Estoy haciendo una proyección de fotos aéreas que requiere mucho tiempo, y tengo curiosidad: ¿qué técnica de remuestreo es mejor usar en fotos aéreas? En ArcMap, mis opciones son MÁS CERCANA, BILINEAR, CÚBICA y MAYORÍA.
El vecino más cercano y la mayoría se recomiendan para datos categóricos, mientras que la convolución cúbica y la interpolación bilineal son para datos continuos.
Tengo curiosidad por saber si hay algún algoritmo de uso común para proyectar fotos aéreas . Acabo de terminar de proyectar una imagen usando Vecino más cercano y parece que se ve bien, pero una foto aérea no es datos categóricos, así que voy a probar Bilinear a continuación.
EDITAR
No estaba pensando en las fotos aéreas como el mismo tipo de datos continuos que los DEM o los datos de precipitación, pero Whuber señaló que son continuos y deben manejarse como tales. Gracias de nuevo.
Respuestas:
Las fotos aéreas son datos continuos. Cada píxel representa la respuesta de una región de un sensor a la luz dirigida a él y, a medida que esa luz varía, la respuesta varía continuamente. El resultado generalmente se discretiza (a menudo en 255 o 256) categorías, pero eso no cambia la naturaleza de los datos. Por lo tanto, desea interpolar en lugar de usar algoritmos categóricos como el vecino más cercano o la mayoría. La interpolación bilineal suele estar bien; a algún costo en tiempo de ejecución, la convolución cúbica retendrá el contraste local un poquito mejor. Es inevitable una pequeña cantidad de borrosidad adicional, pero eso es casi imposible de notar hasta que la imagen haya sufrido muchas de esas transformaciones. Los errores cometidos con el vecino más cercano son mucho peores en comparación.
fuente
Me falta la "reputación" para comentar, así que ...
Si se va a realizar un análisis radiométrico en las fotos aéreas, se debe hacer antes de volver a muestrear / proyectar. De lo contrario, es casi seguro que introducirá un sesgo no deseado en el producto final. Según el útil comentario anterior de blord-castillo.
Si los usos inmediatos y finales de las antenas son para el atractivo visual o el mapeo de fondo, entonces elegiría el método más rápido que le brinde un producto utilizable.
Si el tamaño de celda de la nueva antena es el mismo que el original, entonces CERCANO funciona mejor en mi humilde opinión.
Si el tamaño de celda de la nueva antena es mayor que el original, entonces BILINEAR funciona mejor.
Si (por alguna extraña razón) el tamaño de la celda de la nueva antena es más pequeño que el original, entonces volvería a usar NEAREST.
Las otras opciones, CUBIC y MAJORITY, producirán artefactos en el producto muestreado, demorarán más en procesarse y, de lo contrario, no parecen aplicarse a lo que está tratando de hacer.
Como punto final: si bien es cierto que el proceso de muestreo de luz que emana / se refleja desde la superficie de la Tierra es conceptualmente continuo, también es cierto que la superficie de la Tierra exhibe un fenómeno continuo y discreto.
En general, la actividad humana tiende a producir transiciones discretas y
Las características "naturales" a menudo (pero no siempre) varían continuamente o al menos tienen bordes borrosos.
Entonces, como se indicó en mi primera parte anterior, cómo manipulas las antenas dependerá de cómo esperas usarlas.
fuente
Sé que esta pregunta es bastante antigua, pero quería agregar mis 2 centavos, en caso de que otros encuentren este hilo tratando de responder la misma pregunta ...
Las respuestas anteriores son correctas cuando realmente desea REEMPLAZAR sus datos, por ejemplo, si está agregando sus datos de un tamaño de píxel de 30 m a un tamaño de píxel de 90 m. En este caso, está intentando crear un nuevo valor para cada píxel individual, basado en una colección de píxeles cercanos. Entonces sí, aquí para conjuntos de datos discretos seleccionaría Vecino más cercano, mientras que para datos continuos, elegiría Bilinear o Cubic Convolution.
Sin embargo, en esta pregunta, el objetivo NO es realmente volver a muestrear los datos, sino simplemente convertir los datos existentes a una nueva proyección: desea los mismos valores, solo en una nueva proyección. En este caso, DESEA utilizar el muestreo de Vecino más cercano para conjuntos de datos discretos y continuos, para mantener la integridad de sus valores de datos originales. Sé que esta declaración va en contra de todo lo que lees sobre "remuestreo", pero realmente piensas críticamente sobre lo que quieres lograr y lo que estás haciendo con los datos. Además, no hago esta recomendación por capricho ... He pasado 5 años trabajando en un doctorado especializado en GIS / Teledetección, así como en la enseñanza de cursos de pregrado en GIS / teledetección.
Otra nota, el póster original preguntaba acerca de los valores cero y / o negativos ... Si estos valores son valores de datos verdaderos (es decir, la altitud puede ser realmente 0 o -34.5), entonces desea incluir estos valores. Sin embargo, si los valores en cuestión no son datos verdaderos y, en cambio, se usan para representar NoDATA (digamos 0 o -9999), entonces debe enmascarar estos píxeles fuera de su ráster (eliminar) antes de volver a muestrear mediante convolución bilineal o cúbica . De lo contrario, esos -9999 píxeles se incluirán en el cálculo de remuestreo, como si ese píxel tuviera una altitud real de -9999 y terminará con valores de datos no válidos. Como ejemplo MUY simplificado en convolución cúbica, si sus 4 valores de celda más cercanos son 4, 5, 16, -9999, incluido el -9999 podría dar como resultado un nuevo valor de píxel de -9974, que no es información válida.
fuente