ee.Image.reduceNeighborhood
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Applique le réducteur donné au voisinage de chaque pixel, tel que déterminé par le noyau donné. Si le réducteur ne comporte qu'une seule entrée, il sera appliqué séparément à chaque bande de la collection. Sinon, il doit comporter le même nombre d'entrées que l'image d'entrée comporte de bandes.
Les noms de sortie du réducteur déterminent les noms des bandes de sortie : les réducteurs avec plusieurs entrées utiliseront directement les noms de sortie, tandis que les réducteurs avec une seule entrée préfixeront le nom de sortie avec le nom de la bande d'entrée (par exemple, "10_mean", "20_mean").
Les réducteurs avec des entrées pondérées peuvent avoir un poids d'entrée basé sur le masque d'entrée, la valeur du noyau ou la plus petite de ces deux valeurs.
| Utilisation | Renvoie |
|---|
Image.reduceNeighborhood(reducer, kernel, inputWeight, skipMasked, optimization) | Image |
| Argument | Type | Détails |
|---|
ceci : image | Image | Image d'entrée. |
reducer | Réducteur | Réducteur à appliquer aux pixels du voisinage. |
kernel | Noyau | Noyau définissant le voisinage. |
inputWeight | Chaîne, valeur par défaut : "kernel" | ("mask", "kernel" ou "min") |
skipMasked | Booléen, valeur par défaut : true | Masque les pixels de sortie si le pixel d'entrée correspondant est masqué. |
optimization | Chaîne, valeur par défaut : null | Stratégie d'optimisation. Les options sont "boxcar" et "window". La méthode "boxcar" est une méthode rapide pour calculer le nombre, la somme ou la moyenne. Il nécessite un noyau homogène, un réducteur à entrée unique et une pondération MASK, KERNEL ou aucune pondération. La méthode "window" utilise une fenêtre mobile et présente les mêmes exigences que "boxcar", mais peut utiliser n'importe quel réducteur d'entrée unique. Les deux méthodes nécessitent une quantité considérable de mémoire supplémentaire. |
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/07/26 (UTC).
[null,null,["Dernière mise à jour le 2025/07/26 (UTC)."],[[["\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. |"]]
