Какой метод передискретизации следует использовать при проецировании аэрофотоснимков?

Я занимаюсь некоторым трудоемким проектированием аэрофотоснимков, и мне любопытно - какую технику передискретизации лучше всего использовать на аэрофотоснимках? В ArcMap моими вариантами являются БЛИЖАЙШИЙ, КУБИЧЕСКИЙ и БОЛЬШОЙ.

Ближайший сосед и большинство рекомендуются для категориальных данных, а кубическая свертка и билинейная интерполяция - для непрерывных данных.

Мне любопытно узнать, есть ли какой-либо широко используемый алгоритм для проецирования аэрофотоснимков . Я только что закончил проецировать одно изображение с помощью Nearest Neighbor, и оно выглядит хорошо, но аэрофотоснимок не является категориальной информацией, поэтому я собираюсь попробовать Bilinear в следующем.

РЕДАКТИРОВАТЬ
Я не думал, что аэрофотоснимки представляют собой тот же тип непрерывных данных, что и матрицы высот или данные об осадках, но Уабер указал, что они непрерывны и должны обрабатываться как таковые. Еще раз спасибо.

Аэрофотоснимки представляют собой непрерывные данные. Каждый пиксель представляет собой отклик области датчика на направленный на него свет, и когда этот свет меняется, отклик постоянно меняется. Результат обычно делится на категории (часто 255 или 256), но это не меняет природу данных. Поэтому вы хотите интерполировать, а не использовать категориальные алгоритмы, такие как ближайший сосед или большинство. Билинейная интерполяция обычно очень хороша; при некоторой стоимости во время выполнения кубическая свертка будет немного лучше сохранять локальный контраст. Небольшое количество дополнительной размытости неизбежно, но это почти невозможно заметить, пока изображение не подвергнется многим таким преобразованиям. Ошибки, сделанные с ближайшим соседом, намного хуже по сравнению.

Мне не хватает «репутации», чтобы комментировать так ...

Если радиометрический анализ будет выполняться на аэрофотоснимках, то это следует сделать до повторной выборки / проецирования. В противном случае вы почти наверняка внесете непреднамеренный уклон в конечный продукт. В соответствии с полезным комментарием blord-castillo выше.

Если непосредственное и окончательное использование антенн предназначено для визуальной привлекательности или фонового картирования, то я бы выбрал самый быстрый метод, который дает вам полезный продукт.

• Если размер ячейки новой антенны такой же, как и у оригинала, то лучше всего подходит NEAREST.

• Если размер ячейки новой антенны больше, чем оригинал, BILINEAR работает лучше всего.

• Если (по какой-то сумасшедшей причине) размер ячейки новой антенны будет меньше, чем у оригинала, я вернусь к использованию NEAREST.

Другие параметры, CUBIC и MAJORITY, будут вызывать появление артефактов в пересчитанном продукте, занимают больше времени для обработки и, в противном случае, не относятся к тому, что вы пытаетесь сделать.

В заключение: хотя это правда, что процесс отбора проб света, излучаемого / отражающегося от поверхности Земли, концептуально непрерывен, также верно, что на поверхности Земли наблюдается как непрерывное, так и дискретное явление.

• В целом, человеческая деятельность имеет тенденцию производить дискретные переходы и

• «Естественные» особенности часто (но не всегда) постоянно меняются или, по крайней мере, имеют размытые края.

Итак, как указано в моей первой части выше, то, как вы будете управлять антеннами, будет зависеть от того, как вы собираетесь их использовать.

Я знаю, что этот вопрос довольно старый, но я хотел добавить свои 2 цента, на случай, если другие натолкнутся на эту тему, пытаясь ответить на тот же вопрос ...

Предыдущие ответы верны, если вы действительно хотите ПРОВЕРИТЬ свои данные, например, если вы агрегируете данные с размера пикселя 30 м до размера пикселя 90 м. В этом случае вы пытаетесь создать новое значение для каждого отдельного пикселя на основе набора соседних пикселей. Так что да, здесь для дискретных наборов данных вы бы выбрали Nearest Neighbor, в то время как для непрерывных данных вы бы выбрали Bilinear или Cubic Convolution.

В этом вопросе, однако, цель на самом деле не в том, чтобы пересчитать данные, а просто преобразовать существующие данные в новую проекцию - вам нужны те же значения, только в новой проекции. В этом случае вам НЕОБХОДИМО использовать повторную выборку Nearest Neighbor для дискретных, а также непрерывных наборов данных, чтобы сохранить целостность исходных значений данных. Я знаю, что это утверждение идет вразрез со всем, что вы читаете о «повторной выборке», но действительно критически подумайте о том, чего вы хотите достичь и что вы делаете с данными. Кроме того, я не делаю эту рекомендацию по прихоти ... Я провел 5 лет, работая над докторской диссертацией, специализирующейся на ГИС / дистанционном зондировании, а также преподавал курсы по ГИС / дистанционному зондированию.

Еще одно примечание: оригинальный постер спрашивал о нулевых и / или отрицательных значениях ... Если эти значения являются истинными значениями данных (т.е. высота может фактически быть 0 или -34,5), то вы хотите включить эти значения. Однако если рассматриваемые значения не являются истинными данными и вместо этого используются для представления NoDATA (скажем, 0 или -9999), то вам необходимо замаскировать эти пиксели из своего растра (удалить) до повторной выборки с помощью билинейной или кубической свертки , В противном случае эти -9999 пикселей будут включены в расчет передискретизации, как если бы этот пиксель имел реальную высоту -9999, и в результате вы получите недопустимые значения данных. В качестве ОЧЕНЬ упрощенного примера кубической свертки, если ваши 4 значения ближайших ячеек равны 4, 5, 16, -9999, в том числе -9999 может привести к новому значению пикселя -9974, что является недопустимым данными.