由于输出图像的像元点在输入图像中的行列号不是或不全是整数关系,所以需要根据输出图像上的各像元在输入图像中的位置,对原始图像按一定规则重新采样,进行亮度值的插值运算,建立新的图像矩阵.
最邻近法:
将最邻近的像元值赋予新像元.
优点: a 不引入新的像元值
,适合分类前使用;
b
有利于区分植被类型,确定湖泊浑浊程度,温度等;
c 计算简单,速度快
缺点:最大可产生半个像元的位置偏移,改变了像元值的几何连续性,原图中某些线状特征会被扭曲或变粗成块状
.
双线性内插法 : 使用邻近4
个点的像元值,按照其据内插点的距离赋予不同的权重,进行线性内插.
优点:a
图像平滑,无台阶现象。线状特征的块状化现象减少;
b 空间位置精度更高
缺点:a
像元被平均,有低频卷积滤波效果,破坏了原来的像元值,在波谱识别分类分析中,会引起一些问题。
b
边缘被平滑,不利于边缘检测。
三次卷积内插法 :
使用内插点周围的16
个像元值,用三次卷积函数进行内插.
优点:
高频信息损失少,可将噪声平滑,对边缘有所增强,具有均衡化和清晰化的效果
缺点:
破坏了原来的像元值,计算量大.内插方法的选择除了考虑图像的显示要求及计算量外,在做分类时还要考虑内插结果对分类的影响,特别是当纹理信息为分类的主要信息时。
研究表明,最近邻采样将严重改变原图像的纹理信息。因此,当纹理信息为分类主要信息时,不宜选用最近邻采样。双线性内插及三次卷积内插将减少图像异质性,增加图像同构型,其中,双线性内插方法使这种变化更为明显。