تغییر اندازه پیکسل داده های رستری در نرم افزار Arc GIS
(Resampling) تغییر اندازه پیکسل داده های رستری
زماني که يک لايه رستري را Resample می کنید، آن را از يک تصوير به تصوير ديگر تبديل مي نمایید و يا آنکه با تغيير Cell Size (ابعاد پيکسل) تبديل ژئومتريک انجام مي دهيد.
یک لایه رستری (برای مثال مدل رقومی ارتفاعی ) را در Arc GIS فراخوانی کنید. اگر روی لایه زوم کنید به مانند شکل زیر، پیکسل ها یا سلول های مربعی را مشاهده می کنید.
اگر به قسمت Source لایه رستری، در پنجره Layer Properties مراجعه کنید، اندازه Cell Size مشخص شده است.
در این لایه رستری که به عنوان نمونه انتخاب شده است. اندازه پیکسل ها 85*85 متر است.
برای تغییر اندازه پیکسل ها بایستی از ابزار Resample استفاده کنید. برای دسترسی به این ابزار در بخش Search نرم افزار، ابزار Resample را جستجو کنید.
بر روی Resample (Data Management) کلیک کنید تا پنجره Resample باز شود.
در پنجره Resample به ترتیب زیر، نسبت به تکمیل موارد خواسته شده اقدام نمایید:
1- در کادر Input Raster بایستی لایه رستری را فراخوانی کنید.
2- در کادر Output Raster Dataset بایستی مسیر ذخیره سازی فایل خروجی را تعیین کنید.
3 و 4 – در کادر X و Y بایستی مقدار ابعاد پیکسل مورد نظر را وارد کنید ( در این مثال ابعاد 200 *200 متر تعیین شده است )
5- در کادر Resampling Technique از چهار تکنیک موجود، تکنیک مورد نظر خود را برای انجام عملیات Resampling انتخاب و دکمه OK را فشار دهید.
تصویر زیر مقایسه بخشی از مدل رقومی ارتفاعی با ابعاد 90 متری و اعمال عملیات resampling بر روی آن را می بینید (تغییر اندازه پیکسل ها به 200 متر و استفاده از تکنیک Nearest neighbor )
تکنیک های رایج Resampling
تکنیک های رایج Resampling را در نمودار زیر می بینید:
تکنیک NEAREST ( تکنیک نزدیکترین همسایه – Nearest neighbor)
روش Nearest Neighbor متد پیش فرض و سريع ترين تکنيک Resampling است و به صورت عمومی بر روی هر نوع Raster Dataset عمل می نماید. به هر حال پیشنهاد می گردد که از متد Nearest Neighbor برای داده های گسسته و یا لایه های رستری Color Map مانند لایه های کاربری زمین ، نقشه های اسکن شده و تصاویر Pseudo Color استفاده نمائید.
اين روش سريع ترين تکنيک Resampling مي باشد و با توجه به اينکه نمي توان Value پيکسل هاي ورودي را تغيير دهد مختص داده هاي شماتيک و مطلق مي باشد. زماني که موقعيت مراکز پيکسل لايه رستري خروجي، در لايه رستر ورودي قرار دارد، روش انتقال Nearest Neighbor موقعيت مرکز پيکسل در رستر ورودي را تعيين و Value آن پيکسل را به پيکسل رستر خروجي نسبت مي دهد.
روش انتقال Nearest Neighbor هيچ تغييري در Value پيکسل هاي لايه رستري وروي ايجاد نمي کند. ميزان Value 2 در لايه رستري ورودي دقيقاً برابر با Value 2 در لايه رستري خروجي خواهد بود.
تکنیک BILINEAR (Bilinear interpolation – میانیابی دو سویه )
اين روش از مقادير مراکز چهار پيکسل مجاور در رستر ورودي براي تعيين Value در رستر خروجي استفاده مي کند. Value جديد در لايه رستري خروجي، ميانگين وزنياز اين چهار مقدار است که فاصلة آنها از مرکز پيکسل هاي خروجي نسبت به پيکسل هاي ورودي تنظيم و محاسبه مي شود. نتايج حاصل از اين روش اينترپلاسيون ايجاد يک سطح هموارتر نسبت به روش Nearest Neighbor خواهد بود.
بعد از اينکه مقادير (Value) پيکسل هاي خروجي بر اساس موقعيت نسبي و ارزش پيکسل ورودي، محاسبه شد، روش Bilinear Interpolation ارجح است براي داده هايي که موقعيت نقطه معلوم يا يک پديده، انتساب Value به پيکسل را تعيين مي کند که به اين سطوح پيوسته مي گويند. ارتفاع، شيب، ، ميزان نمک آب هاي زير زميني نزديک به ساحل همگي پديده هايي هستند که به عنوان يک سطح پيوسته مي باشند و مناسب تر است که از روش Bilinear Interpolation براي Resampling آنها استفاده شود.
تکنیک CUBIC (تکنیک پیچش فضایی – Cubic convolution)
اين روش شبيه روش Bilinear Interpolation است و تنها تفاوت آن اين است که ميانگين وزني براي مقادير 16 مرکز پيکسل مجاور انجام مي شود. روش Cubicconvolution نسبت به BilinearInterpolation بيشتر به شارب کردن (افزايش دامنه تغييرات) داده ها تمايل دارد. از آنجائي که پيکسل هاي بيشتري درگير پردازش براي محاسبه Value خروجي مي شوند، بنابراين اين روش Resampling بيشتر براي Resample کردن تصاوير ماهواره اي و عکس هاي هوايي مورد استفاده قرار مي گيرد. روش Bilinearinterpolation و CubicConvolution نبايد براي داده هاي مطلق استفاده گردد. زيرا اين اطلاعات در لايه رستري خروجي حفظ نمي گردد.
تکنیک MAJORITY (تکنیک اکثریت – Majority Resampling)
در حالی که در تکنیک nearest neighbor ،مقدار سلول مرکزی را از داده رستری ورودی می گیرد، در تکنیک Majority فراوانی پیکسل هایی که بیشترین تکرار را دارند را در نظر می گیرد.
این تکنیک، مانند الگوریتم نزدیکترین همسایه، معمولاً برای داده های گسسته مانند طبقه بندی پوشش زمین و کاربری اراضی و … استفاده می شود.
نکته : زمانی که يک پروژه Resampling انجام مي شود نياز است که يک نمونه آزمايشي از چندين روش Resampling انجام دهيد تا دقت هر مدل را ارزشيابي کرده و مناسب ترين مدل را براي داده هاي خود انتخاب نمائيد.
دیدگاهتان را بنویسید