français

FAQ : quelle est la différence entre le voisin le plus proche, l’interpolation bilinéaire et la convolution cubique ?

Question

FAQ : quelle est la différence entre le voisin le plus proche, l’interpolation bilinéaire et la convolution cubique ?

Réponse

Les trois méthodes de rééchantillonnage, le voisin le plus proche, l’interpolation bilinéaire et la convolution cubique, décident de la façon dont les valeurs de cellule d’un raster en sortie sont déterminées après une opération géométrique. La méthode employée dépend des données en entrée et de leur utilisation une fois l’opération effectuée. La méthode du voisin le plus proche est la mieux adaptée aux données catégorielles, telles que la classification d’utilisation du sol ou la classification de pente. Les valeurs entrées dans la grille restent exactement les mêmes, puisque la valeur 2 reste 2 et que 99 donne 99 en sortie. La valeur de la cellule en sortie est déterminée par le centre de la cellule la plus proche de la grille en entrée. La méthode du voisin le plus proche peut être employée sur les données continues, mais les résultats peuvent alors avoir un aspect rugueux.

L’interpolation bilinéaire utilise une moyenne pondérée des centres des quatre cellules les plus proches. Plus le centre d’une cellule en entrée est proche du centre d’une cellule en sortie, plus l’influence de sa valeur sur la valeur de la cellule en sortie est élevée. Cela signifie que la valeur en sortie pourrait être différente de l’entrée la plus proche, mais qu’elle est toujours dans la même plage de valeurs que l’entrée. Etant donné que les valeurs peuvent changer, l’interpolation bilinéaire n’est pas recommandée pour les données catégorielles. Cette méthode est en revanche conseillée pour les données continues, telles que les valeurs d’altitude et de pente brutes.

La convolution cubique tient compte des centres des 16 cellules les plus proches de la sortie et ajuste une courbe lissée suivant les points pour déterminer la valeur. Cela modifie non seulement les valeurs en entrée, mais peut aussi faire en sorte que la valeur en sortie soit en dehors de la plage des valeurs en entrée (imaginez une cuvette ou un pic se produisant sur une surface). Cette méthode n’est donc également pas recommandée pour les données catégorielles. Elle est en revanche très efficace pour lisser des données continues.