हवाई तस्वीरों को पेश करते समय क्या रेज़ामापलिंग तकनीक का उपयोग किया जाना चाहिए?


23

मैं हवाई तस्वीरों के कुछ समय-गहन प्रोजेक्टिंग कर रहा हूं, और मैं उत्सुक हूं - हवाई तस्वीरों पर उपयोग करने के लिए कौन सी resampling तकनीक सबसे अच्छा है? ArcMap में, मेरे विकल्प NEAREST, BILINEAR, CUBIC और MAJORITY हैं।

निकटतम डेटा के लिए निकटतम नेबर और मेजरिटी की सिफारिश की जाती है, जबकि क्यूबिक कन्वेंशन और बिलिनियर इंटरपोल निरंतर डेटा के लिए हैं।

मैं यह जानने के लिए उत्सुक हूं कि हवाई फ़ोटो पेश करने के लिए कोई सामान्य रूप से उपयोग किया जाने वाला एल्गोरिदम है या नहीं । मैंने सिर्फ निकटतम छवि का उपयोग करके एक छवि पेश करने का काम पूरा किया है और यह अच्छा लग रहा है, लेकिन एक हवाई फोटो श्रेणीबद्ध डेटा नहीं है, इसलिए मैं आगे बिलिनियर की कोशिश करने जा रहा हूं।

संपादित करें कि
मैं एरियल तस्वीरों के बारे में एक ही तरह के निरंतर डेटा के बारे में नहीं सोच रहा था जैसे कि डीईएम या वर्षा डेटा, लेकिन व्हीबर ने बताया कि वे निरंतर हैं और उन्हें इस तरह से संभाला जाना चाहिए। एक बार फिर धन्यवाद।


1
आप gis.stackexchange.com/questions/2587/… पर बारीकी से संबंधित थ्रेड में रुचि रख सकते हैं
whuber

क्या कोई व्यक्ति, कृपया कोई भी वैज्ञानिक कागज प्रदान कर सकता है, जो निरंतर और श्रेणीबद्ध डेटा दोनों के लिए अलग-अलग resampling तरीकों की तुलना कर सकता है?
निकोज़ग्र

जवाबों:


25

हवाई तस्वीरें निरंतर डेटा हैं। प्रत्येक पिक्सेल उस पर निर्देशित प्रकाश के लिए एक सेंसर के क्षेत्र की प्रतिक्रिया का प्रतिनिधित्व करता है और जैसा कि प्रकाश भिन्न होता है, प्रतिक्रिया लगातार बदलती रहती है। परिणाम आमतौर पर विवेकाधीन (अक्सर 255 या 256) श्रेणियों में होता है, लेकिन यह डेटा की प्रकृति को नहीं बदलता है। इसलिए आप निकटतम पड़ोसी या बहुमत जैसे श्रेणीबद्ध एल्गोरिदम का उपयोग करने के बजाय प्रक्षेप करना चाहते हैं। बिलिनियर प्रक्षेप आमतौर पर ठीक होता है; निष्पादन समय में कुछ लागत पर, क्यूबिक कन्वेंशन स्थानीय विपरीत को एक छोटे से बेहतर बनाए रखेगा। अतिरिक्त धुंधलापन की एक छोटी राशि अपरिहार्य है, लेकिन यह ध्यान देना लगभग असंभव है जब तक कि छवि ऐसे कई परिवर्तनों से नहीं गुज़री हो। निकटतम पड़ोसी के साथ की गई त्रुटियां तुलना में बहुत खराब हैं।


7
यह एक बेहतरीन जवाब है। मुझे लगता है कि कभी-कभी घन दृढ़ीकरण असामान्य बैंडिंग का परिचय देता है; विशेष रूप से अगर तस्वीर पहले से रेज़मैपल्ड हो गई है या पैनशार्प की गई है। मैं आम तौर पर क्यूबिक कनवल्शन के साथ जाता हूं जब तक कि मैं इन विकृतियों को नहीं देखता हूं, तब मैं बिलिनियर इंटरपोलेशन पर स्विच करता हूं। मेरे लिए असली सवाल हमेशा यही होता है कि रंग बदलने के लिए किस हिस्टोग्राम का इस्तेमाल किया जाए। मैं एक रैखिक न्यूनतम-अधिकतम हिस्टोग्राम पसंद करता हूं, लेकिन कभी-कभी 2 मानक विचलन आधारित हिस्टोग्राम मुख्य विशेषताओं को बेहतर ढंग से हाइलाइट करता है।
ब्लॉर्ड-कैस्टिलो

5

मुझे टिप्पणी करने के लिए "प्रतिष्ठा" की कमी है ...

