ee.Algorithms.Image.Segmentation.SNIC

การจัดกลุ่ม Superpixel ตาม SNIC (การจัดกลุ่มแบบไม่วนซ้ำอย่างง่าย) เอาต์พุตเป็นแถบของรหัสคลัสเตอร์และค่าเฉลี่ยต่อคลัสเตอร์สำหรับแต่ละแถบอินพุต หากไม่ได้ระบุรูปภาพ "เมล็ด" เป็นอินพุต เอาต์พุตจะมีแถบ "เมล็ด" ที่มีตำแหน่งเมล็ดที่สร้างขึ้น ดู Achanta, Radhakrishna และ Susstrunk, Sabine, "Superpixels and Polygons using Simple Non-Iterative Clustering", CVPR, 2017

การใช้งาน	การคืนสินค้า
ee.Algorithms.Image.Segmentation.SNIC(image, size, compactness, connectivity, neighborhoodSize, seeds)	รูปภาพ

อาร์กิวเมนต์	ประเภท	รายละเอียด
image	รูปภาพ	รูปภาพอินพุตสำหรับการจัดกลุ่ม
size	จำนวนเต็ม ค่าเริ่มต้น: 5	ระยะห่างของตำแหน่งเริ่มต้นของ Superpixel ในหน่วยพิกเซล หากระบุรูปภาพ "เริ่มต้น" ระบบจะไม่สร้างตาราง
compactness	Float, ค่าเริ่มต้น: 1	ปัจจัยความกระชับ ค่ายิ่งมาก คลัสเตอร์ก็จะยิ่งกะทัดรัด (สี่เหลี่ยมจัตุรัส) การตั้งค่านี้เป็น 0 จะปิดใช้การให้น้ำหนักตามระยะทางเชิงพื้นที่
connectivity	จำนวนเต็ม ค่าเริ่มต้น: 8	การเชื่อมต่อ 4 หรือ 8
neighborhoodSize	จำนวนเต็ม ค่าเริ่มต้น: null	ขนาดพื้นที่ใกล้เคียงของไทล์ (เพื่อหลีกเลี่ยงอาร์ติแฟกต์ขอบเขตของไทล์) ค่าเริ่มต้นคือ 2 * ขนาด
seeds	รูปภาพ (ค่าเริ่มต้น): null	หากระบุไว้ ระบบจะใช้พิกเซลที่มีค่าที่ไม่ใช่ 0 เป็นตำแหน่งเริ่มต้น พิกเซลที่สัมผัสกัน (ตามที่ระบุโดย "การเชื่อมต่อ") จะถือว่าอยู่ในคลัสเตอร์เดียวกัน

ตัวอย่าง

โปรแกรมแก้ไขโค้ด (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');

การตั้งค่า Python

ดูข้อมูลเกี่ยวกับ Python API และการใช้ geemap เพื่อการพัฒนาแบบอินเทอร์แอกทีฟได้ที่หน้า สภาพแวดล้อม Python

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