Apa teknik resampling yang harus digunakan ketika memproyeksikan foto udara?

Saya melakukan proyeksi foto udara intensif-waktu, dan saya penasaran - teknik resampling apa yang terbaik untuk digunakan pada foto udara? Di ArcMap, opsi saya adalah DEKAT, BILINEAR, CUBIC, dan MAJORITY.

Tetangga terdekat dan Mayoritas direkomendasikan untuk data kategorikal, sedangkan Konvolusi Kubik dan Interpolasi Bilinear adalah untuk data kontinu.

Saya ingin tahu apakah ada algoritma yang biasa digunakan untuk memproyeksikan foto udara . Saya baru saja selesai memproyeksikan satu gambar menggunakan Nearest Neighbor dan sepertinya terlihat bagus, tetapi foto udara bukan data kategorikal, jadi saya akan mencoba Bilinear berikutnya.

EDIT
Saya tidak menganggap foto udara sebagai jenis data kontinu yang sama dengan data DEM atau data curah hujan, tetapi whuber menunjukkan bahwa foto tersebut kontinu dan harus ditangani seperti itu. Terima kasih lagi.

Foto udara adalah data kontinu. Setiap piksel mewakili respons suatu wilayah sensor terhadap cahaya yang diarahkan padanya dan karena cahaya itu bervariasi, responsnya beragam secara terus menerus. Hasilnya biasanya discretized (sering menjadi 255 atau 256) kategori, tetapi itu tidak mengubah sifat data. Karena itu Anda ingin melakukan interpolasi daripada menggunakan algoritma kategorikal seperti tetangga terdekat atau mayoritas. Interpolasi bilinear biasanya baik-baik saja; dengan biaya dalam waktu pelaksanaan, konvolusi kubik akan mempertahankan kontras lokal sedikit lebih baik. Sejumlah kecil kekaburan tambahan tidak dapat dihindari, tetapi itu hampir tidak mungkin untuk diperhatikan sampai gambar telah mengalami banyak transformasi seperti itu. Kesalahan yang dibuat dengan tetangga terdekat jauh lebih buruk dibandingkan.

Saya tidak memiliki "reputasi" untuk berkomentar sehingga ...

Jika analisis radiometrik akan dilakukan pada foto udara maka harus dilakukan sebelum melakukan resampling / proyeksi. Kalau tidak, Anda hampir pasti akan memperkenalkan bias yang tidak diinginkan ke dalam produk akhir. Seperti komentar bermanfaat blord-castillo di atas.

Jika penggunaan langsung dan akhir dari antena adalah untuk daya tarik visual atau pemetaan latar belakang, maka saya akan menggunakan metode tercepat yang memberi Anda produk yang dapat digunakan.

• Jika ukuran sel dari antena baru sama dengan aslinya, maka NEAREST berfungsi dengan baik.

• Jika ukuran sel dari antena baru lebih besar dari ukuran aslinya, maka BILINEAR bekerja paling baik.

• Jika (karena alasan gila) ukuran sel dari antena baru lebih kecil dari ukuran aslinya, maka saya akan kembali menggunakan NEAREST.

Opsi lain, CUBIC dan MAJORITY, akan menghasilkan artefak dalam produk yang disampel, membutuhkan waktu lebih lama untuk diproses, dan sebaliknya tampaknya tidak berlaku untuk apa yang Anda coba lakukan.

Sebagai poin terakhir: Meskipun benar proses pengambilan sampel cahaya yang memancar / memantul dari permukaan bumi secara kontinu bersifat kontinu, juga benar bahwa permukaan bumi menunjukkan fenomena kontinu dan terpisah.

• Secara umum, aktivitas manusia cenderung menghasilkan transisi dan diskrit

• Fitur "alami" sering (tetapi tidak selalu) terus bervariasi atau setidaknya memiliki tepi fuzzy.

Jadi, seperti yang ditunjukkan pada bagian pertama saya di atas, bagaimana Anda memanipulasi antena akan tergantung pada bagaimana Anda berharap untuk menggunakannya.

Saya tahu bahwa pertanyaan ini agak lama, tetapi saya ingin menambahkan 2 sen saya, kalau-kalau orang lain menemukan utas ini mencoba menjawab pertanyaan yang sama ...

Jawaban sebelumnya benar ketika Anda benar-benar ingin MENYAMPAIKAN data Anda, seperti jika Anda menjumlahkan data Anda dari ukuran 30 m piksel ke ukuran 90m piksel. Dalam hal ini Anda mencoba untuk membuat nilai baru untuk setiap piksel individu, berdasarkan pada kumpulan piksel terdekat. Jadi ya, di sini untuk set data diskrit Anda akan memilih Tetangga Terdekat, sedangkan untuk data kontinu, Anda akan memilih Bilinear atau Cubic Convolution.

Namun, dalam pertanyaan ini, tujuannya BUKAN sebenarnya untuk menguji ulang data, tetapi hanya untuk mengubah data yang ada ke proyeksi baru - Anda menginginkan nilai yang sama, hanya dalam proyeksi baru. Dalam hal ini, Anda AKAN ingin menggunakan resampling Nearest Neighbor untuk dataset terpisah dan berkelanjutan, untuk menjaga integritas nilai data asli Anda. Saya tahu pernyataan ini bertentangan dengan semua yang Anda baca tentang "resampling", tetapi benar-benar berpikir kritis tentang apa yang ingin Anda capai, dan apa yang Anda lakukan terhadap data. Juga, saya tidak membuat rekomendasi ini atas keinginan ... Saya telah menghabiskan 5 tahun bekerja pada PhD yang mengkhususkan diri dalam GIS / Penginderaan Jauh, serta mengajar program sarjana GIS / penginderaan jauh.

Catatan lain, poster asli bertanya tentang nilai nol dan / atau negatif ... Jika nilai-nilai ini adalah nilai data yang benar (yaitu ketinggian sebenarnya dapat 0 atau -34,5), maka Anda ingin memasukkan nilai-nilai ini. Namun jika nilai yang dipermasalahkan bukanlah data yang benar, dan sebaliknya digunakan untuk mewakili NoDATA (katakan 0 atau -9999), maka Anda perlu untuk menutupi piksel ini dari raster Anda (hapus) sebelum melakukan resampling melalui konvolusi bilinear atau kubik . Jika tidak, piksel -9999 tersebut akan dimasukkan dalam perhitungan resampling, seolah-olah piksel tersebut memiliki ketinggian nyata -9999 dan Anda akan mendapatkan nilai data yang tidak valid. Sebagai contoh SANGAT disederhanakan dalam konvolusi kubik, jika 4 nilai sel terdekat Anda adalah 4, 5, 16, -9999, termasuk -9999 dapat menghasilkan nilai piksel baru -9974, yang bukan data yang valid.