Earth Engine برای محافظت از منابع محاسباتی مشترک و تضمین عملکرد قابل اعتماد برای همه، سطوح سهمیهبندی غیرتجاری را معرفی کرده است. پروژههای غیرتجاری به طور پیشفرض از سطح Community استفاده میکنند، اگرچه میتوانید سطح یک پروژه را در هر زمان تغییر دهید.
ee.Algorithms.Image.Segmentation.GMeans
با مجموعهها، منظم بمانید
ذخیره و طبقهبندی محتوا براساس اولویتهای شما.
خوشهبندی G-Means را روی تصویر ورودی انجام میدهد. به صورت تکراری، k-means و به دنبال آن آزمون نرمال بودن را اعمال میکند تا به طور خودکار تعداد خوشههای مورد استفاده را تعیین کند. خروجی شامل یک باند «خوشهها» است که حاوی شناسه صحیح خوشه ای است که هر پیکسل به آن تعلق دارد.
این الگوریتم میتواند روی یک شبکه ثابت از سلولهای غیر همپوشانی (gridSize، که میتواند کوچکتر از یک کاشی باشد) یا روی کاشیهایی با همپوشانی (neighborhoodSize) کار کند. پیشفرض این است که از کاشیهایی بدون همپوشانی استفاده شود. خوشهها در یک سلول یا کاشی با خوشههای موجود در سلول یا کاشی دیگر ارتباطی ندارند. هر خوشه ای که مرز یک سلول یا کاشی را در بر میگیرد، ممکن است دو برچسب مختلف در دو نیمه دریافت کند. هر پیکسل ورودی با ماسکهای جزئی در خروجی کاملاً ماسک میشود. انتظار میرود این الگوریتم فقط برای تصاویری با محدوده دینامیکی باریک (یعنی بایت یا شورت) عملکرد خوبی داشته باشد.
رجوع کنید به: جی. همرلی و سی. الکان. «یادگیری k در k-میانگین». NIPS، ۲۰۰۳.
اندازه همسایگی. میزان گسترش هر کاشی (همپوشانی) هنگام محاسبه خوشهها. این گزینه با gridSize ناسازگار است.
gridSize
عدد صحیح، پیشفرض: تهی
اندازه سلول شبکه. اگر بزرگتر از 0 باشد، kMeans به طور مستقل روی سلولهایی با این اندازه اجرا میشود. این امر باعث میشود اندازه هر خوشه به gridSize یا کوچکتر محدود شود. این گزینه با neighborSize ناسازگار است.
uniqueLabels
بولی، پیشفرض: درست
اگر درست باشد، به خوشهها شناسههای منحصر به فردی اختصاص داده میشود. در غیر این صورت، آنها در هر کاشی یا سلول شبکه تکرار میشوند.
تاریخ آخرین بهروزرسانی 2026-04-20 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2026-04-20 بهوقت ساعت هماهنگ جهانی."],[],["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"]]
