ee.Algorithms.Image.Segmentation.GMeans

Executa o clustering G-Means na imagem de entrada. Aplica iterativamente o k-means seguido por um teste de normalidade para determinar automaticamente o número de clusters a serem usados. A saída contém uma faixa "clusters" com o ID inteiro do cluster a que cada pixel pertence.

O algoritmo pode funcionar em uma grade fixa de células não sobrepostas (gridSize, que pode ser menor que um bloco) ou em blocos com sobreposição (neighborhoodSize). O padrão é usar blocos sem sobreposição. Os clusters em uma célula ou bloco não estão relacionados a clusters em outro. Qualquer cluster que abranja um limite de célula ou bloco pode receber dois rótulos diferentes nas duas metades. Todos os pixels de entrada com máscaras parciais são totalmente mascarados na saída. Espera-se que esse algoritmo tenha um bom desempenho apenas para imagens com um intervalo dinâmico estreito (ou seja, bytes ou shorts).

Consulte: G. Hamerly e C. Elkan. "Learning the k in k-means". NIPS, 2003.

UsoRetorna
ee.Algorithms.Image.Segmentation.GMeans(image, numIterations, pValue, neighborhoodSize, gridSize, uniqueLabels)Imagem
ArgumentoTipoDetalhes
imageImagemA imagem de entrada para clustering.
numIterationsNúmero inteiro, padrão: 10Número de iterações. Padrão: 10.
pValueFlutuante, padrão: 50Nível de significância para o teste de normalidade.
neighborhoodSizeNúmero inteiro, padrão: 0Tamanho da vizinhança. O valor para estender cada bloco (sobreposição) ao calcular os clusters. Essa opção é mutuamente exclusiva com gridSize.
gridSizeNúmero inteiro, padrão: nuloTamanho da célula da grade. Se for maior que 0, o kMeans será executado de forma independente em células desse tamanho. Isso limita o tamanho de qualquer cluster a gridSize ou menor. Essa opção é mutuamente exclusiva com neighborhoodSize.
uniqueLabelsBooleano, padrão: verdadeiroSe for verdadeiro, os clusters receberão IDs exclusivos. Caso contrário, eles serão repetidos por bloco ou célula de grade.