物件型方法

在 Google Colab 中執行

前往 GitHub 查看來源

圖片物件是一組連結的像素，具有相同的整數值。分類、分箱和布林值圖像資料適合用於物件分析。

Earth Engine 提供方法，可為每個物件加上唯一 ID、計算組成物件的像素數量，以及計算與物件相交的像素值統計資料。

• connectedComponents()：為每個物件加上專屬 ID。
• connectedPixelCount()：計算每個物件的像素數量。
• reduceConnectedComponents()：計算每個物件中像素的統計資料。

注意：以物件為基礎的方法的結果取決於比例，而比例則取決於：

• 輸出要求的縮放比例 (例如Export.image.toAsset() 或 Export.image.toDrive())。
• 需要分析規模的函式 (例如reduceRegions() 或 reduceToVectors())。
• 地圖縮放等級。

請特別注意由地圖縮放等級決定的比例。在地圖中查看或檢查圖層時，以物件為基礎的方法會產生不同的結果，因為每個金字塔圖層的比例都不同。如要在地圖探索中強制使用所需的分析比例，請使用 reproject()。不過，強烈建議您不使用 reproject()，因為系統會以設定的比例和投影方式要求地圖中可見的整個區域。這可能會導致要求過多資料，經常觸發錯誤。在 Earth Engine 的圖像金字塔架構中，只有在提供 scale 和 crs 做為參數的作業中，才需要設定比例和投影。詳情請參閱「分析規模」和「重新規劃」。

熱點

以下各節提供將物件為基礎的方法套用至 Landsat 8 地表溫度的範例，每個部分都會以前一個部分為基礎。執行下列程式碼片段，產生基本圖片：舊金山某小區域的熱點 (超過 303 開氏度)。

程式碼編輯器 (JavaScript)

// Make an area of interest geometry centered on San Francisco.
var point = ee.Geometry.Point(-122.1899, 37.5010);
var aoi = point.buffer(10000);

// Import a Landsat 8 image, subset the thermal band, and clip to the
// area of interest.
var kelvin = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318')
  .select(['B10'], ['kelvin'])
  .clip(aoi);

// Display the thermal band.
Map.centerObject(point, 13);
Map.addLayer(kelvin, {min: 288, max: 305}, 'Kelvin');

// Threshold the thermal band to set hot pixels as value 1, mask all else.
var hotspots = kelvin.gt(303)
  .selfMask()
  .rename('hotspots');

// Display the thermal hotspots on the Map.
Map.addLayer(hotspots, {palette: 'FF0000'}, 'Hotspots');

Python 設定

請參閱「 Python 環境」頁面，瞭解 Python API 和如何使用 geemap 進行互動式開發。

import ee
import geemap.core as geemap

Colab (Python)

# Make an area of interest geometry centered on San Francisco.
point = ee.Geometry.Point(-122.1899, 37.5010)
aoi = point.buffer(10000)

# Import a Landsat 8 image, subset the thermal band, and clip to the
# area of interest.
kelvin = (
    ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318')
    .select(['B10'], ['kelvin'])
    .clip(aoi)
)

# Threshold the thermal band to set hot pixels as value 1, mask all else.
hotspots = kelvin.gt(303).selfMask().rename('hotspots')

# Define a map centered on Redwood City, California.
map_objects = geemap.Map(center=[37.5010, -122.1899], zoom=13)

# Add the image layers to the map.
map_objects.add_layer(kelvin, {'min': 288, 'max': 305}, 'Kelvin')
map_objects.add_layer(hotspots, {'palette': 'FF0000'}, 'Hotspots')

圖 1. 舊金山某區域的溫度。溫度超過 303 開氏溫度的像素會以紅色標示 (熱點)。

標籤物件

物件分析的第一步通常是標記物件。此處使用 connectedComponents() 函式來識別圖片物件，並為每個物件指派專屬 ID；屬於某個物件的所有像素都會指派相同的整數 ID 值。結果是輸入圖像的副本，其中包含額外的「標籤」頻帶，可根據圖像第一個頻帶中的像素連結性，將像素與物件 ID 值建立關聯。

程式碼編輯器 (JavaScript)

// Uniquely label the hotspot image objects.
var objectId = hotspots.connectedComponents({
  connectedness: ee.Kernel.plus(1),
  maxSize: 128
});

// Display the uniquely ID'ed objects to the Map.
Map.addLayer(objectId.randomVisualizer(), null, 'Objects');

Python 設定

請參閱「 Python 環境」頁面，瞭解 Python API 和如何使用 geemap 進行互動式開發。

import ee
import geemap.core as geemap

Colab (Python)

# Uniquely label the hotspot image objects.
object_id = hotspots.connectedComponents(
    connectedness=ee.Kernel.plus(1), maxSize=128
)

# Add the uniquely ID'ed objects to the map.
map_objects.add_layer(object_id.randomVisualizer(), None, 'Objects')

請注意，最大修補大小已設為 128 像素；由更多像素組成的物件會遭到遮蔽。連線是由 ee.Kernel.plus(1) 核心指定，可定義四鄰接連線；使用 ee.Kernel.square(1) 可進行八鄰接連線。

圖 2. 熱點熱點物件，標示和樣式皆以專屬 ID 為依據。

物件大小

像素數量

使用 connectedPixelCount() 圖片方法，計算組成物件的像素數量。瞭解物件中的像素數量，有助於依大小遮蔽物件，並計算物件面積。以下程式碼片段會將 connectedPixelCount() 套用至上一節定義的 objectId 圖片的「labels」頻帶。

程式碼編輯器 (JavaScript)

// Compute the number of pixels in each object defined by the "labels" band.
var objectSize = objectId.select('labels')
  .connectedPixelCount({
    maxSize: 128, eightConnected: false
  });

