Raster-Pixel Editor

Der Pixel Editor ist ein interaktives Bearbeitungswerkzeug für Rasterdaten. Damit können Sie einzelne Zellen oder ausgewählte Zellregionen in einem Raster-Layer manuell bearbeiten, korrigieren, füllen und verbessern. Das Werkzeug ist für Bildverarbeitung, Fernerkundungsanalyse und Kartenerstellung konzipiert und wird häufig für Datenbereinigung, thematische Kartenerstellung und Bildverfeinerung verwendet.

Wählen Sie einen Raster-Layer aus. Klicken Sie im Tab Raster auf Pixel Editor, um die Pixelbearbeitung zu starten.

Auswahl

Wählen Sie vor der Bearbeitung der Zellen eine Region aus.

Zeichenmodus

• New: Eine neue rechteckige Region zeichnen, wenn auf dem Quellraster noch keine Region gezeichnet wurde.

• Add to: Die neu gezeichnete Region zur aktuellen Auswahl hinzufügen und mit der vorhandenen Auswahl zusammenführen. Wenn der Zeichenmodus z. B. Add to ist, der Regionstyp Rectangle ist und das Raster bereits eine rechteckige Auswahl enthält, wird das neu gezeichnete Rechteck mit dem ursprünglichen Rechteck zu einem neuen Polygon zusammengeführt.

• Remove from: Die neu gezeichnete Region aus der vorhandenen Auswahl entfernen. Dadurch wird eine Differenzoperation auf die aktuelle Auswahl angewendet. Wenn der Zeichenmodus z. B. Remove from ist, der Regionstyp Rectangle ist und das Raster bereits eine rechteckige Auswahl enthält, entsteht durch Entfernen eines Teils ein neues Polygon.

• Intersect: Nur den überlappenden Teil zwischen der neu gezeichneten Region und der vorhandenen Auswahl beibehalten. Alle anderen Teile werden entfernt. Wenn der Zeichenmodus z. B. Intersect ist, der Regionstyp Rectangle ist und das Raster bereits eine rechteckige Auswahl enthält, bleibt beim Zeichnen eines weiteren Rechtecks nur die Schnittmenge der beiden Rechtecke erhalten. Wenn sie sich nicht überlappen, ist das Ergebnis leer.

Alte Region beibehalten

Wenn aktiviert, bleiben vorhandene Regionen erhalten, während Sie eine neue Region zeichnen. Wenn deaktiviert, löscht das Zeichnen einer neuen Region alle vorherigen Regionen.

Regionsfarbe

Legen Sie die Anzeigefarbe der gezeichneten Region fest, um verschiedene Regionen zu unterscheiden oder die visuelle Erkennung zu verbessern.

Region zeichnen

Rectangle: Eine neue Auswahlregion erstellen oder eine vorhandene Region ändern, indem eine rechteckige Ausdehnung gezeichnet wird. Zeichnen Sie zuerst zwei Stützpunkte und ziehen Sie dann, um das Rechteck zu erzeugen.

Polygon: Eine benutzerdefinierte Polygongrenze zeichnen, um eine Auswahlregion zu erstellen oder die aktuelle Regionsausdehnung zu bearbeiten. Klicken Sie die Polygonstützpunkte nacheinander an und doppelklicken Sie dann, um die Grenze zu schließen und das Polygon zu erstellen.

Lasso: Eine Freihandgrenze zeichnen, um flexibel eine Auswahlregion zu erstellen oder anzupassen. Dies ist hilfreich für die Auswahl unregelmäßiger Bereiche.

Circle: Eine kreisförmige Region aus einem angegebenen Mittelpunkt und Radius zeichnen, um eine Auswahlregion zu erstellen oder zu ändern. Wählen Sie zuerst den Mittelpunkt aus und ziehen Sie dann den Zeiger, um den Radius festzulegen.

Feature to region: Ein oder mehrere Features aus einem vorhandenen Feature-Layer auswählen und automatisch in Auswahlregionen umwandeln.

Wählen Sie ein Feature aus Vektordaten im selben Koordinatensystem aus und wandeln Sie es in eine Auswahlregion um. Anschließend können Sie Operationen wie Schneiden oder Hinzufügen der Region verwenden.

Line segment to region: Ein oder mehrere Liniensegmente auswählen und anhand ihrer Ausdehnung oder ihres Puffers eine entsprechende Auswahlregion erzeugen.

