Vairāk

Kāda paraugu ņemšanas tehnika būtu jāizmanto, projicējot aerofotogrāfijas?

Kāda paraugu ņemšanas tehnika būtu jāizmanto, projicējot aerofotogrāfijas?


Es veicu laika intensīvu projicēšanu no aerofotogrāfijām, un man ir interesanti - kādu pārņemšanas paņēmienu vislabāk izmantot aerofotogrāfijās? ArcMap manas iespējas ir vistuvāk, BILINEAR, CUBIC un MAJORITY.

Kategoriskiem datiem ieteicams izmantot tuvāko kaimiņu un vairākumu, savukārt nepārtrauktiem datiem - kubiskā konvolūcija un bilineārā interpolācija.

Man ir interesanti uzzināt, vai ir kāds parasti izmantots algoritms aerofoto projicēšanai. Es tikko pabeidzu viena attēla projicēšanu, izmantojot tuvāko kaimiņu, un tas, šķiet, izskatās labi, taču aerofoto nav kategoriski dati, tāpēc es izmēģināšu nākamo Bilinear.

REDIĢĒT
Es nedomāju par aerofotogrāfijām kā tāda paša veida nepārtrauktiem datiem kā DEM vai nokrišņu datiem, bet Whuber norādīja, ka tie ir nepārtraukti un ar tiem ir jārīkojas. Vēlreiz paldies.


Gaisa fotogrāfijas ir nepārtraukti dati. Katrs pikselis attēlo sensora reģiona reakciju uz uz to vērsto gaismu, un, mainoties šai gaismai, reakcija mainās nepārtraukti. Rezultāts parasti tiek diskretizēts (bieži 255 vai 256) kategorijās, taču tas nemaina datu raksturu. Tāpēc vēlaties interpolēt, nevis izmantot kategoriskus algoritmus, piemēram, tuvāko kaimiņu vai vairākumu. Bilinārā interpolācija parasti ir tikai laba; par dažām izmaksām izpildes laikā kubiskā konvolūcija nedaudz labāk saglabās vietējo kontrastu. Nevar izvairīties no nelielas papildu neskaidrības, taču to gandrīz nav iespējams pamanīt, kamēr attēls nav piedzīvojis daudz šādu pārveidojumu. Ar tuvāko kaimiņu pieļautās kļūdas ir daudz sliktākas.


Man trūkst "reputācijas", lai varētu komentēt ...

Ja aerofotogrāfijām tiks veikta radiometriskā analīze, tas ir jādara pirms atkārtota paraugu ņemšana / projicēšana. Pretējā gadījumā jūs gandrīz noteikti ieviesīsit galaproduktā neparedzētu neobjektivitāti. Kā norādīts blord-castillo noderīgajā komentārā iepriekš.

Ja antenu tuvākais un pēdējais lietojums ir paredzēts vizuālai pievilcībai vai fona kartēšanai, es izvēlētos ātrāko metodi, kas dod jums lietojamu produktu.

  • Ja jaunās antenas šūnu lielums ir tāds pats kā oriģinālam, tad NEHEST vislabāk darbojas IMHO.

  • Ja jaunās antenas šūnu izmērs ir lielāks nekā oriģināls, tad BILINEAR darbojas vislabāk.

  • Ja (kāda traka iemesla dēļ) jaunās antenas šūnu izmērs ir mazāks nekā oriģināls, tad es atgrieztos pie NEAREST izmantošanas.

Pārējās iespējas - CUBIC un MAJORITY - atkārtoti atlasītajā produktā radīs artefaktus, to apstrāde prasīs ilgāku laiku, un, šķiet, citādi tās neattiecas uz mēģinājumiem.

Kā pēdējais: lai arī patiesībā gaismas paraugu ņemšanas process, kas izstaro / atstaro no Zemes virsmas, ir konceptuāli nepārtraukts, ir taisnība, ka Zemes virsmai ir gan nepārtraukta, gan diskrēta parādība.

  • Kopumā cilvēka darbība mēdz radīt diskrētas pārejas un

  • "Dabiskās" iezīmes bieži (bet ne vienmēr) pastāvīgi mainās vai tām vismaz ir izplūdušas malas.

Tātad, kā norādīts manā pirmajā daļā iepriekš, tas, kā jūs manipulējat ar antenām, būs atkarīgs no tā, kā jūs plānojat tos izmantot.


Es zinu, ka šis jautājums ir diezgan vecs, bet es gribēju pievienot savus 2 centus, ja citi saskaras ar šo pavedienu un mēģina atbildēt uz to pašu jautājumu ...

Iepriekšējās atbildes ir pareizas, ja jūs patiešām vēlaties ATKALPOT savus datus, piemēram, ja datus apkopojat no 30 m līdz 90 m pikseļu izmēram. Šajā gadījumā jūs mēģināt izveidot jaunu vērtību katram atsevišķam pikseļiem, pamatojoties uz tuvumā esošo pikseļu kolekciju. Tātad, jā, šeit atsevišķām datu kopām atlasiet Tuvākais kaimiņš, savukārt nepārtrauktiem datiem - Bilinear vai Kubic Convolution.

Tomēr šajā jautājumā mērķis faktiski NAV paraugu atlase, bet gan esošo datu konvertēšana uz jaunu projekciju - jūs vēlaties tādas pašas vērtības, tikai jaunā projekcijā. Šādā gadījumā, lai saglabātu sākotnējo datu vērtību integritāti, DEKRĀTĀM, kā arī nepārtrauktām datu kopām vēlaties izmantot tuvāko kaimiņu atkārtotu paraugu ņemšanu. Es zinu, ka šis apgalvojums ir pretrunā ar visu, ko jūs lasījāt par “atkārtotu paraugu ņemšanu”, bet patiešām kritiski domājat par to, ko vēlaties sasniegt un ko darāt ar datiem. Turklāt es šo ieteikumu neizteicu pēc iegribas ... Esmu pavadījis 5 gadus, strādājot pie doktora grāda, kas specializējas ĢIS / attālā uzrāde, kā arī mācīju ĢIS / attālās uzrādes pamatkursu.

Vēl viena piezīme: sākotnējais plakāts jautāja par nulles un / vai negatīvām vērtībām ... Ja šīs vērtības ir patiesas datu vērtības (ti, augstums faktiski var būt 0 vai -34,5), jūs vēlaties iekļaut šīs vērtības. Tomēr ja attiecīgā (-ās) vērtība (-es) nav patiesi dati un tā vietā tiek izmantota, lai attēlotu NoDATA (teiksim, 0 vai -9999), tad pirms atkārtotas paraugu ņemšanas, izmantojot lineāru vai kubisku konvekciju, šie pikseļi ir jāslēpj no rastra (jāizņem). Pretējā gadījumā šie -9999 pikseļi tiks iekļauti atkārtotas atlases aprēķinā, it kā šī pikseļa reālais augstums būtu -9999, un jūs galu galā saņemsiet nederīgas datu vērtības. Ja ĻOTI vienkāršots kubiskās konvekcijas piemērs, ja jūsu 4 tuvākās šūnu vērtības ir 4, 5, 16, -9999, ieskaitot -9999, var tikt iegūta jauna pikseļu vērtība -9974, kas nav derīgi dati.