ee.Algorithms.Image.Segmentation.GMeans

خوشه بندی G-Means را روی تصویر ورودی انجام می دهد. به طور مکرر k-means را به دنبال یک تست نرمال اعمال می کند تا به طور خودکار تعداد خوشه های مورد استفاده را تعیین کند. خروجی شامل یک باند «خوشه‌ها» است که شامل شناسه عدد صحیح خوشه‌ای 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 کاشی‌های دارای همپوشانی (neighborhoodSize) کار کند. پیش فرض استفاده از کاشی ها بدون همپوشانی است. خوشه ها در یک سلول یا کاشی با خوشه های دیگر ارتباطی ندارند. هر خوشه ای که از یک سلول یا مرز کاشی می گذرد ممکن است دو برچسب مختلف در دو نیمه دریافت کند. هر پیکسل ورودی با ماسک جزئی به طور کامل در خروجی پوشانده می شود. انتظار می رود این الگوریتم فقط برای تصاویری با محدوده دینامیکی باریک (یعنی بایت یا کوتاه) عملکرد خوبی داشته باشد.

نگاه کنید به: G. Hamerly و C. Elkan. "یادگیری k در k-means". NIPS، 2003.

استفاده	برمی گرداند
ee.Algorithms.Image.Segmentation.GMeans(image, numIterations , pValue , neighborhoodSize , gridSize , uniqueLabels )	تصویر

استدلال	تایپ کنید	جزئیات
image	تصویر	تصویر ورودی برای خوشه بندی
numIterations	عدد صحیح، پیش فرض: 10	تعداد تکرارها پیش فرض 10.
pValue	شناور، پیش فرض: 50	سطح معنی داری برای آزمون نرمال بودن
neighborhoodSize	عدد صحیح، پیش فرض: 0	اندازه محله مقدار گسترش هر کاشی (همپوشانی) هنگام محاسبه خوشه ها. این گزینه با gridSize متقابلاً منحصر به فرد است.
gridSize	عدد صحیح، پیش فرض: null	اندازه سلول شبکه ای اگر بزرگتر از 0 باشد، kMeans به طور مستقل روی سلول هایی با این اندازه اجرا می شود. این باعث می شود که اندازه هر خوشه به gridSize یا کوچکتر محدود شود. این گزینه به صورت متقابلا انحصاری با محله سایز است.
uniqueLabels	بولی، پیش فرض: درست است	اگر درست باشد، به خوشه‌ها شناسه‌های منحصربه‌فرد اختصاص داده می‌شود. در غیر این صورت، آنها در هر کاشی یا سلول شبکه تکرار می شوند.