ee.Image.reduceNeighborhood
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Stosuje podany reduktor do sąsiedztwa wokół każdego piksela, zgodnie z podanym jądrem. Jeśli funkcja redukująca ma jedno wejście, zostanie zastosowana osobno do każdego pasma kolekcji. W przeciwnym razie musi mieć tyle wejść, ile pasm ma obraz wejściowy.
Nazwy danych wyjściowych funkcji redukującej określają nazwy pasm wyjściowych: funkcje redukujące z wieloma danymi wejściowymi będą używać nazw wyjściowych bezpośrednio, a funkcje redukujące z jednymi danymi wejściowymi będą dodawać do nazwy wyjściowej prefiks w postaci nazwy pasma wejściowego (np. '10_mean', '20_mean').
Reduktory z ważonymi danymi wejściowymi mogą mieć wagę danych wejściowych opartą na masce wejściowej, wartości jądra lub mniejszej z tych dwóch wartości.
| Wykorzystanie | Zwroty |
|---|
Image.reduceNeighborhood(reducer, kernel, inputWeight, skipMasked, optimization) | Obraz |
| Argument | Typ | Szczegóły |
|---|
to: image | Obraz | Obraz wejściowy. |
reducer | Ograniczenie | Reduktor, który ma być stosowany do pikseli w sąsiedztwie. |
kernel | Jądro | Jądro definiujące sąsiedztwo. |
inputWeight | Ciąg znaków, domyślnie: „kernel” | Jedna z wartości „mask”, „kernel” lub „min”. |
skipMasked | Wartość logiczna, domyślnie: true | Maskuj piksele wyjściowe, jeśli odpowiadający im piksel wejściowy jest zamaskowany. |
optimization | Ciąg tekstowy, domyślnie: null | Strategia optymalizacji. Dostępne opcje to „boxcar” i „window”. Metoda „boxcar” to szybki sposób obliczania liczby, sumy lub średniej. Wymaga jednorodnego jądra, reduktora z 1 wejściem i maski, jądra lub braku ważenia. Metoda „okna” wykorzystuje okno ruchome i ma takie same wymagania jak metoda „boxcar”, ale może używać dowolnego pojedynczego reduktora danych wejściowych. Obie metody wymagają znacznej ilości dodatkowej pamięci. |
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-07-26 UTC.
[null,null,["Ostatnia aktualizacja: 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. |"]]
