ee.Image.reduceNeighborhood
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
הפונקציה מחילה את פעולת הצמצום שצוינה על הסביבה של כל פיקסל, בהתאם לגרעין שצוין. אם לפונקציית ה-reducer יש קלט יחיד, היא תופעל בנפרד על כל פס של האוסף. אחרת, מספר הקלטים שלה צריך להיות זהה למספר הפסים של תמונת הקלט.
השמות של הפלט של פונקציית ה-reducer קובעים את השמות של רצועות הפלט: פונקציות reducer עם כמה קלטים ישתמשו בשמות הפלט ישירות, בעוד שפונקציות reducer עם קלט יחיד יוסיפו לשם הפלט את שם רצועת הקלט (לדוגמה, '10_mean', '20_mean').
בפונקציות Reducer עם קלט משוקלל, משקל הקלט יכול להתבסס על מסכת הקלט, על ערך הליבה או על הערך הקטן מבין השניים.
| שימוש | החזרות |
|---|
Image.reduceNeighborhood(reducer, kernel, inputWeight, skipMasked, optimization) | תמונה |
| ארגומנט | סוג | פרטים |
|---|
זה: image | תמונה | תמונת הקלט. |
reducer | הפחתה | הפונקציה לצמצום שמוחלת על הפיקסלים בסביבה. |
kernel | ליבה | הגרעין שמגדיר את השכונה. |
inputWeight | מחרוזת, ברירת מחדל: 'kernel' | אחד מהערכים mask, kernel או min. |
skipMasked | בוליאני, ברירת מחדל: true | אם פיקסל הקלט המתאים מוסתר, פיקסל הפלט מוסתר. |
optimization | מחרוזת, ברירת מחדל: null | אסטרטגיית אופטימיזציה. האפשרויות הן boxcar ו-window. שיטת 'boxcar' היא שיטה מהירה לחישוב ספירה, סכום או ממוצע. היא דורשת ליבת הומוגנית, רכיב לצמצום קלט יחיד ומשקולות מסוג MASK, KERNEL או ללא משקולות. השיטה window משתמשת בחלון רץ, ויש לה את אותן דרישות כמו לשיטה boxcar, אבל אפשר להשתמש בה בכל רכיב קלט יחיד לצמצום. שתי השיטות דורשות זיכרון נוסף משמעותי. |
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-26 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-26 (שעון 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. |"]]
