ee.Algorithms.Image.Segmentation.SNIC

Agrupamiento en clústeres de superpíxeles basado en SNIC (agrupamiento simple no iterativo). Genera una banda de IDs de clúster y los promedios por clúster para cada una de las bandas de entrada. Si no se proporciona la imagen de "semillas" como entrada, el resultado incluirá una banda de "semillas" que contiene las ubicaciones de semillas generadas. Consulta: Achanta, Radhakrishna y Susstrunk, Sabine, "Superpixels and Polygons using Simple Non-Iterative Clustering", CVPR, 2017.

Uso	Muestra
ee.Algorithms.Image.Segmentation.SNIC(image, size, compactness, connectivity, neighborhoodSize, seeds)	Imagen

Argumento	Tipo	Detalles
image	Imagen	Es la imagen de entrada para la agrupación en clústeres.
size	Número entero, valor predeterminado: 5	Es el espaciado de la ubicación de la semilla de superpíxel, en píxeles. Si se proporciona una imagen de "semillas", no se produce ninguna cuadrícula.
compactness	Número de punto flotante, valor predeterminado: 1	Es el factor de compacidad. Los valores más grandes hacen que los clústeres sean más compactos (cuadrados). Si se establece en 0, se inhabilita la ponderación de la distancia espacial.
connectivity	Número entero, valor predeterminado: 8	Conectividad. Puede ser 4 o 8.
neighborhoodSize	Número entero, valor predeterminado: nulo	Tamaño del vecindario de la segmentación (para evitar artefactos en los límites de la segmentación). El valor predeterminado es 2 * tamaño.
seeds	Imagen, valor predeterminado: nulo	Si se proporciona, los píxeles con valores distintos de cero se usan como ubicaciones iniciales. Los píxeles que se tocan (según se especifica en "conectividad") se consideran que pertenecen al mismo clúster.

Ejemplos

Editor de código (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');

Configuración de Python

Consulta la página Entorno de Python para obtener información sobre la API de Python y el uso de geemap para el desarrollo interactivo.

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