เทคนิคการ resampling ใดที่ควรใช้เมื่อฉายภาพถ่ายทางอากาศ


23

ฉันกำลังฉายภาพทางอากาศเป็นระยะเวลานานและฉันอยากรู้ว่าเทคนิคการ resampling ใดดีที่สุดที่จะใช้กับภาพถ่ายทางอากาศ ใน ArcMap ตัวเลือกของฉันใกล้เคียงที่สุด BILINEAR CUBIC และ MAJORITY

เพื่อนบ้านที่ใกล้ที่สุดและส่วนใหญ่แนะนำให้ใช้กับข้อมูลที่เป็นหมวดหมู่ในขณะที่ Cubic Convolution และการแก้ไข Bilinear ใช้สำหรับข้อมูลอย่างต่อเนื่อง

ฉันอยากรู้ว่ามีอัลกอริทึมที่ใช้กันทั่วไปสำหรับการฉายภาพถ่ายทางอากาศหรือไม่ ฉันเพิ่งฉายภาพหนึ่งภาพโดยใช้เพื่อนบ้านที่ใกล้ที่สุดและดูเหมือนว่าจะดูดี แต่ภาพถ่ายทางอากาศไม่ใช่ข้อมูลที่เป็นหมวดหมู่ดังนั้นฉันจะลอง Bilinear ต่อไป

แก้ไข
ฉันไม่ได้คิดถึงรูปถ่ายทางอากาศเหมือนกับข้อมูลต่อเนื่องแบบเดียวกับ DEMs หรือข้อมูลการตกตะกอน แต่ whuber ชี้ให้เห็นว่าภาพเหล่านั้นมีความต่อเนื่องและควรได้รับการจัดการเช่นนี้ ขอบคุณอีกครั้ง.


1
นอกจากนี้คุณยังอาจจะสนใจในหัวข้อที่เกี่ยวข้องอย่างใกล้ชิดที่gis.stackexchange.com/questions/2587/...
whuber

มีใครบ้างที่จะช่วยกรุณาจัดทำรายงานทางวิทยาศาสตร์เพื่อเปรียบเทียบวิธีการสุ่มตัวอย่างที่แตกต่างกันสำหรับข้อมูลต่อเนื่องและการจัดหมวดหมู่?
NikosGr

คำตอบ:


25

ภาพถ่ายทางอากาศเป็นข้อมูลต่อเนื่อง แต่ละพิกเซลแสดงถึงการตอบสนองของพื้นที่ของเซ็นเซอร์ต่อแสงที่พุ่งเข้ามาและเมื่อแสงนั้นแตกต่างกันการตอบสนองจะแตกต่างกันไปอย่างต่อเนื่อง ผลลัพธ์มักจะถูกแยกประเภท (มักเป็น 255 หรือ 256) หมวดหมู่ แต่นั่นไม่ได้เปลี่ยนลักษณะของข้อมูล ดังนั้นคุณต้องการแก้ไขแทนที่จะใช้อัลกอริธึมเด็ดขาดเช่นเพื่อนบ้านที่ใกล้ที่สุดหรือส่วนใหญ่ การแก้ไข Bilinear นั้นปกติดี ที่ค่าใช้จ่ายในเวลาดำเนินการสังวัตนาลูกบาศก์จะรักษาความคมชัดในท้องถิ่นดีขึ้นเล็กน้อย ความพร่ามัวเล็กน้อยจำนวนมากไม่สามารถหลีกเลี่ยงได้ แต่เกือบจะเป็นไปไม่ได้ที่จะสังเกตเห็นจนกว่าภาพจะผ่านการเปลี่ยนแปลงหลายอย่าง ข้อผิดพลาดที่เกิดขึ้นกับเพื่อนบ้านที่ใกล้ที่สุดนั้นแย่กว่ากันมาก