Auswahloptionen

• Select: Den Zeiger über eine gezeichnete Region bewegen und darauf klicken, um diese Region für nachfolgende Operationen auszuwählen.
• Zoom: Kartenansicht auf die Ausdehnung der ausgewählten Region zoomen und zentrieren.
• Clear: Die aktuell ausgewählte Region löschen, ohne andere Regionen auf der Karte zu beeinflussen.
• Visible: Sichtbarkeit der Region steuern. Wenn aktiviert, ist die gezeichnete Region auf der Karte sichtbar. Wenn deaktiviert, ist die Region verborgen, bleibt aber im System erhalten.
• Remove: Die aktuell ausgewählte Region von der Karte löschen.
• Remove all: Alle gezeichneten Regionen von der Karte löschen und in einen Zustand ohne Regionen zurückkehren.

Bearbeitungswerkzeuge

Wenden Sie Pixelbearbeitungsoperationen auf die ausgewählte Region an.

Mittelwert setzen

Beschreibung: Setzt alle Zellenwerte in der ausgewählten Region auf den mittleren Zellenwert dieser Region.

Anwendungsfälle:

• Lokale Ausreißer entfernen, z. B. anomale Höhenpunkte durch Erfassungsfehler.

• Geländebereiche glätten, um ein regelmäßigeres Oberflächenmodell zu erzeugen.

• Werte in einer Region für thematische Kartierung oder Simulationsanalyse standardisieren, z. B. durch Zuweisen einer einheitlichen Bodendicke oder Wassertiefe.

Schritte:

Klicken Sie auf Set Mean Value. Die Daten in der ausgewählten Region werden auf den mittleren Zellenwert dieser Region geändert.

Konstante setzen

Beschreibung: Setzt alle Pixelwerte in der ausgewählten Region auf einen angegebenen konstanten Wert.

Anwendungsfälle:

• Eine Referenzoberfläche erstellen, z. B. einem Wasserspiegel einen einheitlichen Höhenwert zuweisen.

• Einen Bereich mit bestimmtem Zustand simulieren, z. B. Landgewinnung oder Gebäude-Sockelhöhe.

• Eine Maskenregion zum Extrahieren oder Ausschließen eines bestimmten Bereichs in nachfolgender Analyse erstellen.

Schritte:

Klicken Sie auf Set Constant, geben Sie den zu setzenden Wert ein; die Zellenwerte in der ausgewählten Region werden auf die eingegebene Konstante geändert.

Add To

Beschreibung: Addiert einen Wert zu allen Pixelwerten in der ausgewählten Region oder subtrahiert ihn davon. Geben Sie einen positiven Wert ein, um ihn zu jedem Pixel hinzuzufügen, oder einen negativen Wert, um ihn von jedem Pixel abzuziehen.

Anwendungsfälle:

• Die Gesamthöhe einer Region anheben oder absenken, z. B. zur Simulation von Geländeänderungen vor oder nach Aushub oder Auffüllung.

• Einen einheitlichen Fehler korrigieren, z. B. durch Anwenden eines Offsets auf einen gesamten LiDAR-Datensatz.

• Umweltänderungen an Werten simulieren, z. B. einen allgemeinen Temperaturanstieg oder eine Erhöhung der Schadstoffkonzentration.

Schritte:

Klicken Sie auf Add To und geben Sie den hinzuzufügenden Wert ein.

Pixelate

Beschreibung: Erhöht die Zellengröße durch Resampling, um die ausgewählte Region zu verbergen oder zu vereinfachen.

Anwendungsfälle:

• Sensible Bereiche mosaikartig verfremden, z. B. militärische Ziele oder private Orte.

• Bilddarstellung vereinfachen, Datenvolumen reduzieren und Rendering-Effizienz verbessern.

• Fernerkundungsbilder oder Karten für stilisierte Anzeige vorverarbeiten, z. B. einen symbolartigen Rastereffekt erzeugen.

Parameter:

• Factor: Eine positive Ganzzahl, die steuert, wie viele ursprüngliche Zellen beim Pixelieren zu einer neuen Zelle kombiniert werden.

  Hinweise:

  • Factor = 1: Es wird keine Pixelierung angewendet und die ursprüngliche Bildauflösung bleibt erhalten.

  • Factor = 3: Eine 3 x 3-Zellgruppe wird als eine größere Zellregion verarbeitet.

  • Factor = 8: Eine 8 x 8-Region wird zu einer Superzelle zusammengeführt.

  Je größer der Faktor, desto gröber das Bild und desto unschärfer die Details.

• Sampling mode: Bestimmt, wie der Endwert für jeden zusammengeführten Block bzw. jede Superzelle abgeleitet wird.

  Modus	Beschreibung	Empfohlene Verwendung
  Mean	Verwendet den Mittelwert aller Zellen in der ausgewählten Region.	Glättet das Bild und wird häufig zum Entfernen von Rauschen verwendet.
  Minimum	Verwendet den Minimalwert in der Region als Ausgabe.	Liefert eine konservative Schätzung und erhält Merkmale mit niedrigen Werten.
  Maximum	Verwendet den Maximalwert in der Region als Ausgabe.	Hebt Bereiche mit hohen Werten hervor, z. B. Hochlagen oder Hotspots.
  Median	Verwendet den mittleren Wert nach Sortierung.	Robust gegenüber Ausreißern und geeignet zum Entfernen extremen Rauschens.

