ee.Algorithms.Image.Segmentation.GMeans

خوشه‌بندی G-Means را روی تصویر ورودی انجام می‌دهد. به صورت تکراری، k-means و به دنبال آن آزمون نرمال بودن را اعمال می‌کند تا به طور خودکار تعداد خوشه‌های مورد استفاده را تعیین کند. خروجی شامل یک باند «خوشه‌ها» است که حاوی شناسه صحیح خوشه ای است که هر پیکسل به آن تعلق دارد.

این الگوریتم می‌تواند روی یک شبکه ثابت از سلول‌های غیر همپوشانی (gridSize، که می‌تواند کوچکتر از یک کاشی باشد) یا روی کاشی‌هایی با همپوشانی (neighborhoodSize) کار کند. پیش‌فرض این است که از کاشی‌هایی بدون همپوشانی استفاده شود. خوشه‌ها در یک سلول یا کاشی با خوشه‌های موجود در سلول یا کاشی دیگر ارتباطی ندارند. هر خوشه ای که مرز یک سلول یا کاشی را در بر می‌گیرد، ممکن است دو برچسب مختلف در دو نیمه دریافت کند. هر پیکسل ورودی با ماسک‌های جزئی در خروجی کاملاً ماسک می‌شود. انتظار می‌رود این الگوریتم فقط برای تصاویری با محدوده دینامیکی باریک (یعنی بایت یا شورت) عملکرد خوبی داشته باشد.

رجوع کنید به: جی. همرلی و سی. الکان. «یادگیری k در k-میانگین». NIPS، ۲۰۰۳.

کاربرد بازگشت‌ها
ee.Algorithms.Image.Segmentation.GMeans(image, numIterations , pValue , neighborhoodSize , gridSize , uniqueLabels ) تصویر
استدلال نوع جزئیات
image تصویر تصویر ورودی برای خوشه‌بندی.
numIterations عدد صحیح، پیش‌فرض: ۱۰ تعداد تکرارها. پیش‌فرض ۱۰.
pValue شناور، پیش‌فرض: ۵۰ سطح معنی‌داری برای آزمون نرمال بودن.
neighborhoodSize عدد صحیح، پیش‌فرض: ۰ اندازه همسایگی. میزان گسترش هر کاشی (همپوشانی) هنگام محاسبه خوشه‌ها. این گزینه با gridSize ناسازگار است.
gridSize عدد صحیح، پیش‌فرض: تهی اندازه سلول شبکه. اگر بزرگتر از 0 باشد، kMeans به طور مستقل روی سلول‌هایی با این اندازه اجرا می‌شود. این امر باعث می‌شود اندازه هر خوشه به gridSize یا کوچکتر محدود شود. این گزینه با neighborSize ناسازگار است.
uniqueLabels بولی، پیش‌فرض: درست اگر درست باشد، به خوشه‌ها شناسه‌های منحصر به فردی اختصاص داده می‌شود. در غیر این صورت، آنها در هر کاشی یا سلول شبکه تکرار می‌شوند.