Deutsch

FAQ: Was ist der Unterschied zwischen "Nächster Nachbar", "Bilineare Interpolation" und "Kubische Faltung"?

Frage

Was ist der Unterschied zwischen "Nächster Nachbar", "Bilineare Interpolation" und "Kubische Faltung"?

Antwort

Mit den drei Resampling-Methoden "Nächster Nachbar", "Bilineare Interpolation" und "Kubische Faltung" wird bestimmt, wie die Zellenwerte eines Ausgabe-Rasters ermittelt werden, nachdem ein geometrischer Vorgang durchgeführt wurde. Die verwendete Methode hängt von den Eingabedaten und deren Verwendung nach der Durchführung des Vorgangs ab. "Nächster Nachbar" ist am besten für Kategoriedaten wie Klassifizierung der Landnutzung oder Klassifizierung der Neigung geeignet. Die in das Raster aufgenommenen Werte ändern sich nicht, eine 2 wird als 2 und eine 99 als 99 ausgegeben. Der Wert der Ausgabezelle wird durch den nächstgelegenen Zellenmittelpunkt im Eingabe-Raster bestimmt. "Nächster Nachbar" kann für kontinuierliche Daten verwendet werden, die Ergebnisse können jedoch blockförmig sein.

Bei "Bilineare Interpolation" wird ein gewichteter Durchschnitt der vier nächstgelegenen Zellenmittelpunkte verwendet. Je näher ein Eingabe-Zellenmittelpunkt beim Ausgabe-Zellenmittelpunkt liegt, desto größer ist der Einfluss von dessen Wert auf den Ausgabezellenwert. Dies bedeutet, dass der Ausgabewert anders als die nächstgelegene Eingabe sein kann, aber immer im gleichen Wertebereich wie die Eingabe liegt. Da sich die Werte ändern, ist "Bilinear" für Kategoriedaten nicht empfehlenswert. Stattdessen sollte diese Methode für kontinuierliche Daten wie Höhen- oder unverarbeitete Neigungswerte verwendet werden.

Bei "Kubische Faltung" werden die 16 nächstgelegenen Zellenmittelpunkte für die Ausgabe berücksichtigt und eine geglättete Kurve durch die Punkte geführt, um den Wert zu finden. Dadurch werden nicht nur die Werte der Eingabe geändert, das Ergebnis kann auch sein, dass der Ausgabewert außerhalb des Eingabewertebereichs liegt (stellen Sie sich eine Senke oder eine Spitze auf einer Oberfläche vor). Auch diese Methode ist für Kategoriedaten nicht empfehlenswert, sie ist aber sehr gut zum Glätten kontinuierlicher Daten geeignet.