Weichzeichnen

Beschreibung: Wendet eine Weichzeichnungsoperation auf Pixelwerte in der Region an, um lokale Details zu reduzieren.

Anwendungsfälle:

• Sensible Inhalte wie Fahrzeuge oder Personen in Satellitenbildern unkenntlich machen.

• Hochfrequentes Rauschen in Fernerkundungsbildern glätten und Bildqualität verbessern.

• Bilddaten für Deep-Learning-Modelle vorverarbeiten und Textureinflüsse reduzieren.

Parameter:

• Factor: Eine positive Ganzzahl, die die Weichzeichnungsstärke oder Filterfenstergröße steuert, also wie viele benachbarte Zellen bei der Verarbeitung jeder Zelle berücksichtigt werden.

• Hinweise:

  • Factor = 1: Die Weichzeichnung ist sehr leicht und die Nachbarschaft klein.

  • Factor = 3: Entspricht der Verwendung eines 3 x 3-Weichzeichnungskerns.

  • Factor = 5: Verwendet einen 5 x 5-Weichzeichnungskern und erzeugt einen größeren weichgezeichneten Bereich.

  Je größer der Faktor, desto stärker die Weichzeichnung und desto mehr Bilddetails gehen verloren.

• Sharpen: Wird normalerweise durch Verstärkung des Kantenkontrasts umgesetzt. Wenn Sharpen aktiviert ist, werden die Daten nach dem Weichzeichnen entlang der Bildkanten kontrastverstärkt, um die durch die Weichzeichnung verursachte Kantenabschwächung auszugleichen.

  Schritte: Wählen Sie Blur, geben Sie einen Faktor ein, aktivieren Sie bei Bedarf Sharpen und wenden Sie die Weichzeichnung auf die ausgewählte Region an.

NoData setzen

Beschreibung: Setzt alle Pixel in der ausgewählten Region auf den NoData-Wert für jedes Band. Diese Operation kann ungültige Bereiche maskieren, sodass sie in nachfolgenden Analysen ignoriert werden.

Anwendungsfälle:

• Fehlerhafte Bereiche entfernen, z. B. Scanränder oder verdeckte Teile in gescannten Bildern.

• Ausdehnungen maskieren, die nicht an der Analyse teilnehmen sollen, z. B. ungültige Wertebereiche entlang von Datenrändern.

• Mit Masken für Bildsegmentierung oder Extraktion gültiger Bereiche verwenden.

Schritte:

Wählen Sie Set NoData, um Pixelwerte in der ausgewählten Region auf NoData zu setzen.

Hohlräume füllen

Beschreibung: Erzeugt durch Interpolation sinnvolle Pixelwerte an Stellen, an denen Nullwerte oder NoData vorhanden sind.

Anwendungsfälle:

• Fehlende Bereiche in Fernerkundungsbildern füllen, die durch Wasserflächen, Wolkenbedeckung, Schatten und ähnliche Faktoren verursacht wurden.
• Geländeoberflächenmodelle rekonstruieren, häufig verwendet zur Hohlraumreparatur bei der Erstellung digitaler Höhenmodelle (DEM).
• Vollständigkeit für Kontinuitätsanalyse oder Einzugsgebietsanalyse erhalten und Berechnungsunterbrechungen durch Löcher vermeiden.

Parameter:

• Interpolationsmethode: Definiert den Interpolationsalgorithmus zum Füllen von Hohlräumen.

