ee.Algorithms.Image.Segmentation.SNIC

Кластеризация суперпикселей на основе SNIC (Simple Non-Iterative Clustering). Выводит полосу идентификаторов кластеров и средние значения для каждого кластера в каждой из входных полос. Если изображение «seeds» не предоставлено в качестве входных данных, выходные данные будут включать полосу «seeds», содержащую сгенерированные местоположения начальных точек.

См.: Achanta, Radhakrishna и Susstrunk, Sabine, «Суперпиксели и полигоны с использованием простой неитеративной кластеризации», CVPR, 2017.

Использование	Возвраты
ee.Algorithms.Image.Segmentation.SNIC(image, size , compactness , connectivity , neighborhoodSize , seeds )	Изображение

Аргумент	Тип	Подробности
image	Изображение	Входное изображение для кластеризации.
size	Целое число, по умолчанию: 5	Расстояние между точками расположения суперпикселей в пикселях. Если предоставлено изображение «seeds», сетка не создается.
compactness	Число с плавающей запятой, по умолчанию: 1	Коэффициент компактности. Большие значения приводят к тому, что кластеры становятся более компактными (квадратными). Установка значения 0 отключает взвешивание по пространственному расстоянию.
connectivity	Целое число, по умолчанию: 8	Подключение. Либо 4, либо 8.
neighborhoodSize	Целое число, по умолчанию: null	Размер окрестности тайла (во избежание артефактов, связанных с границами тайлов). По умолчанию — 2 * размер.
seeds	Изображение, по умолчанию: null	Если указано, любые пиксели с ненулевыми значениями используются в качестве начальных точек. Пиксели, которые соприкасаются (как указано в параметре 'connectivity'), считаются принадлежащими к одному кластеру.

Примеры

Редактор кода (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');

настройка Python

Информацию об API Python и использовании geemap для интерактивной разработки можно найти на странице «Среда Python» .

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