ee.Algorithms.Image.Segmentation.SNIC

 Regroupement de superpixels basé sur SNIC (Simple Non-Iterative Clustering). Génère une bande d'ID de cluster et les moyennes par cluster pour chacune des bandes d'entrée. Si l'image "seeds" n'est pas fournie en entrée, la sortie inclura une bande "seeds" contenant les emplacements des graines générées. Voir : Achanta, Radhakrishna et Susstrunk, Sabine, "Superpixels and Polygons using Simple Non-Iterative Clustering", CVPR, 2017.

Utilisation	Renvoie
ee.Algorithms.Image.Segmentation.SNIC(image, size, compactness, connectivity, neighborhoodSize, seeds)	Image

Argument	Type	Détails
image	Image	Image d'entrée pour le clustering.
size	Entier, par défaut : 5	Espacement de l'emplacement de départ du superpixel, en pixels. Si une image de départ est fournie, aucune grille n'est générée.
compactness	Float, valeur par défaut : 1	Facteur de compacité. Des valeurs plus élevées rendent les clusters plus compacts (carrés). Si vous définissez cette valeur sur 0, la pondération de la distance spatiale est désactivée.
connectivity	Entier, valeur par défaut : 8	Connectivité. 4 ou 8.
neighborhoodSize	Entier, valeur par défaut : null	Taille du voisinage des tuiles (pour éviter les artefacts de limite des tuiles). La valeur par défaut est 2 * size.
seeds	Image, valeur par défaut : null	Si des pixels de valeur non nulle sont fournis, ils sont utilisés comme emplacements de départ. Les pixels qui se touchent (comme spécifié par la connectivité) sont considérés comme appartenant au même cluster.

Exemples

Éditeur de code (JavaScript)

// Note that the compactness and size parameters can have a significant impact
// on the result. They must be adjusted to meet image-specific characteristics
// and patterns, typically through trial. Pixel scale (map zoom level) is also
// important to consider. When exploring interactively through map tile
// visualization, the segmentation result it dependent on zoom level. If you
// need to evaluate the result at a specific scale, call .reproject() on the
// result, but do so with caution because it overrides the default scaling
// behavior that makes tile computation fast and efficient.


// Load a NAIP image for a neighborhood in Las Vegas.
var naip = ee.Image('USDA/NAIP/DOQQ/m_3611554_sw_11_1_20170613');

// Apply the SNIC algorithm to the image.
var snic = ee.Algorithms.Image.Segmentation.SNIC({
  image: naip,
  size: 30,
  compactness: 0.1,
  connectivity: 8,
});

// Display the original NAIP image as RGB.
// Lock map zoom to maintain the desired scale of the segmentation computation.
Map.setLocked(false, 18, 18);
Map.setCenter(-115.32053, 36.182016, 18);
Map.addLayer(naip, null, 'NAIP RGB');

// Display the clusters.
Map.addLayer(snic.randomVisualizer(), null, 'Clusters');

// Display the RGB cluster means.
var visParams = {
  bands: ['R_mean', 'G_mean', 'B_mean'],
  min: 0,
  max: 255
};
Map.addLayer(snic, visParams, 'RGB cluster means');

Configuration de Python

Consultez la page Environnement Python pour en savoir plus sur l'API Python et sur l'utilisation de geemap pour le développement interactif.

import ee
import geemap.core as geemap

Colab (Python)

# Note that the compactness and size parameters can have a significant impact
# on the result. They must be adjusted to meet image-specific characteristics
# and patterns, typically through trial. Pixel scale (map zoom level) is also
# important to consider. When exploring interactively through map tile
# visualization, the segmentation result it dependent on zoom level. If you
# need to evaluate the result at a specific scale, call .reproject() on the
# result, but do so with caution because it overrides the default scaling
# behavior that makes tile computation fast and efficient.


# Load a NAIP image for a neighborhood in Las Vegas.
naip = ee.Image('USDA/NAIP/DOQQ/m_3611554_sw_11_1_20170613')

# Apply the SNIC algorithm to the image.
snic = ee.Algorithms.Image.Segmentation.SNIC(
    image=naip, size=30, compactness=0.1, connectivity=8
)

# Display the original NAIP image as RGB.
m = geemap.Map()
m.set_center(-115.32053, 36.182016, 18)
m.add_layer(naip, None, 'NAIP RGB')

# Display the clusters.
m.add_layer(snic.randomVisualizer(), None, 'Clusters')

# Display the RGB cluster means.
vis_params = {'bands': ['R_mean', 'G_mean', 'B_mean'], 'min': 0, 'max': 255}
m.add_layer(snic, vis_params, 'RGB cluster means')
m