7
นี่คือคำตอบที่ดี ฉันจะเพิ่มว่าการบิดแบบลูกบาศก์บางครั้งแนะนำแถบที่ผิดปกติ โดยเฉพาะอย่างยิ่งถ้าภาพถ่ายได้รับการ resampled หรือ pansharpened ก่อนหน้านี้ โดยทั่วไปฉันจะไปกับการบิดแบบลูกบาศก์เว้นแต่ฉันจะเห็นการบิดเบือนเหล่านี้จากนั้นฉันเปลี่ยนเป็นการแก้ไขแบบบิลิแนร์ คำถามจริงสำหรับฉันคือฮิสโตแกรมที่จะใช้สำหรับการเปลี่ยนสีใหม่เสมอ ฉันชอบฮิสโทแกรมเชิงเส้นต่ำสุด แต่บางครั้งฮิสโตแกรมที่มีค่าเบี่ยงเบนมาตรฐาน 2 ครั้งจะเน้นจุดเด่นที่ดีกว่า
blord-castillo

5

ฉันไม่มี "ชื่อเสียง" ในการแสดงความคิดเห็นดังนั้น ...

หากการวิเคราะห์ด้วยรังสีจะถูกดำเนินการบนภาพถ่ายทางอากาศก็ควรจะทำก่อนที่จะมีการสุ่มใหม่ / ฉายภาพ มิฉะนั้นคุณจะแนะนำอคติที่ไม่ตั้งใจให้กับผลิตภัณฑ์สุดท้ายอย่างแน่นอน ตามความคิดเห็นที่เป็นประโยชน์ของ blord-castillo ด้านบน

หากการใช้เสาอากาศแบบใกล้เคียงและสุดท้ายใช้สำหรับการดึงดูดสายตาหรือการทำแผนที่พื้นหลังฉันจะใช้วิธีที่เร็วที่สุดที่ให้ผลิตภัณฑ์ที่ใช้ได้

  • หากขนาดเซลล์ของเสาอากาศใหม่เหมือนกับขนาดดั้งเดิม NEAREST จะทำงานได้ดีที่สุด IMHO

  • หากขนาดเซลล์ของเสาอากาศใหม่ใหญ่กว่าขนาดดั้งเดิม BILINEAR จะทำงานได้ดีที่สุด

  • ถ้า (ด้วยเหตุผลบางอย่างบ้าคลั่ง) ขนาดเซลล์ของเสาอากาศใหม่นั้นเล็กกว่าของเดิมฉันก็จะกลับไปใช้ NEAREST

ตัวเลือกอื่น ๆ CUBIC และ MAJORITY จะสร้างสิ่งประดิษฐ์ในผลิตภัณฑ์ที่สุ่มตัวอย่างใช้เวลาในการประมวลผลนานกว่าและดูเหมือนจะไม่นำไปใช้กับสิ่งที่คุณพยายามทำ

เป็นประเด็นสุดท้าย: แม้ว่ากระบวนการสุ่มตัวอย่างแสงที่เปล่งออกมา / การสะท้อนจากพื้นผิวโลกนั้นยังคงเป็นแนวคิดอย่างต่อเนื่อง แต่มันก็เป็นความจริงที่ว่าพื้นผิวโลกแสดงปรากฏการณ์ต่อเนื่องและไม่ต่อเนื่อง

  • โดยทั่วไปกิจกรรมของมนุษย์มีแนวโน้มที่จะสร้างการเปลี่ยนผ่านและ

  • คุณสมบัติ "ธรรมชาติ" มักจะ (แต่ไม่เสมอไป) เปลี่ยนแปลงอย่างต่อเนื่องหรืออย่างน้อยก็มีขอบเลือน

ดังนั้นตามที่ระบุไว้ในส่วนแรกของฉันข้างต้นวิธีที่คุณจัดการเสาอากาศจะขึ้นอยู่กับวิธีที่คุณคาดหวังที่จะใช้พวกเขา


4

ฉันรู้ว่าคำถามนี้ค่อนข้างเก่า แต่ฉันต้องการเพิ่ม 2 เซ็นต์ของฉันในกรณีที่คนอื่นเจอกระทู้นี้พยายามตอบคำถามเดียวกัน ...

