ee.Algorithms.Image.Segmentation.KMeans
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
خوشه بندی K-Means را روی تصویر ورودی انجام می دهد. یک تصویر 1 باندی حاوی شناسه خوشه ای که هر پیکسل به آن تعلق دارد را خروجی می دهد. 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.
| استفاده | برمی گرداند | ee.Algorithms.Image.Segmentation.KMeans(image, numClusters , numIterations , neighborhoodSize , gridSize , forceConvergence , uniqueLabels ) | تصویر |
| استدلال | تایپ کنید | جزئیات | image | تصویر | تصویر ورودی برای خوشه بندی |
numClusters | عدد صحیح، پیش فرض: 8 | تعداد خوشه ها |
numIterations | عدد صحیح، پیش فرض: 20 | تعداد تکرارها |
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 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. |
forceConvergence | بولی، پیش فرض: نادرست | اگر درست باشد، اگر همگرایی قبل از اعداد به دست نیاید، خطایی ایجاد می شود. |
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. |
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبت‌شده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی."],[],["K-Means clustering is applied to an input image, generating a single-band output image where each pixel is assigned a cluster ID. Clustering can occur within a fixed grid (`gridSize`) or within overlapping tiles (`neighborhoodSize`). By default, tiles have no overlap. Clusters are independent per cell/tile, potentially resulting in different labels for clusters crossing boundaries. Parameters include the number of clusters and iterations. Convergence can be enforced and the ID labels be unique or repeat depending on the specified parameter.\n"]]
