Rasterdata som skall presenteras i en ny upplösning/skala måste bearbetas för att passa på skärmen. Allt handlar om pixlar, eller färgvärden per längdenhet. När man ändrar skalan/upplösningen så skapas ”hål” i det nya datat, eller pixlar som blir över, hamnar i skarvar med mera. Det är detta som renderingen skall hantera. Det är ganska mycket mer komplicerat… (
) …än vad jag nu ger mig på att beskriva, men för att jag skall ha koll på skillnaderna i begreppen så hjälper det här.
När man väljer metod för att ”rendera” data så brukar det handla om ”Nearest-Neighbor” (NN), ”Bi-Linear” (BL) eller ”Bi-Cubic” (BC). Skillnaden är i hur ett nytt pixelvärde beräknas när man skall rita ut data på skärmen eller skapa ”tiles” i GeoServer.
”Nearest-Neighbor” använder färgvärdet i centrum på den nya pixeln (i princip). Resultatet blir höga kontraster, men kan upplevas som ”pixligt” och mindre skönt för ögat. Det är lämpligt att använda denna typ av rendering för tematiska data där stora områden skall ha samma färg och där det är viktigt att data ritas upp snabbt.
Alla bilder från Wikipedia
För i stort sett alla andra typer av data (utom imagery) så är andra metoder snyggare, så jag förstår inte riktigt varför ”Nearest-Neighbor” är standard i så många program…
”Bi-Linear” tar hänsyn till de diagonalt närmaste pixlarna, det vill säga fyra stycken, när nya pixelvärden beräknas. Detta tar lite längre tid att rendera men ger ett jämnare utseende i de nya upplösningarna.
Ofta blir det en markant skillnad när man går från ”Nearest-Neighbor” till ”Bi-Linear”, till den grad att det sällan lönar sig att ta ett steg till.
”Bi-Cubic” tar förutom de fyra diagonala pixlarna även hänsyn till dessa fyras diagonala pixlar, alltså 16 pixlar. Resultatet blir ännu jämnare, men ofta är det som sagt svårt att se skillnaden på samma sätt som mellan NN och BL.
Med tanke på hur mycket mer beräkningskraft som krävs för BC än för övriga så skall man nog tänka sig för innan man väljer denna, men i teorin så skall resultatet bli ”mjukast” om det är det som eftersträvas. Man får inte glömma att det som räknas är hur man upplever resultatet på skärmen, samtidigt som man inte vill vänta längre än nödvändigt.
Jag vill därför slå ett slag för ”Bi-Linear” som omsamplingsmetod för geografiska data.