  Interpolationsmethode	Prinzip	Vorteile	Nachteile	Empfohlene Datentypen und Anwendungsfälle
  Kriging-Interpolation	Führt optimale lineare unverzerrte Schätzung durch, indem ein räumliches Autokorrelationsmodell auf Basis von Variogrammen und statistischen Prinzipien aufgebaut wird.	Hohe Genauigkeit; bildet räumliche Struktur ab; liefert Fehlerschätzungen.	Komplexe Berechnung; viele Parameter; zeitaufwendig.	DEM-Reparatur und kontinuierliche Daten mit räumlicher Korrelation, z. B. Niederschlags- oder Bodendaten.
  Bilineare Interpolation	Verwendet den gewichteten Mittelwert der umliegenden vier Zellen, wobei die Gewichte linear mit der Entfernung variieren.	Einfache Berechnung; glatte Übergänge; kein offensichtlicher Treppeneffekt.	Erhält ursprüngliche Werte nicht; Details können geglättet werden.	Resampling von Fernerkundungsbildern und kleinräumiges Füllen von Hohlräumen in kontinuierlichen Rasterdaten.
  B-Spline-Interpolation	Passt eine Oberfläche mit stückweisen kubischen Polynomen bzw. B-Splines an.	Kontinuierliche und glatte Oberfläche; geeignet für Geländeoberflächenmodellierung.	Empfindlich gegenüber Ausreißern; schlechte Vorhersage für große Löcher.	Glatte DEM-Oberflächenrekonstruktion und Anpassung von Ingenieurvermessungsdaten.
  Natural-Neighbor-Interpolation	Interpoliert mit benachbarten Stichprobenwerten basierend auf Thiessen-Polygon-Gewichten.	Erhält lokale Merkmale; Ergebnisse überschreiten den Wertebereich der Stichproben nicht.	Schlechte Leistung in dünn besetzten Punktbereichen; kann nahe Grenzen instabil sein.	Interpolation von Wetterstationsdaten und Reparatur von Landnutzungsklassifikationsdaten.
  Nächster-Nachbar-Interpolation	Verwendet direkt den Wert der nächstgelegenen Zelle, um den Hohlraum zu füllen.	Erhält ursprüngliche Werte; schnell; erzeugt keine neuen Werte.	Nicht glatt; erzeugt deutliche blockige oder gezackte Effekte.	Kategorische Daten wie Landnutzung oder Vegetationstyp sowie Mosaikbildung von Fernerkundungsbildern.
  Inverse-Distanz-gewichtete Interpolation	Verwendet entfernungsgwichtet gemittelte Werte, wobei nähere Werte höhere Gewichte erhalten.	Einfach und intuitiv; wenige Parameter; effiziente Berechnung.	Ignoriert räumliche Struktur und kann Bullseye-Effekte erzeugen.	Umweltvariablen mit lokaler Kontinuität, z. B. Hydrologie, Wasserqualität oder Schadstoffüberwachung.
  Lineare Interpolation	Schätzt unbekannte Werte zwischen bekannten Punkten mit einer linearen Funktion.	Einfach und effizient; geeignet für eindimensionale Daten oder regelmäßige Gitter.	Stellt nichtlineare Trends nur schlecht dar.	Füllen fehlender Werte in Zeitreihenbildern und Interpolation regelmäßiger Querschnittsdaten.
  Spline-Interpolation	Erstellt eine glatte Kurve zwischen bekannten Punkten mit Polynomen höherer Ordnung.	Glatte Oberfläche; erhält Trends; geeignet für glatte Übergänge.	Empfindlich gegenüber Ausreißern; kann nahe Grenzen oszillieren.	DEM-Reparatur, Oberflächenmodellierung von Umweltvariablen und Berechnung von Geländefaktoren.

• Variogramm-Modell: Ein Modell einer räumlichen Korrelationsfunktion, das beschreibt, wie sich eine Variable mit der Entfernung bei räumlicher Interpolation ändert.

  Variogramm-Modell	Prinzip	Vorteile	Nachteile	Anwendungsfälle
  Lineares Modell	Die Semivarianz nimmt linear mit der Entfernung zu und hat keinen offensichtlichen Sill; es wird angenommen, dass die räumliche Variabilität mit der Entfernung unbegrenzt zunimmt.	Einfach und intuitiv; geeignet für Daten mit deutlichen lokalen Trends.	Kann Überextrapolation verursachen.	Daten mit deutlichem linearem Trend, z. B. lokale DEM-Bereiche mit steilen Hängen.
  Potenzmodell	Die Semivarianz nimmt als Potenzfunktion mit der Entfernung zu und hat keine offensichtliche Obergrenze.	Erfasst räumliche Unterschiede, die mit der Entfernung allmählich zunehmen.	Wie das lineare Modell konvergiert es nicht zu einem stabilen Wert und kann stationäre Prozesse schlecht beschreiben.	Geologische oder bodenkundliche Szenarien, in denen die Variabilität mit dem Maßstab weiter zunimmt.
  Gaußsches Modell	Die Semivarianz wächst als exponentielle Quadratfunktion mit der Entfernung, ändert sich bei kurzen Entfernungen glatt und nähert sich bei großen Entfernungen allmählich dem Sill.	Glatte Anpassung; geeignet für kontinuierliche Daten mit starker räumlicher Korrelation.	Komplexe Berechnung; kann Kurzdistanzunterschiede unterschätzen.	Kontinuierliche glatte Umweltdaten wie Temperatur und Feuchtigkeit sowie hochgenaue DEM-Reparatur.
  Sphärisches Modell	Die Semivarianz nimmt zunächst zu und nähert sich nach der Reichweite dem Sill; ein häufiges Modell mit endlicher Reichweite.	Klassisch und weit verbreitet; plausibler Änderungsprozess; effiziente Berechnung.	Übergangsanpassung ist relativ abrupt und nicht glatt genug.	Konventionelle räumliche Dateninterpolation für DEMs, Niederschlag, Schadstoffkonzentration und ähnliche Daten.
  Exponentielles Modell	Die Semivarianz wächst exponentiell mit der Entfernung und stabilisiert sich allmählich nahe der Reichweite.	Erfasst schnellen Kurzdistanzabfall räumlicher Korrelation.	Kurzdistanzvariation kann zu groß sein und die Anpassung verzerren.	Niederschlag, Abfluss, Bodenfeuchte und andere Daten mit deutlichen lokalen Unterschieden.
  Hole-Effect-Modell	Die Semivarianz schwankt periodisch mit der Entfernung und zeigt einen Grad räumlicher Periodizität.	Erfasst periodische und regelmäßige Änderungen räumlicher Variablen.	Komplexe Berechnung; Parameter schwer zu bestimmen; anfällig für Überanpassung.	Geologische oder ökologische Daten mit räumlicher Periodizität, z. B. Schichtablagerung, Bodenprofile und Vegetationsverteilung.

