ee.Algorithms.Image.Segmentation.GMeans

입력 이미지에 G-Means 클러스터링을 실행합니다. 정규성 테스트가 뒤따르는 k-평균을 반복적으로 적용하여 사용할 클러스터 수를 자동으로 결정합니다. 출력에는 각 픽셀이 속한 클러스터의 정수 ID가 포함된 '클러스터' 밴드가 포함됩니다.

이 알고리즘은 겹치지 않는 셀의 고정 그리드 (타일보다 작을 수 있는 gridSize) 또는 겹치는 타일 (neighborhoodSize)에서 작동할 수 있습니다. 기본값은 겹치지 않는 타일을 사용하는 것입니다. 한 셀 또는 타일의 클러스터는 다른 클러스터와 관련이 없습니다. 셀 또는 타일 경계에 걸쳐 있는 클러스터는 두 절반에서 서로 다른 두 개의 라벨을 받을 수 있습니다. 부분 마스크가 있는 입력 픽셀은 출력에서 완전히 마스크 처리됩니다. 이 알고리즘은 좁은 동적 범위 (예: 바이트 또는 짧은)의 이미지에서만 잘 작동할 것으로 예상됩니다.

G. Hamerly 및 C. Elkan. k-평균에서 k 학습 NIPS, 2003

사용반환 값
ee.Algorithms.Image.Segmentation.GMeans(image, numIterations, pValue, neighborhoodSize, gridSize, uniqueLabels)이미지
인수유형세부정보
image이미지클러스터링을 위한 입력 이미지입니다.
numIterations정수, 기본값: 10반복 횟수입니다. 기본값은 10입니다.
pValue부동 소수점, 기본값: 50정규성 테스트의 유의수준입니다.
neighborhoodSize정수, 기본값: 0주변 지역 크기입니다. 클러스터를 계산할 때 각 타일 (겹침)을 확장할 양입니다. 이 옵션은 gridSize와 상호 배타적입니다.
gridSize정수, 기본값: null그리드 셀 크기입니다. 0보다 크면 kMeans가 이 크기의 셀에서 독립적으로 실행됩니다. 이렇게 하면 클러스터의 크기가 gridSize 이하로 제한됩니다. 이 옵션은 neighborhoodSize와 상호 배타적입니다.
uniqueLabels불리언, 기본값: truetrue이면 클러스터에 고유 ID가 할당됩니다. 그렇지 않으면 타일 또는 그리드 셀당 반복됩니다.