คำตอบก่อนหน้านี้ถูกต้องเมื่อคุณต้องการ RESAMPLE ข้อมูลของคุณเช่นถ้าคุณรวมข้อมูลจากขนาดพิกเซล 30 ม. เป็นขนาด 90 ม. ในกรณีนี้คุณกำลังพยายามสร้างค่าใหม่สำหรับแต่ละพิกเซลขึ้นอยู่กับการรวบรวมพิกเซลใกล้เคียง ใช่ที่นี่สำหรับชุดข้อมูลแยกคุณจะเลือกเพื่อนบ้านที่ใกล้ที่สุดในขณะที่สำหรับข้อมูลอย่างต่อเนื่องคุณจะเลือก Bilinear หรือ Cubic Convolution

อย่างไรก็ตามในคำถามนี้เป้าหมายไม่ใช่การสุ่มตัวอย่างข้อมูลจริง ๆ แต่เป็นการแปลงข้อมูลที่มีอยู่เป็นการฉายใหม่ - คุณต้องการค่าเดียวกันเพียงแค่ในการฉายใหม่ ในกรณีนี้คุณต้องการใช้ตัวอย่างเพื่อนบ้านที่ใกล้เคียงที่สุดสำหรับชุดข้อมูลที่ไม่ต่อเนื่องและชุดข้อมูลอย่างต่อเนื่องเพื่อรักษาความสมบูรณ์ของค่าข้อมูลดั้งเดิมของคุณ ฉันรู้ว่าคำแถลงนี้ขัดแย้งกับทุกสิ่งที่คุณอ่านเกี่ยวกับ "การสุ่มตัวอย่างใหม่" แต่คิดอย่างจริงจังถึงสิ่งที่คุณต้องการบรรลุและสิ่งที่คุณกำลังทำกับข้อมูล นอกจากนี้ฉันไม่ได้ทำตามคำแนะนำนี้โดยฉับพลัน ... ฉันใช้เวลา 5 ปีในการทำงานในระดับปริญญาเอกที่เชี่ยวชาญด้าน GIS / Remote Sensing รวมถึงการสอนหลักสูตร GIS / Remote Sensing

หมายเหตุอื่นผู้โพสต์ดั้งเดิมถามเกี่ยวกับค่าศูนย์และ / หรือค่าลบ ... หากค่าเหล่านี้เป็นค่าข้อมูลจริง (เช่นความสูงสามารถเป็น 0 หรือ -34.5) จริง ๆ แล้วคุณต้องการรวมค่าเหล่านี้ อย่างไรก็ตามหากค่าที่เป็นปัญหาไม่ใช่ข้อมูลจริงและแทนที่จะใช้เพื่อเป็นตัวแทนของ NoDATA (เช่น 0 หรือ -9999) คุณต้องปิดบังพิกเซลเหล่านี้จากแรสเตอร์ของคุณ (ลบ) ก่อนที่จะทำการสุ่มใหม่ผ่านไบลิเนียร์หรือลูกบาศก์ . มิฉะนั้นพิกเซล -9999 เหล่านั้นจะรวมอยู่ในการคำนวณการสุ่มตัวอย่างเช่นหากพิกเซลนั้นมีระดับความสูงจริง -9999 และคุณจะได้รับข้อมูลที่ไม่ถูกต้อง ในฐานะที่เป็นตัวอย่างที่ง่ายมากในรูปแบบลูกบาศก์หากค่าเซลล์ที่ใกล้ที่สุด 4 ค่าของคุณคือ 4, 5, 16, -9999 รวมถึง -9999 อาจส่งผลให้ค่าพิกเซลใหม่เป็น -9974 ซึ่งไม่ใช่ข้อมูลที่ถูกต้อง

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.