  Zusammenfassung:

  • Sphärische, gaußsche und exponentielle Modelle sind für die meisten kontinuierlichen geografischen Variablen üblich und praktisch.

  • Lineare und Potenzmodelle eignen sich für nichtstationäre Daten oder Daten mit starken Trends.

  • Das Hole-Effect-Modell wird für geowissenschaftliche Phänomene mit deutlichen periodischen Mustern verwendet.

• Anzahl der Lag-Gruppen: Anzahl der Entfernungsintervalle, die bei der Berechnung des experimentellen Variogramms verwendet werden. Mehr Gruppen beschreiben die räumliche Korrelation detaillierter, erhöhen aber den Rechenaufwand.

• Gewichtung kurzer Lag-Distanzen: Gibt an, ob Punktpaare mit kürzeren Entfernungen höhere Gewichte erhalten. Bei der Variogramm-Modellierung erhöht dies bewusst den Einfluss von Punktpaaren mit kurzer Distanz, damit die Modellanpassung die lokale räumliche Struktur besser widerspiegelt. Dies wird häufig für Geodaten verwendet, besonders für Variablen mit starken lokalen Unterschieden.

• Anisotropie-Skalierungsfaktor: Wird verwendet, wenn räumliche Autokorrelation in verschiedenen Richtungen unterschiedlich stark ist. Wenn sich ein Phänomen in einer Richtung stärker erstreckt, z. B. entlang eines Grats oder Flusstals, passt der Skalierungsfaktor die Entfernungsberechnungen an.

• Anisotropie-Rotationswinkel: Gibt den Winkel zwischen der Hauptrichtung der Anisotropie und der X-Achse des Koordinatensystems an, bis zu 360 Grad. Er identifiziert die Richtung mit der stärksten räumlichen Korrelation, z. B. Fließrichtung eines Flusses oder Ausrichtung eines Gebirgszugs.

• Exakte Werte verwenden: Gibt an, ob Interpolationsergebnisse an bekannten Punktpositionen genau den beobachteten Werten entsprechen müssen.

  • Aktiviert: Bekannte Werte bleiben unverändert. Dies eignet sich für DEM-Reparatur und andere Szenarien, die eine strikte Erhaltung ursprünglicher Punkte erfordern.

  • Deaktiviert: Glättende Anpassungen sind möglich. Dies eignet sich für Beobachtungen mit stärkerem Rauschen.

• Pseudo-Inverse-Matrix verwenden: Gibt an, ob eine Pseudo-Inverse-Matrix verwendet wird, um eine Lösung der Kriging-Gleichungen anzunähern, wenn die Kovarianzmatrix schlecht konditioniert oder nicht invertierbar ist.

• Variogramm-Anpassungsmethode: Eine mathematische Methode zur Anpassung des experimentellen Variogramms. Bei räumlicher Interpolation, insbesondere Kriging-Interpolation, ist das experimentelle Variogramm nur ein statistisches Ergebnis auf Basis von Stichprobenpunktpaaren. Eine glatte mathematische Funktion wird benötigt, um seine räumliche Struktur zu beschreiben.

