تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
تُجري هذه السمة عملية تجميع عنقودي باستخدام خوارزمية G-Means على الصورة المُدخَلة. تطبِّق هذه الطريقة خوارزمية k-means بشكل متكرّر، يليها اختبار طبيعي لتحديد عدد المجموعات المراد استخدامها تلقائيًا. يحتوي الناتج على حزمة "المجموعات" التي تتضمّن رقم التعريف الصحيح للمجموعة التي ينتمي إليها كل بكسل. يمكن أن تعمل الخوارزمية إما على شبكة ثابتة من الخلايا غير المتداخلة (gridSize، والتي يمكن أن تكون أصغر من المربّع) أو على مربّعات متداخلة (neighborhoodSize). الإعداد التلقائي هو استخدام مربّعات بدون تداخل. لا صلة بين المجموعات في خلية أو مربّع واحد والمجموعات في خلية أو مربّع آخر. قد تتلقّى أي مجموعة عنقودية تمتد على حدود خلية أو مربّع تصنيفَين مختلفَين في النصفَين. يتم إخفاء أي وحدات بكسل في البيانات المدخلة تتضمّن أقنعة جزئية بشكل كامل في البيانات الناتجة. من المتوقّع أن تعمل هذه الخوارزمية بشكل جيد فقط مع الصور التي تتضمّن نطاقًا ديناميكيًا ضيقًا (أي وحدات البايت أو الأعداد الصحيحة القصيرة).
يُرجى الاطّلاع على: G. Hamerly and C. إلكان "Learning the k in k-means" NIPS، 2003.
حجم الحي مقدار توسيع كل مربّع (تداخل) عند احتساب المجموعات. لا يمكن استخدام هذا الخيار مع gridSize.
gridSize
عدد صحيح، القيمة التلقائية: null
حجم خلية الشبكة إذا كانت القيمة أكبر من 0، سيتم تشغيل kMeans بشكل مستقل على الخلايا بهذا الحجم. ويؤدي ذلك إلى حصر حجم أي مجموعة عنقودية في gridSize أو أقل. لا يمكن استخدام هذا الخيار مع neighborhoodSize.
uniqueLabels
قيمة منطقية، القيمة التلقائية: true
إذا كانت القيمة true، يتم تخصيص أرقام تعريف فريدة للمجموعات. بخلاف ذلك، تتكرّر هذه العناصر لكل مربّع أو خلية شبكة.
تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)
[[["يسهُل فهم المحتوى.","easyToUnderstand","thumb-up"],["ساعَدني المحتوى في حلّ مشكلتي.","solvedMyProblem","thumb-up"],["غير ذلك","otherUp","thumb-up"]],[["لا يحتوي على المعلومات التي أحتاج إليها.","missingTheInformationINeed","thumb-down"],["الخطوات معقدة للغاية / كثيرة جدًا.","tooComplicatedTooManySteps","thumb-down"],["المحتوى قديم.","outOfDate","thumb-down"],["ثمة مشكلة في الترجمة.","translationIssue","thumb-down"],["مشكلة في العيّنات / التعليمات البرمجية","samplesCodeIssue","thumb-down"],["غير ذلك","otherDown","thumb-down"]],["تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)"],[[["The GMeans algorithm automatically determines the optimal number of clusters for image segmentation using iterative k-means and a normality test."],["It outputs an image with a 'clusters' band, assigning each pixel an integer ID corresponding to its cluster."],["Users can control segmentation granularity through `gridSize` for non-overlapping cells or `neighborhoodSize` for overlapping tiles."],["Clusters are independent within each cell or tile, potentially leading to different labels for the same cluster across boundaries."],["The algorithm is best suited for images with a narrow dynamic range, like those with byte or short data types."]]],["The G-Means algorithm performs image clustering by iteratively applying k-means and a normality test to determine the optimal number of clusters. It outputs an image with a 'clusters' band, assigning each pixel to a cluster. It can operate on a fixed grid (gridSize) or tiles with overlap (neighborhoodSize), with default being tiles without overlap. Input images should have a narrow dynamic range and pixels with partial mask will be fully masked in the output. Clusters can be assigned unique ID's or repeat per tile.\n"]]
