ee.Algorithms.Image.Segmentation.SNIC

Clustering di superpixel basato su SNIC (Simple Non-Iterative Clustering). Restituisce una banda di ID cluster e le medie per cluster per ciascuna delle bande di input. Se l'immagine "semi" non viene fornita come input, l'output includerà una banda "semi" contenente le posizioni dei semi generate. Vedi: Achanta, Radhakrishna e Susstrunk, Sabine, "Superpixels and Polygons using Simple Non-Iterative Clustering", CVPR, 2017.

Utilizzo	Resi
ee.Algorithms.Image.Segmentation.SNIC(image, size, compactness, connectivity, neighborhoodSize, seeds)	Immagine

Argomento	Tipo	Dettagli
image	Immagine	L'immagine di input per il clustering.
size	Numero intero, valore predefinito: 5	La spaziatura della posizione del seme di superpixel, in pixel. Se viene fornita l'immagine "semi", non viene prodotta alcuna griglia.
compactness	Virgola mobile, valore predefinito: 1	Fattore di compattezza. Valori più alti rendono i cluster più compatti (quadrati). Se imposti questo valore su 0, la ponderazione della distanza spaziale viene disattivata.
connectivity	Numero intero, valore predefinito: 8	Connettività. 4 o 8.
neighborhoodSize	Numero intero, valore predefinito: null	Dimensione del vicinato del riquadro (per evitare artefatti del confine del riquadro). Il valore predefinito è 2 * size.
seeds	Immagine (predefinita): null	Se forniti, tutti i pixel con valore diverso da zero vengono utilizzati come posizioni iniziali. I pixel che si toccano (come specificato da "connettività") sono considerati appartenenti allo stesso cluster.

Esempi

Editor di codice (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');

Configurazione di Python

Consulta la pagina Ambiente Python per informazioni sull'API Python e sull'utilizzo di geemap per lo sviluppo interattivo.

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