  Methode	Prinzip	Vorteile	Nachteile	Anwendungsfälle
  Kleinste Quadrate	Bestimmt Modellparameter durch Minimierung der Summe quadrierter Residuen zwischen experimentellem und theoretischem Variogramm. Häufige Methoden sind gewöhnliche und gewichtete kleinste Quadrate.	Einfach und intuitiv; rechnerisch effizient; leicht umzusetzen.	Empfindlich gegenüber Ausreißern; stellt nur Gesamtanpassung sicher und garantiert keine positive Definitheit der Kovarianzmatrix.	DEM- und Bodenattribut-Szenarien, die schnelle Modellanpassung erfordern; bevorzugt für experimentelle Forschung oder großräumige Datenanpassung.
  Variogramm-Eigenwertmethode	Verwendet Eigenwertzerlegung der Kovarianz- oder Semivarianzmatrix, um Modellparameter auszuwählen und anzupassen und dabei positive Definitheit der Kovarianzmatrix sicherzustellen.	Stellt positive Definitheit der Kovarianzmatrix sicher; stabilere Ergebnisse; geeignet für Kriging-Anwendungen mit strenger positiver Definitheit; verarbeitet komplexe räumliche Korrelationsstrukturen.	Theoretisch komplex; rechenintensiv; empfindlich gegenüber Datenverteilung und Stichprobengröße; Parameterinterpretation ist schwach und wenig intuitiv.	Hochgenaue räumliche Interpolation wie Kriging; geologische Exploration und Ressourcenschätzung, bei denen Modellstabilität wichtig ist; dünn oder unregelmäßig verteilte Daten.

Aus Stützpunkten interpolieren

Beschreibung: Diese Funktion extrahiert die Pixelwerte an Stützpunkten bzw. Ecken der ausgewählten Region und verwendet sie als bekannte Datenquellen, um die verbleibenden Zellen in der Region zu interpolieren und die Oberfläche zu rekonstruieren. Die Interpolationsmethode nutzt normalerweise bilineare oder Spline-Verfahren, damit das Ergebnis glatt und natürlich ist.

Anwendungsfälle:

• Nicht-Bodenobjekte entfernen: In einem digitalen Oberflächenmodell können Gebäude, Baumkronen und andere Nicht-Bodenstrukturen in einer Region erscheinen. Interpolation aus umgebenden Stützpunkten kann die ursprüngliche Geländehöhe wiederherstellen.
• Datenlöcher füllen: Wenn bei der Datenerfassung Löcher oder beschädigte Bereiche vorhanden sind, z. B. NoData-Regionen, kann Stützpunktinterpolation diese Stellen schnell füllen. Sie eignet sich besonders zum Wiederherstellen regelmäßiger Rasterlöcher.
• Rauschen reparieren und lokal glätten: Wenn der zentrale Bereich abrupte Änderungen oder Ausreißer enthält, kann Stützpunktinterpolation einen natürlichen Übergang und eine glatte Korrektur erzeugen.

Die Parameter entsprechen Fill Voids.

Aus Kanten interpolieren

Beschreibung: Diese Funktion verwendet Werte von Pixeln entlang der Grenze der ausgewählten Region als bekannte Bedingungen und interpoliert nach innen, um die Werte anderer Pixel in der Region zu rekonstruieren. Diese Methode betont die Erhaltung von Randinformationen und schätzt Werte im zentralen Bereich schrittweise. Die Interpolation basiert häufig auf Gewichten, Entfernungen oder Spline-Modellen.

Anwendungsfälle:

• Nicht-Bodenobjekte entfernen: Hohe Objekte wie Gebäude, Brücken und Bäume können durch plausible Bodenwerte ersetzt werden, die aus Geländehöheninformationen entlang der Kante geschätzt werden, wodurch die vegetations- und objektfreie Geländehöhe wiederhergestellt wird.

• Leere Bereiche wiederherstellen: Große fehlende Bereiche in Bild- oder Höhendaten füllen, insbesondere wenn Kantendaten intakt bleiben und eine genaue Rekonstruktion des Innenbereichs unterstützen.

• Höhendaten integrieren: Wenn Grenzen zwischen zusammengeführten Datenquellen nicht gut übereinstimmen, kann diese Methode auf einer Seite der Fügegrenze einen Übergang erzeugen und die nahtlose Integration verbessern.

Schritte:

Wählen Sie Interpolate from Edges und als Interpolationsmethode Bilinear interpolation.

Die Parameter entsprechen Fill Voids.

Mittelwertfilter

Beschreibung: Wendet einen Mittelwertfilter auf die ausgewählte Region an, um Pixelwerte zu glätten. Diese Operation berechnet den Mittelwert umgebender Pixel, um lokale Höhenschwankungen zu reduzieren. Sie eignet sich zum Entfernen kleinräumigen Rauschens oder von Ausreißern.

Anwendungsfälle:

• Lokale Schwankungen oder Rauschen aus Höhendaten entfernen.

• DEM- oder DSM-Daten für Visualisierung oder Modellierung glätten.

• Kleinräumige Unebenheiten in Bereichen wie Berg- oder Wassergrenzen reduzieren und die allgemeine Geländekontinuität verbessern.

Parameter:

• Filter: Wählt die Filterfenstergröße für die Ausführung der Operation. Eine Filtergröße von 8 bedeutet, dass ein 8 x 8-Filterfenster verwendet wird. Größere Werte erzeugen stärkere Glättung.

