Quale tecnica di ricampionamento dovrebbe essere usata quando si proiettano foto aeree?

Sto facendo una proiezione intensiva di tempo di foto aeree e sono curioso: quale tecnica di ricampionamento è meglio usare sulle foto aeree? In ArcMap, le mie opzioni sono NEAREST, BILINEAR, CUBIC e MAJORITY.

Il vicino più vicino e la maggioranza sono raccomandati per i dati categorici, mentre la convoluzione cubica e l'interpolazione bilineare sono per i dati continui.

Sono curioso di sapere se esiste un algoritmo comunemente usato per proiettare foto aeree . Ho appena finito di proiettare un'immagine usando il vicino più vicino e sembra avere un bell'aspetto, ma una foto aerea non è un dato categorico, quindi proverò Bilinear dopo.

EDIT
Non pensavo alle foto aeree come allo stesso tipo di dati continui di DEM o dati di precipitazione, ma whuber ha sottolineato che sono continue e dovrebbero essere gestite come tali. Grazie ancora.

Le foto aeree sono dati continui. Ogni pixel rappresenta la risposta di una regione di un sensore alla luce diretta verso di esso e, poiché tale luce varia, la risposta varia continuamente. Il risultato è di solito discretizzato (spesso in 255 o 256) categorie, ma ciò non cambia la natura dei dati. Pertanto, si desidera interpolare anziché utilizzare algoritmi categorici come il vicino più vicino o la maggioranza. L'interpolazione bilineare di solito va bene; a un certo costo nei tempi di esecuzione, la convoluzione cubica manterrà un po 'meglio il contrasto locale. Una piccola quantità di sfocatura aggiuntiva è inevitabile, ma è quasi impossibile da notare fino a quando l'immagine non ha subito molte trasformazioni del genere. Gli errori commessi con il vicino più vicino sono molto peggiori in confronto.

Mi manca la "reputazione" di commentare quindi ...

Se l'analisi radiometrica verrà eseguita sulle foto aeree, dovrebbe essere eseguita prima del ricampionamento / proiezione. Altrimenti, quasi sicuramente introdurrete una distorsione involontaria nel prodotto finale. Come da utile commento di blord-castillo sopra.

Se gli usi prossimali e finali delle antenne sono per richiamo visivo o mappatura di sfondo, allora andrei con il metodo più veloce che ti dà un prodotto utilizzabile.

• Se la dimensione della cella della nuova antenna è la stessa dell'originale, NEAREST funziona meglio IMHO.

• Se la dimensione della cella della nuova antenna è maggiore dell'originale, BILINEAR funziona meglio.

• Se (per qualche pazza ragione) la dimensione della cella della nuova antenna fosse inferiore all'originale, allora tornerei a usare NEAREST.

Le altre opzioni, CUBIC e MAJORITY, produrranno artefatti nel prodotto ricampionato, impiegheranno più tempo per l'elaborazione e altrimenti non sembrano applicarsi a ciò che stai cercando di fare.

Come ultimo punto: mentre è vero che il processo di campionamento della luce che emana / riflette dalla superficie della Terra è concettualmente continuo, è anche vero che la superficie della Terra presenta fenomeni sia continui che discreti.

• In generale, l'attività umana tende a produrre transizioni discrete e

• Le caratteristiche "naturali" sono spesso (ma non sempre) in continua variazione o almeno presentano bordi sfocati.

Quindi, come indicato nella mia prima parte sopra, il modo in cui manipoli le antenne dipenderà da come ti aspetti di usarle.

So che questa domanda è piuttosto vecchia, ma volevo aggiungere i miei 2 centesimi, nel caso in cui altri incontrassero questa discussione cercando di rispondere alla stessa domanda ...

Le risposte precedenti sono corrette quando si desidera veramente CAMPIONARE i dati, ad esempio se si stanno aggregando i dati da una dimensione di pixel di 30 m a una dimensione di pixel di 90 m. In questo caso stai tentando di creare un nuovo valore per ogni singolo pixel, basato su una raccolta di pixel vicini. Quindi sì, qui per insiemi di dati discreti selezionare il vicino più vicino, mentre per i dati continui si sceglierebbe Convoluzione bilineare o cubica.

In questa domanda, tuttavia, l'obiettivo NON è effettivamente quello di ricampionare i dati, ma semplicemente di convertire i dati esistenti in una nuova proiezione: si vogliono gli stessi valori, solo in una nuova proiezione. In questo caso, si desidera utilizzare il ricampionamento del vicino più vicino per set di dati discreti e continui, per mantenere l'integrità dei valori dei dati originali. So che questa affermazione va contro tutto ciò che leggi sul "ricampionamento", ma pensa davvero in modo critico a ciò che vuoi ottenere e a ciò che stai facendo ai dati. Inoltre, non faccio questa raccomandazione per un capriccio ... Ho trascorso 5 anni a lavorare su un dottorato di ricerca specializzato in GIS / Telerilevamento, oltre a insegnare corsi di laurea GIS / telerilevamento.

Un'altra nota, il poster originale chiedeva valori zero e / o negativi ... Se questi valori sono valori di dati reali (ovvero l'altitudine può effettivamente essere 0 o -34,5), allora si desidera includere questi valori. Tuttavia, se i valori in questione non sono dati effettivi e sono invece utilizzati per rappresentare NoDATA (ad esempio 0 o -9999), è necessario mascherare questi pixel dal raster (rimuovere) prima del ricampionamento tramite convoluzione bilineare o cubica . Altrimenti, quei -9999 pixel verranno inclusi nel calcolo del ricampionamento, come se quel pixel avesse un'altitudine reale di -9999 e si otterrebbero valori di dati non validi. Come esempio MOLTO semplificato nella convoluzione cubica, se i tuoi 4 valori di cella più vicini sono 4, 5, 16, -9999, incluso il -9999, si potrebbe ottenere un nuovo valore di pixel di -9974, che non è un dato valido.