Cuando se pasa de un tamaño de celda de 5 metros a uno de 10 metros, el tamaño de la celda será diferente en la cuadrícula de salida rasterizada. Al convertir datos ráster entre diferentes sistemas de coordenadas, los centros de celdas no coinciden.
En ambas situaciones, se debe adoptar un enfoque de remuestreo para especificar cómo tomará forma la cuadrícula de salida. Pero no siempre es fácil elegir qué método de remuestreo usar porque hay más de una forma de recalcular los valores de las celdas.
Técnicas de remuestreo en SIG
Resaltaremos qué técnica de remuestreo es apropiada para usar en determinados escenarios. También hablaremos de cómo utilizamos estos métodos de remuestreo en un entorno SIG. Hay cuatro maneras comunes de remuestrear cuadrículas rasterizadas en SIG.
- Vecino más cercano
- Bilineal
- Convolución cúbica
- Mayoría
1. El remuestreo del vecino más cercano
La técnica del vecino más cercano no cambia ningún valor del conjunto de datos raster de entrada. Toma el centro de celda del conjunto de datos raster de entrada para determinar el centro de celda más cercano del raster de salida. En cuanto a la velocidad de procesamiento, generalmente es la más rápida debido a su simplicidad.
Debido a que el remuestreo del vecino más cercano no altera ningún valor en el conjunto de datos raster de salida, es ideal para datos categóricos, nominales y ordinales.
¿Cuándo debe usar el remuestreo del vecino más cercano?
A menudo, se utiliza el vecino más cercano para datos discretos como la clasificación de la cubierta terrestre, los edificios y los tipos de suelo que tienen límites distintos y discretos.
Cuando vuelva a tomar muestras de este tipo de datos, debe utilizar el remuestreo del vecino más cercano. Por ejemplo, si tiene una malla rasterizada de clasificación de cobertura de terreno, el vecino más cercano tomará el valor del centro de la celda.
Si la agricultura tiene el valor discreto de 7, el método del vecino más cercano nunca le asignará un valor de 7.2. Simplemente se trata de tomar el valor de salida del centro de celdas de la capa de entrada más cercana.
2.- Interpolación bilineal
La interpolación bilineal es una técnica para calcular los valores de una ubicación de cuadrícula basada en cuatro celdas de cuadrícula cercanas. Asigna el valor de la celda de salida tomando el promedio ponderado de las cuatro celdas vecinas en una imagen para generar nuevos valores.
Suaviza la cuadrícula de salida de la trama, pero no tanto como la convolución cúbica. Es útil cuando se trabaja con conjuntos de datos continuos que no tienen límites distintos.
¿Cuándo se debe utilizar el remuestreo bilineal?
Los de gradientes de temperatura, los modelos digitales de elevación y las cuadrículas de precipitación anual son ejemplos de cuándo utilizar la interpolación bilineal.
Por ejemplo, los rásters de distancia de ruido no tienen límites discretos. En este caso, este tipo de datos varía continuamente de celda a celda para formar una superficie.
3.- Interpolación de convolución cúbica
Al igual que la interpolación bilineal, la interpolación por convolución cúbica toma el promedio de celdas circundantes, en lugar de utilizar las cuatro celdas más cercanas. El valor de salida se basa en el promedio de las 16 celdas más cercanas. Como resultado, el tiempo de tratamiento tiende a aumentar para este método.
Este método se utiliza generalmente para superficies continuas donde existe mucho ruido. Debido a que necesita más celdas vecinas en comparación al remuestreo bilineal, es bueno para suavizar los datos de la cuadrícula raster de entrada.
¿Cuándo se debe utilizar la interpolación por convolución cúbica?
Las convoluciones cúbicas son ideales para rásteres ruidosos, como suavizar una imagen de radar o un modelo de superficie.
Generalmente, utilizamos la convolución cúbica mucho menos que la interpolación bilineal. En particular, es bueno para la reducción del ruido. Por ejemplo, una imagen de radar de apertura sintética podría beneficiarse de la técnica de interpolación de convolución cúbica porque reduce el ruido que se ve comúnmente en el radar.
4.- Remuestreo mayoritario
Mientras que el remuestreo del vecino más cercano toma el centro de la celda de los datos raster de entrada, el algoritmo de la mayoría utiliza los valores más comunes dentro de la ventana de filtro.
Similar al algoritmo del vecino más cercano, esta técnica se utiliza comúnmente para datos discretos como la clasificación de la cubierta terrestre y otros tipos de cuadrículas rasterizadas con límites distintos.
¿Cuándo debería utilizar el remuestreo por mayoría?
A menudo utilizamos un filtro mayoritario para la cobertura del terreno, por lo que la clase más popular permanece en la trama de salida.
Por ejemplo, si la ventana del filtro encuentra 3 celdas de cobertura de tierra agrícola y 2 celdas de carretera, el conjunto de datos de salida se clasificará como agricultura. Esto se debe a que la clase de cobertura de tierra agrícola es la celda más popular dentro de la ventana del filtro. Cuando se compara con el remuestreo del vecino más cercano, el conjunto de datos resultante será a menudo más fluido.
Muestreo rasterizado: La comida principal para llevar
El procesamiento de imágenes ha tomado gran relevancia para ilustrar a diferentes resoluciones y conversiones de sistemas de coordenadas. Es por ello que utilizamos técnicas de remuestreo de imágenes como vecino más cercano, interpolación bilineal, convolución cúbica e interpolación mayoritaria.
En SIG, el remuestreo del vecino más cercano no cambia ninguno de los valores de las celdas de salida del conjunto de datos raster de entrada. Esto hace que el vecino más cercano sea adecuado para datos discretos como los mapas de clasificación de la cubierta terrestre. Mientras que el remuestreo del vecino más cercano tomó el centro de la celda del conjunto de datos raster de entrada, el remuestreo mayoritario se basa en los valores más comunes encontrados dentro de la ventana de filtro.
La técnica de interpolación bilineal funciona mejor para datos continuos. Esto se debe a que las celdas de salida se calculan basándose en la posición relativa de los cuatro valores más cercanos de la cuadrícula de entrada.
Cuando se tiene aún más ruido en la cuadrícula de entrada, es cuando la convolución cúbica puede ser más ventajosa. Ésta suaviza la cuadrícula de salida porque toma las 16 celdas más cercanas del conjunto de datos de entrada.
Traducido desde: GISGeography
