ee.Algorithms.Image.Segmentation.SNIC

SNIC（Simple Non-Iterative Clustering）に基づくスーパーピクセル クラスタリング。クラスタ ID の帯域と、入力帯域ごとのクラスタごとの平均値を出力します。「シード」画像が入力として提供されていない場合、出力には生成されたシード位置を含む「シード」バンドが含まれます。Achanta, Radhakrishna、Susstrunk, Sabine、「Superpixels and Polygons using Simple Non-Iterative Clustering」、CVPR、2017 年を参照してください。

用途戻り値
ee.Algorithms.Image.Segmentation.SNIC(image, size, compactness, connectivity, neighborhoodSize, seeds)画像
引数タイプ詳細
image画像クラスタリング用の入力画像。
size整数、デフォルト: 5スーパーピクセルのシード位置の間隔（ピクセル単位）。「シード」画像が指定されている場合、グリッドは生成されません。
compactness浮動小数点数、デフォルト: 1コンパクトネス係数。値を大きくすると、クラスタがよりコンパクト（正方形）になります。これを 0 に設定すると、空間距離の重み付けが無効になります。
connectivity整数、デフォルト: 8[接続] をタップします。4 または 8 のいずれか。
neighborhoodSize整数、デフォルト: nullタイルの近傍サイズ（タイルの境界のアーティファクトを回避するため）。デフォルトは 2 * size です。
seeds画像、デフォルト: null指定された場合、ゼロ以外の値のピクセルはシード位置として使用されます。（「接続性」で指定されているように）接触しているピクセルは、同じクラスタに属していると見なされます。

例

コードエディタ（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 の設定

Python API とインタラクティブな開発での geemap の使用については、 Python 環境のページをご覧ください。

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