यदि हवाई तस्वीरों पर रेडियोमेट्रिक विश्लेषण किया जा रहा है, तो इसे रेज़ोमिंग / प्रोजेक्टिंग से पहले किया जाना चाहिए । अन्यथा आप लगभग निश्चित रूप से अंतिम उत्पाद में अनपेक्षित पूर्वाग्रह का परिचय देंगे। ऊपर ब्लर्ड-कैस्टिलो की सहायक टिप्पणी के अनुसार।

यदि एरियल के समीपस्थ और अंतिम उपयोग दृश्य अपील या पृष्ठभूमि मानचित्रण के लिए हैं, तो मैं सबसे तेज़ विधि के साथ जाऊंगा जो आपको एक उपयोगी उत्पाद देता है।

  • यदि नए एरियल का सेल आकार मूल के समान है, तो NEAREST सबसे अच्छा IMHO काम करता है।

  • यदि नए एरियल का सेल आकार मूल से बड़ा है, तो BILINEAR सबसे अच्छा काम करता है।

  • यदि (किसी पागल कारण से) नए एरियल का सेल आकार मूल से छोटा है, तो मैं NEAREST का उपयोग करने के लिए वापस जाऊंगा।

अन्य विकल्प, CUBIC और प्रमुखता, resampled उत्पाद में कलाकृतियों का उत्पादन करेंगे, प्रक्रिया में अधिक समय लेंगे, और अन्यथा आप जो करने की कोशिश कर रहे हैं उस पर लागू नहीं होता है।

अंतिम बिंदु के रूप में: जबकि यह सच है कि पृथ्वी की सतह से प्रकाश उत्सर्जित / परावर्तित करने की प्रक्रिया वैचारिक रूप से निरंतर है, यह भी सत्य है कि पृथ्वी की सतह निरंतर और असतत दोनों घटनाओं को प्रदर्शित करती है।

  • सामान्य तौर पर, मानव गतिविधि असतत संक्रमण का उत्पादन करती है और

  • "प्राकृतिक" विशेषताएं अक्सर (लेकिन हमेशा नहीं) लगातार बदलती हैं या कम से कम फजी किनारों होते हैं।

तो, जैसा कि ऊपर मेरे पहले भाग में इंगित किया गया है, आप कैसे एयरलाईट में हेरफेर करते हैं, यह इस बात पर निर्भर करेगा कि आप उनके उपयोग की अपेक्षा कैसे करते हैं।


4

मुझे पता है कि यह प्रश्न पुराना है, लेकिन मैं अपने 2 सेंट जोड़ना चाहता था, यदि इस सूत्र में अन्य लोग आते हैं, तो वही उत्तर देने की कोशिश कर रहे हैं ...

पिछले उत्तर सही हैं जब आप सही मायने में अपने डेटा को रीसेट करना चाहते हैं, जैसे कि आप अपने डेटा को 30 मीटर पिक्सेल आकार से 90 मीटर पिक्सेल आकार में एकत्रित कर रहे हैं। इस मामले में आप पास के पिक्सेल के संग्रह के आधार पर, प्रत्येक व्यक्तिगत पिक्सेल के लिए एक नया मान बनाने का प्रयास कर रहे हैं। तो हाँ, यहाँ असतत डेटा सेट के लिए आप निकटतम पड़ोसी का चयन करेंगे, जबकि निरंतर डेटा के लिए, आप बिलिनियर या क्यूबिक कन्वर्ज़न चुनेंगे।

इस प्रश्न में, हालांकि, लक्ष्य वास्तव में डेटा को फिर से साझा करने के लिए नहीं है, लेकिन मौजूदा डेटा को एक नए प्रक्षेपण में बदलने के लिए - आप एक ही मान चाहते हैं, बस एक नए प्रक्षेपण में। इस स्थिति में, आप अपने मूल डेटा मानों की अखंडता बनाए रखने के लिए असतत पड़ोसी रिसमलिंग को असतत के साथ-साथ सतत डेटासेट का उपयोग करना चाहते हैं। मुझे पता है कि यह कथन आपके द्वारा "रिसैम्पलिंग" के बारे में पढ़ी गई हर चीज के खिलाफ जाता है, लेकिन वास्तव में गंभीर रूप से सोचें कि आप क्या हासिल करना चाहते हैं, और आप डेटा के लिए क्या कर रहे हैं। इसके अलावा, मैं यह सिफारिश नहीं कर रहा हूँ ... मैं 5 साल जीआईएस / रिमोट सेंसिंग में विशेषज्ञता पर काम कर रहा हूँ, साथ ही साथ जीआईएस / रिमोट सेंसिंग अंडरग्रेजुएट कोर्स पढ़ा रहा हूँ।

एक और ध्यान दें, मूल पोस्टर ने शून्य और / या नकारात्मक मूल्यों के बारे में पूछा ... यदि ये मान सही डेटा मान हैं (अर्थात ऊंचाई वास्तव में 0 या -34.5 हो सकती है), तो आप इन मूल्यों को शामिल करना चाहते हैं। हालाँकि, यदि प्रश्न में मूल्य (s) सही डेटा नहीं हैं, और इसके बजाय NoDATA (0 या -9999 कहते हैं) का प्रतिनिधित्व करने के लिए उपयोग किया जाता है, तो आपको बिलिनियर या क्यूबिक कनवल्शन के माध्यम से इन पिक्सल को अपने रैस्टर (हटाने) से पहले मास्किंग करने की आवश्यकता है। । अन्यथा, उन -9999 पिक्सेल को पुन: गणना गणना में शामिल किया जाएगा, जैसे कि उस पिक्सेल में -9999 की वास्तविक ऊंचाई थी और आप अमान्य डेटा मानों के साथ समाप्त हो जाएंगे। क्यूबिक कनवल्शन में एक बहुत ही सरल उदाहरण के रूप में, यदि आपके 4 निकटतम सेल वैल्यू 4, 5, 16, -9999 हैं, -9999 सहित एक नया पिक्सेल मान -9974 हो सकता है, जो मान्य डेटा नहीं है।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.