w tym pytaniu celem NIE jest ponowne próbkowanie danych, lecz po prostu konwersja istniejących danych na nową projekcję - potrzebujesz tych samych wartości, tylko w nowej projekcji. W takim przypadku chcesz użyć ponownego próbkowania Nearest Neighbor dla dyskretnych i ciągłych zestawów danych, aby zachować integralność oryginalnych wartości danych. Wiem, że to stwierdzenie jest sprzeczne ze wszystkim, co czytasz o „ponownym próbkowaniu”, ale naprawdę myślę krytycznie o tym, co chcesz osiągnąć i co robisz z danymi. Nie zalecam też kaprysu ... Spędziłem 5 lat pracując nad doktoratem specjalizującym się w GIS / teledetekcji, a także prowadząc kursy licencjackie GIS / teledetekcji.

Inna uwaga, oryginalny plakat zapytał o wartości zerowe i / lub ujemne ... Jeśli te wartości są prawdziwymi wartościami danych (tj. Wysokość może faktycznie wynosić 0 lub -34,5), to chcesz uwzględnić te wartości. Jeśli jednak dane wartości nie są prawdziwymi danymi i zamiast tego są używane do reprezentowania NoDATA (powiedzmy 0 lub -9999), musisz zamaskować te piksele z rastra (usunąć) przed ponownym próbkowaniem za pomocą splotu dwuliniowego lub sześciennego . W przeciwnym razie te -9999 pikseli zostaną uwzględnione w obliczeniach ponownego próbkowania, tak jakby piksel miał rzeczywistą wysokość -9999, a skończy się to niepoprawnymi wartościami danych. Jako BARDZO uproszczony przykład splotu sześciennego, jeśli twoje 4 najbliższe wartości komórek to 4, 5, 16, -9999, w tym -9999 może dać nową wartość piksela -9974, co nie jest prawidłowymi danymi.