ee.Image.reduceNeighborhood
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
کاهنده داده شده را بر روی همسایگی اطراف هر پیکسل، همانطور که توسط هسته داده شده تعیین می شود، اعمال می کند. اگر کاهنده یک ورودی واحد داشته باشد، به طور جداگانه برای هر باند از مجموعه اعمال می شود. در غیر این صورت باید همان تعداد ورودی باندهای تصویر ورودی را داشته باشد.
نام‌های خروجی کاهنده نام باندهای خروجی را تعیین می‌کنند: کاهنده‌هایی با چندین ورودی مستقیماً از نام‌های خروجی استفاده می‌کنند، در حالی که کاهنده‌های با یک ورودی، نام خروجی را با نام باند ورودی پیشوند می‌دهند (به عنوان مثال، '10_mean'، '20_mean').
کاهنده‌های دارای ورودی وزنی می‌توانند وزن ورودی را بر اساس ماسک ورودی، مقدار هسته یا کوچک‌تر از این دو داشته باشند.
| استفاده | برمی گرداند | Image. reduceNeighborhood (reducer, kernel, inputWeight , skipMasked , optimization ) | تصویر |
| استدلال | تایپ کنید | جزئیات | این: image | تصویر | تصویر ورودی |
reducer | کاهنده | کاهنده برای اعمال به پیکسل های داخل همسایگی. |
kernel | هسته | هسته ای که محله را تعریف می کند. |
inputWeight | رشته، پیش فرض: "هسته" | یکی از «ماسک»، «هسته» یا «min». |
skipMasked | بولی، پیش فرض: درست است | اگر پیکسل ورودی مربوطه پوشانده شده باشد، پیکسل های خروجی را ماسک کنید. |
optimization | رشته، پیش فرض: null | استراتژی بهینه سازی گزینه ها 'boxcar' و 'window' هستند. روش "boxcar" روشی سریع برای محاسبه تعداد، مجموع یا میانگین است. به یک هسته همگن، یک کاهنده تک ورودی و MASK، KERNEL یا بدون وزن نیاز دارد. روش "پنجره" از یک پنجره در حال اجرا استفاده می کند، و همان الزامات "boxcar" را دارد، اما می تواند از هر کاهش دهنده ورودی استفاده کند. هر دو روش به حافظه اضافی قابل توجهی نیاز دارند. |
،کاهنده داده شده را بر روی همسایگی اطراف هر پیکسل، همانطور که توسط هسته داده شده تعیین می شود، اعمال می کند. اگر کاهنده یک ورودی واحد داشته باشد، به طور جداگانه برای هر باند از مجموعه اعمال می شود. در غیر این صورت باید همان تعداد ورودی باندهای تصویر ورودی را داشته باشد.
نام‌های خروجی کاهنده نام باندهای خروجی را تعیین می‌کنند: کاهنده‌هایی با چندین ورودی مستقیماً از نام‌های خروجی استفاده می‌کنند، در حالی که کاهنده‌های با یک ورودی، نام خروجی را با نام باند ورودی پیشوند می‌دهند (به عنوان مثال، '10_mean'، '20_mean').
کاهنده‌های دارای ورودی‌های وزنی می‌توانند وزن ورودی را بر اساس ماسک ورودی، مقدار هسته یا کوچک‌تر از این دو داشته باشند.
| استفاده | برمی گرداند | Image. reduceNeighborhood (reducer, kernel, inputWeight , skipMasked , optimization ) | تصویر |
| استدلال | تایپ کنید | جزئیات | این: image | تصویر | تصویر ورودی |
reducer | کاهنده | کاهنده برای اعمال به پیکسل های داخل همسایگی. |
kernel | هسته | هسته ای که محله را تعریف می کند. |
inputWeight | رشته، پیش فرض: "هسته" | یکی از «ماسک»، «هسته» یا «min». |
skipMasked | بولی، پیش فرض: درست است | اگر پیکسل ورودی مربوطه پوشانده شده باشد، پیکسل های خروجی را ماسک کنید. |
optimization | رشته، پیش فرض: null | استراتژی بهینه سازی گزینه ها 'boxcar' و 'window' هستند. روش "boxcar" روشی سریع برای محاسبه تعداد، مجموع یا میانگین است. به یک هسته همگن، یک کاهنده تک ورودی و MASK، KERNEL یا بدون وزن نیاز دارد. روش "پنجره" از یک پنجره در حال اجرا استفاده می کند، و همان الزامات "boxcar" را دارد، اما می تواند از هر کاهش دهنده ورودی استفاده کند. هر دو روش به حافظه اضافی قابل توجهی نیاز دارند. |
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."],[[["\u003cp\u003eApplies a given reducer function to the neighborhood of each pixel, defined by a kernel.\u003c/p\u003e\n"],["\u003cp\u003eOutput band names are determined by the reducer's output names, prefixed with the input band name for single-input reducers.\u003c/p\u003e\n"],["\u003cp\u003eInput weight for reducers can be based on the mask, kernel value, or the minimum of the two.\u003c/p\u003e\n"],["\u003cp\u003eOffers optimization strategies like 'boxcar' and 'window' for specific reducer and kernel types to improve performance.\u003c/p\u003e\n"],["\u003cp\u003eAllows skipping computation on masked pixels for efficiency.\u003c/p\u003e\n"]]],["This operation applies a reducer to pixel neighborhoods defined by a kernel. The reducer can have single or multiple inputs, with output band names determined accordingly. Weighted inputs are supported based on the input mask, kernel value, or their minimum. Options are available to skip masked pixels and optimize the process. The `Image.reduceNeighborhood` function takes a reducer, kernel, input weight, skip masked option, and an optimization method, returning a new image.\n"],null,["# ee.Image.reduceNeighborhood\n\nApplies the given reducer to the neighborhood around each pixel, as determined by the given kernel. If the reducer has a single input, it will be applied separately to each band of the collection; otherwise it must have the same number of inputs as the input image has bands.\n\n\u003cbr /\u003e\n\nThe reducer output names determine the names of the output bands: reducers with multiple inputs will use the output names directly, while reducers with a single input will prefix the output name with the input band name (e.g., '10_mean', '20_mean').\n\nReducers with weighted inputs can have the input weight based on the input mask, the kernel value, or the smaller of those two.\n\n| Usage | Returns |\n|--------------------------------------------------------------------------------------------------|---------|\n| Image.reduceNeighborhood`(reducer, kernel, `*inputWeight* `, `*skipMasked* `, `*optimization*`)` | Image |\n\n| Argument | Type | Details |\n|----------------|---------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| this: `image` | Image | The input image. |\n| `reducer` | Reducer | The reducer to apply to pixels within the neighborhood. |\n| `kernel` | Kernel | The kernel defining the neighborhood. |\n| `inputWeight` | String, default: \"kernel\" | One of 'mask', 'kernel', or 'min'. |\n| `skipMasked` | Boolean, default: true | Mask output pixels if the corresponding input pixel is masked. |\n| `optimization` | String, default: null | Optimization strategy. Options are 'boxcar' and 'window'. The 'boxcar' method is a fast method for computing count, sum or mean. It requires a homogeneous kernel, a single-input reducer and either MASK, KERNEL or no weighting. The 'window' method uses a running window, and has the same requirements as 'boxcar', but can use any single input reducer. Both methods require considerable additional memory. |"]]