Medianfilter

Beschreibung: Wendet einen Medianfilter auf die ausgewählte Region an. Diese Methode ersetzt das aktuelle Pixel durch den mittleren Wert in der Pixelnachbarschaft. Sie unterdrückt isolierte Ausreißer effektiv, erhält dabei Kanteninformationen und wird häufig zum Entfernen von Salz-und-Pfeffer-Rauschen verwendet.

Anwendungsfälle:

• Lokale Höhenausreißer aus LiDAR-Daten entfernen, z. B. einzelne falsch gemessene Punkte.

• Rauschen bereinigen und dabei Hang- und Grenzschärfe erhalten.

• Höhenmodelle für Einzugsgebietsanalyse oder Geländeformextraktion vorverarbeiten.

Schritte:

Wählen Sie Median Filter und setzen Sie die Filtergröße auf 3.

Begrenzter Filter

Beschreibung: Wendet in der ausgewählten Region einen schwellenwertgesteuerten Mittelwertfilter an. Diese Operation glättet Werte und stellt zugleich sicher, dass Pixelwerte den angegebenen maximalen Änderungsbereich nicht überschreiten, wodurch Rauschen reduziert und wichtige Höhenänderungsmerkmale erhalten werden.

Anwendungsfälle:

• Gebäudekanten oder abrupte Höhenänderungen in urbanem Gelände erhalten und leichte Welligkeit entfernen.
• Kleinräumige Fehler auf linearen Feature-Oberflächen wie Straßen oder Dämmen reparieren.
• Begrenzte Glättung auf Gelände mit abrupten Strukturen wie Klippen oder steilen Hängen anwenden.

Parameter:

Parameter	Beschreibung	Wirkung	Hinweise
Filter size	Definiert die Filterfenstergröße, häufig 3 x 3, 5 x 5, 7 x 7 und ähnliche Größen. Größere Fenster beziehen mehr benachbarte Zellen in die Mittelwertberechnung ein und erzeugen stärkere Glättung.	Kleines Fenster, z. B. 3 x 3: entfernt kleinräumiges Rauschen und erhält mehr Details. Großes Fenster, z. B. 5 x 5 oder größer: stärkere Glättung, kann aber Geländedetails verwischen.	Je nach Datenauflösung wählen. Feine DEM-Daten verwenden häufig 3 x 3, während die Entrauschung von Fernerkundungsbildern ein größeres Fenster verwenden kann.
Threshold	Steuert den maximal zulässigen Unterschied zwischen gefilterter Zelle und ursprünglichem Wert. Wenn das Mittelwertergebnis stärker als der Schwellenwert vom ursprünglichen Wert abweicht, wird der ursprüngliche Wert beibehalten.	Verhindert Überglättung und erhält abrupte Geländemerkmale wie steile Hänge oder Rinnen. Größerer Schwellenwert: näher an einem normalen Mittelwertfilter mit stärkerer Glättung. Kleinerer Schwellenwert: erhält mehr Details und schwächt die Glättung ab.	Ist der Schwellenwert zu groß, können Details verloren gehen. Ist er zu klein, kann die Rauschentfernung unzureichend sein. Legen Sie ihn anhand des Datenrauschens oder Höhenänderungsbereichs fest, z. B. 1 bis 3 Meter.

Ausreißerfilter

Beschreibung: Erkennt und entfernt ausreißende Höhenwerte oder offensichtliche Rauschpunkte in der ausgewählten Region, z. B. Vögel, Wolkenpunkte und andere Nicht-Oberflächenziele in LiDAR-Daten. Diese Operation verbessert die Geländerealität der Quelldaten und die Genauigkeit nachfolgender Analysen.

Anwendungsfälle:

• Ausreißer in DSMs bereinigen, die aus LiDAR-Punktwolken oder Bilddaten erzeugt wurden, z. B. durch Vögel, Wolken oder Fahrzeuge verursachte Ausreißer.

• Abnorme Daten entfernen, die bei der DEM-Erfassung durch Verdeckung, Echo-Störungen und ähnliche Probleme entstanden sind.

• Ein genaueres Oberflächenmodell für Modellierung oder Volumenberechnung bereitstellen.

