ee.Algorithms.Image.Segmentation.GMeans

对输入图片执行 G-Means 聚类。迭代应用 k-means，然后进行正态性检验，以自动确定要使用的聚类数量。输出包含一个“clusters”波段，其中包含每个像素所属的聚类的整数 ID。该算法可以处理不重叠的固定网格单元（gridSize，可以小于图块），也可以处理重叠的图块（neighborhoodSize）。默认情况下，使用不重叠的图块。一个单元格或图块中的集群与另一个单元格或图块中的集群无关。任何跨越单元格或图块边界的聚类都可能在两个半部分中收到两个不同的标签。任何带有部分遮罩的输入像素在输出中都会被完全遮盖。此算法预计仅在动态范围较窄（即字节或短整数）的图片上表现良好。

请参阅：G. Hamerly 和 C. Elkan。“Learning the k in k-means”（学习 k-means 中的 k）。NIPS，2003 年。

用法	返回
ee.Algorithms.Image.Segmentation.GMeans(image, numIterations, pValue, neighborhoodSize, gridSize, uniqueLabels)	图片

参数	类型	详细信息
image	图片	用于聚类的输入图片。
numIterations	整数，默认值：10	迭代次数。默认值为 10。
pValue	浮点数，默认值：50	正态性检验的显著性水平。
neighborhoodSize	整数，默认值：0	邻域大小。计算聚类时，每个图块的扩展量（重叠）。此选项与 gridSize 互斥。
gridSize	整数，默认值：null	网格单元格大小。如果大于 0，则 kMeans 将独立运行于此大小的单元格上。这会限制任何聚类的大小，使其不大于 gridSize。此选项与 neighborhoodSize 互斥。
uniqueLabels	布尔值，默认值：true	如果值为 true，则为集群分配唯一 ID。否则，它们会按平铺或网格单元格重复。