ee.Algorithms.Image.Segmentation.SNIC

Superpixel-Clustering basierend auf SNIC (Simple Non-Iterative Clustering). Gibt ein Band mit Cluster-IDs und die Durchschnittswerte pro Cluster für jedes der Eingabebänder aus. Wenn das Bild „seeds“ nicht als Eingabe bereitgestellt wird, enthält die Ausgabe ein „seeds“-Band mit den generierten Seed-Positionen. Siehe: Achanta, Radhakrishna und Susstrunk, Sabine, „Superpixels and Polygons using Simple Non-Iterative Clustering“, CVPR, 2017.

Nutzung	Ausgabe
ee.Algorithms.Image.Segmentation.SNIC(image, size, compactness, connectivity, neighborhoodSize, seeds)	Bild

Argument	Typ	Details
image	Bild	Das Eingabebild für das Clustering.
size	Ganzzahl, Standard: 5	Der Abstand zwischen den Superpixel-Ausgangspositionen in Pixeln. Wenn ein „Seed“-Bild bereitgestellt wird, wird kein Raster erstellt.
compactness	Gleitkommazahl, Standardwert: 1	Kompaktheitsfaktor. Bei größeren Werten sind die Cluster kompakter (quadratisch). Wenn Sie diesen Wert auf 0 setzen, wird die Gewichtung nach räumlicher Distanz deaktiviert.
connectivity	Ganzzahl, Standard: 8	Konnektivität. Entweder 4 oder 8.
neighborhoodSize	Ganzzahl, Standard: null	Größe der Nachbarschaft von Kacheln (um Artefakte an Kachelgrenzen zu vermeiden). Der Standardwert ist 2 × Größe.
seeds	Bild, Standardwert: null	Wenn angegeben, werden alle Pixel mit einem Wert ungleich null als Ausgangspunkte verwendet. Pixel, die sich berühren (wie durch „connectivity“ angegeben), gehören zum selben Cluster.

Beispiele

Code-Editor (JavaScript)

// Note that the compactness and size parameters can have a significant impact
// on the result. They must be adjusted to meet image-specific characteristics
// and patterns, typically through trial. Pixel scale (map zoom level) is also
// important to consider. When exploring interactively through map tile
// visualization, the segmentation result it dependent on zoom level. If you
// need to evaluate the result at a specific scale, call .reproject() on the
// result, but do so with caution because it overrides the default scaling
// behavior that makes tile computation fast and efficient.


// Load a NAIP image for a neighborhood in Las Vegas.
var naip = ee.Image('USDA/NAIP/DOQQ/m_3611554_sw_11_1_20170613');

// Apply the SNIC algorithm to the image.
var snic = ee.Algorithms.Image.Segmentation.SNIC({
  image: naip,
  size: 30,
  compactness: 0.1,
  connectivity: 8,
});

// Display the original NAIP image as RGB.
// Lock map zoom to maintain the desired scale of the segmentation computation.
Map.setLocked(false, 18, 18);
Map.setCenter(-115.32053, 36.182016, 18);
Map.addLayer(naip, null, 'NAIP RGB');

// Display the clusters.
Map.addLayer(snic.randomVisualizer(), null, 'Clusters');

// Display the RGB cluster means.
var visParams = {
  bands: ['R_mean', 'G_mean', 'B_mean'],
  min: 0,
  max: 255
};
Map.addLayer(snic, visParams, 'RGB cluster means');

Python einrichten

Informationen zur Python API und zur Verwendung von geemap für die interaktive Entwicklung finden Sie auf der Seite Python-Umgebung.

import ee
import geemap.core as geemap

Colab (Python)

# Note that the compactness and size parameters can have a significant impact
# on the result. They must be adjusted to meet image-specific characteristics
# and patterns, typically through trial. Pixel scale (map zoom level) is also
# important to consider. When exploring interactively through map tile
# visualization, the segmentation result it dependent on zoom level. If you
# need to evaluate the result at a specific scale, call .reproject() on the
# result, but do so with caution because it overrides the default scaling
# behavior that makes tile computation fast and efficient.


# Load a NAIP image for a neighborhood in Las Vegas.
naip = ee.Image('USDA/NAIP/DOQQ/m_3611554_sw_11_1_20170613')

# Apply the SNIC algorithm to the image.
snic = ee.Algorithms.Image.Segmentation.SNIC(
    image=naip, size=30, compactness=0.1, connectivity=8
)

# Display the original NAIP image as RGB.
m = geemap.Map()
m.set_center(-115.32053, 36.182016, 18)
m.add_layer(naip, None, 'NAIP RGB')

# Display the clusters.
m.add_layer(snic.randomVisualizer(), None, 'Clusters')

# Display the RGB cluster means.
vis_params = {'bands': ['R_mean', 'G_mean', 'B_mean'], 'min': 0, 'max': 255}
m.add_layer(snic, vis_params, 'RGB cluster means')
m