Parameter:

Parameter	Beschreibung	Wirkung	Hinweise
Filter size	Definiert den Nachbarschaftsbereich zur Erkennung von Ausreißern, häufig 3 x 3, 5 x 5 und ähnliche Größen. Innerhalb jeder Nachbarschaft wird die Zentrumszelle mit Nachbarschaftsstatistiken wie Mittelwert oder Median verglichen.	Kleines Fenster: erkennt lokale Spitzen oder isoliertes Rauschen. Großes Fenster: besser zum Erkennen großräumiger Anomalien wie Streifenrauschen.	Zu klein kann breite Anomalien übersehen, zu groß kann echte Geländevariation als abnormal behandeln. Wählen Sie einen Wert passend zu Datenauflösung und Rauscheigenschaften.
Threshold	Steuert den maximal zulässigen Unterschied zwischen einer Zelle und Nachbarschaftsstatistiken. Eine häufige Regel lautet: Absolutwert von Zentrumszelle minus Nachbarschaftsmittelwert größer als Schwellenwert bedeutet, dass die Zelle als Ausreißer klassifiziert wird. Ein dynamischer Schwellenwert auf Basis von Standardabweichung oder Interquartilsabstand kann ebenfalls verwendet werden.	Kleiner Schwellenwert: erkennt subtilere Anomalien, kann aber echte Merkmale versehentlich entfernen. Großer Schwellenwert: entfernt nur offensichtliches Rauschen und kann leichte Anomalien übersehen.	Wählen Sie den Schwellenwert anhand des Datenrauschens. DEMs verwenden häufig 2 bis 5 Meter, während LiDAR-Punktwolken einen dynamischen Schwellenwert auf Basis der statistischen Verteilung verwenden können.

Beispiel:

• 3 x 3-Nachbarschaftsmittelwert = 105

• Wert der Zentrumszelle = 160

• Threshold = 20

• |160 - 105| = 55 > 20. Der Wert wird als Ausreißer klassifiziert und durch den Nachbarschaftsmittelwert ersetzt.

Gelände-Filter

Beschreibung: Entfernt oberirdische Objekte wie Gebäude und Bäume aus einem digitalen Oberflächenmodell und erhält natürliche Geländemerkmale. Dies eignet sich zum Extrahieren von Geländeoberflächen oder Analysieren von Geländeformen wie Hangneigung und Entwässerung.

Anwendungsfälle:

• Gelände ohne Gebäudeeinflüsse für Erdrutsch-, Hochwasser-, Entwässerungs- und andere Geogefahren-Simulationen gewinnen.
• Saubere Geländedaten für ökologische Analyse und Oberflächenmodellierung bereitstellen.

Parameter:

• Ground detection method: Der Prozess der Unterscheidung von Bodenpunkten und Nicht-Bodenpunkten bzw. oberirdischen Objekten wie Gebäuden, Bäumen und Fahrzeugen in LiDAR-, UAV-Photogrammetrie-, Stereo-Bildextraktions- oder anderen digitalen Oberflächenmodelldaten.

  Ziele:

  • Die natürliche Geländeoberfläche für Hydrologie, Hangneigung, Geländeform und verwandte Analysen extrahieren.

  • Störungen durch oberirdische Objekte entfernen, damit das Modell das reale Gelände besser darstellt.

  Ground Detection Method	Prinzip	Vorteile	Nachteile	Anwendungsfälle
  Conservative	Neigt dazu, mehr Punkte als Nicht-Boden zu behalten und markiert Punkte nur bei hoher Sicherheit als Boden.	Erhält reales Gelände so weit wie möglich und entfernt Geländemerkmale selten versehentlich. Geeignet für komplexes Gelände wie steile Hänge und Rinnen.	Mehr oberirdische Objekte können verbleiben, z. B. Gebäude oder Bäume. Zusätzliche Verarbeitung kann später erforderlich sein.	Dichte urbane Hochhausbereiche, in denen Straßenoberflächen nicht versehentlich entfernt werden sollten; Berge, Schluchten und anderes komplexes Gelände, in dem Hänge nicht versehentlich entfernt werden sollten.
  Aggressive	Entfernt schnell und streng Punkte, die höher als das umgebende Gelände sind, und behandelt die meisten abnormal hohen Werte als Nicht-Boden.	Entfernt Bäume, Gebäude und andere oberirdische Objekte effektiv. Erzeugt eine sauberere Ausgabeoberfläche.	Kann echte Geländeausprägungen wie Grate oder kleine Hügel versehentlich entfernen und übermäßige Geländeglättung verursachen.	Flache Bereiche wie Ackerland oder Grasland, besonders wenn hohe Anforderungen an die DEM-Bereinigung bestehen. Wirksam zum Entfernen von Vögeln und Gebäuden aus LiDAR-Daten.
  Standard	Gleicht konservatives und aggressives Verhalten aus, indem Schwellenwerte und lokale Höhenunterschiede zur Klassifikation verwendet werden.	Bietet Ausgleich zwischen Gelände-Erhaltung und Entfernung oberirdischer Objekte. Allzweckmethode und für die meisten Fälle geeignet.	In Sonderfällen wie dichten Gebäudebereichen oder extremem Gelände weniger wirksam als die beiden extremeren Methoden.	Allgemeine DEM-Erstellung und mäßig wellige Bereiche, in denen Bäume und Gebäude entfernt und Gelände erhalten werden müssen.