ee.Algorithms.Image.Segmentation.GMeans

Executa o clustering G-Means na imagem de entrada. Aplica de forma iterativa o k-means seguido de um teste de normalidade para determinar automaticamente o número de clusters a serem usados. A saída contém uma banda "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 aos clusters em outra. 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. A expectativa é que esse algoritmo funcione bem apenas para imagens com um intervalo dinâmico estreito (ou seja, bytes ou shorts).

Consulte G. Hamerly e C. Elkan. "Aprendendo o k em k-means". NIPS, 2003.

Uso	Retorna
ee.Algorithms.Image.Segmentation.GMeans(image, numIterations, pValue, neighborhoodSize, gridSize, uniqueLabels)	Imagem

Argumento	Tipo	Detalhes
image	Imagem	A imagem de entrada para clustering.
numIterations	Número inteiro, padrão: 10	Número de iterações. O padrão é 10.
pValue	Ponto flutuante, padrão: 50	Nível de significância para o teste de normalidade.
neighborhoodSize	Número inteiro, padrão: 0	Tamanho da vizinhança. A quantidade para estender cada bloco (sobreposição) ao calcular os clusters. Essa opção é mutuamente exclusiva com "gridSize".
gridSize	Número inteiro, padrão: nulo	Tamanho 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".
uniqueLabels	Booleano, padrão: verdadeiro	Se for "true", os clusters vão receber IDs exclusivos. Caso contrário, eles se repetem por bloco ou célula de grade.