Duyuru:
15 Nisan 2025'ten önce Earth Engine'i kullanmak için kaydedilen tüm ticari olmayan projelerin Earth Engine erişimini sürdürmek için
ticari olmayan uygunluğu doğrulaması gerekir.
ee.Image.reduceNeighborhood
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Belirtilen çekirdek tarafından belirlendiği şekilde, her pikselin etrafındaki komşuluğa belirtilen küçültücüyü uygular. Küçültücü tek bir girişe sahipse koleksiyonun her bandına ayrı ayrı uygulanır. Aksi takdirde, giriş görüntüsünün bant sayısı kadar girişi olmalıdır.
Küçültücü çıkış adları, çıkış bantlarının adlarını belirler: Birden fazla girişi olan küçültücüler çıkış adlarını doğrudan kullanırken tek girişi olan küçültücüler çıkış adının önüne giriş bandı adını ekler (ör. "10_mean", "20_mean").
Ağırlıklı girişlere sahip azaltıcılar, giriş ağırlığını giriş maskesine, çekirdek değerine veya bu ikisinden daha küçük olanına göre belirleyebilir.
| Kullanım | İadeler |
|---|
Image.reduceNeighborhood(reducer, kernel, inputWeight, skipMasked, optimization) | Resim |
| Bağımsız Değişken | Tür | Ayrıntılar |
|---|
bu: image | Resim | Giriş resmi. |
reducer | Azaltıcı | Komşuluk içindeki piksellere uygulanacak küçültücü. |
kernel | Çekirdek | Mahalleyi tanımlayan çekirdek. |
inputWeight | Dize, varsayılan: "kernel" | "mask", "kernel" veya "min" değerlerinden biri. |
skipMasked | Boole değeri, varsayılan: true | Karşılık gelen giriş pikseli maskelenmişse çıkış piksellerini maskeler. |
optimization | Dize, varsayılan: null | Optimizasyon stratejisi. Seçenekler "boxcar" ve "window"dur. "Boxcar" yöntemi, sayıyı, toplamı veya ortalamayı hesaplamak için kullanılan hızlı bir yöntemdir. Homojen bir çekirdek, tek girişli bir küçültücü ve MASK, KERNEL veya ağırlıklandırma olmaması gerekir. "Pencere" yöntemi, hareketli bir pencere kullanır ve "boxcar" ile aynı gereksinimlere sahiptir ancak herhangi bir tek girişli azaltıcıyı kullanabilir. Her iki yöntem de önemli ölçüde ek bellek gerektirir. |
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-26 UTC.
[null,null,["Son güncelleme tarihi: 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. |"]]