// Display object pixel count to the Map.
Map.addLayer(objectSize, null, 'Object n pixels');

Python 設定

請參閱「 Python 環境」頁面，瞭解 Python API 和如何使用 geemap 進行互動式開發。

import ee
import geemap.core as geemap

Colab (Python)

# Compute the number of pixels in each object defined by the "labels" band.
object_size = object_id.select('labels').connectedPixelCount(
    maxSize=128, eightConnected=False
)

# Add the object pixel count to the map.
map_objects.add_layer(object_size, None, 'Object n pixels')

connectedPixelCount() 會傳回輸入圖片的副本，其中每個頻帶的每個像素都會根據傳遞至 eightConnected 參數的布林值引數所決定的四鄰或八鄰連通性規則，包含連結鄰居的數量。請注意，系統會針對輸入圖片的每個頻帶分別決定連通性。在這個範例中，系統會以代表物件 ID 的單一頻帶圖片 (objectId) 做為輸入，因此會傳回含有「標籤」頻帶的單一頻帶圖片 (在輸入圖片中顯示為此類)，但現在的值代表組成物件的像素數量；每個物件的每個像素都會具有相同的像素計數值。

圖 3. 熱點熱點物件，並根據大小標示和設定樣式。

區

計算物件區域時，請將單一像素的區域乘以組成物件的像素數量 (由 connectedPixelCount() 決定)。像素區域是由 ee.Image.pixelArea() 產生的圖片提供。

程式碼編輯器 (JavaScript)

// Get a pixel area image.
var pixelArea = ee.Image.pixelArea();

// Multiply pixel area by the number of pixels in an object to calculate
// the object area. The result is an image where each pixel
// of an object relates the area of the object in m^2.
var objectArea = objectSize.multiply(pixelArea);

// Display object area to the Map.
Map.addLayer(objectArea,
             {min: 0, max: 30000, palette: ['0000FF', 'FF00FF']},
             'Object area m^2');

Python 設定

請參閱「 Python 環境」頁面，瞭解 Python API 和如何使用 geemap 進行互動式開發。

import ee
import geemap.core as geemap

Colab (Python)

# Get a pixel area image.
pixel_area = ee.Image.pixelArea()

# Multiply pixel area by the number of pixels in an object to calculate
# the object area. The result is an image where each pixel
# of an object relates the area of the object in m^2.
object_area = object_size.multiply(pixel_area)

# Add the object area to the map.
map_objects.add_layer(
    object_area,
    {'min': 0, 'max': 30000, 'palette': ['0000FF', 'FF00FF']},
    'Object area m^2',
)

結果是圖片，其中物件的每個像素都與物件的平方公尺面積相關聯。在這個範例中，objectSize 圖片包含單一頻帶，如果是多頻帶，則乘法運算會套用至圖片的每個頻帶。

依大小篩選物件

物件大小可做為遮罩條件，讓分析作業著重於特定大小的物件 (例如遮罩過小物件)。在此，我們使用先前步驟計算的 objectArea 圖片做為遮罩，移除面積小於一公頃的物件。

程式碼編輯器 (JavaScript)

// Threshold the `objectArea` image to define a mask that will mask out
// objects below a given size (1 hectare in this case).
var areaMask = objectArea.gte(10000);

// Update the mask of the `objectId` layer defined previously using the
// minimum area mask just defined.
objectId = objectId.updateMask(areaMask);
Map.addLayer(objectId, null, 'Large hotspots');

Python 設定

請參閱「 Python 環境」頁面，瞭解 Python API 和如何使用 geemap 進行互動式開發。

import ee
import geemap.core as geemap

Colab (Python)

# Threshold the `object_area` image to define a mask that will mask out
# objects below a given size (1 hectare in this case).
area_mask = object_area.gte(10000)

# Update the mask of the `object_id` layer defined previously using the
# minimum area mask just defined.
object_id = object_id.updateMask(area_mask)
map_objects.add_layer(object_id, None, 'Large hotspots')

結果是 objectId 圖片的副本，其中會遮蓋小於一公頃的物件。

圖 4a. 熱點熱像物件，標示並以專屬 ID 設定樣式。	圖 4b. 根據最小面積 (1 公頃) 篩選的熱點物件。

區域統計資料

reduceConnectedComponents() 方法會將縮減器套用至組成獨特物件的像素。下列程式碼片段會使用此方法計算熱點物件的平均溫度。reduceConnectedComponents() 需要輸入圖像，其中包含要縮減的頻帶 (或頻帶)，以及定義物件標籤的頻帶。在此處，將 objectID「標籤」圖像頻帶新增至 kelvin 溫度圖像，以建構適當的輸入圖像。

程式碼編輯器 (JavaScript)

// Make a suitable image for `reduceConnectedComponents()` by adding a label
// band to the `kelvin` temperature image.
kelvin = kelvin.addBands(objectId.select('labels'));

// Calculate the mean temperature per object defined by the previously added
// "labels" band.
var patchTemp = kelvin.reduceConnectedComponents({
  reducer: ee.Reducer.mean(),
  labelBand: 'labels'
});

// Display object mean temperature to the Map.
Map.addLayer(
  patchTemp,
  {min: 303, max: 304, palette: ['yellow', 'red']},
  'Mean temperature'
);

Python 設定

請參閱「 Python 環境」頁面，瞭解 Python API 和如何使用 geemap 進行互動式開發。

import ee
import geemap.core as geemap

Colab (Python)

# Make a suitable image for `reduceConnectedComponents()` by adding a label
# band to the `kelvin` temperature image.
kelvin = kelvin.addBands(object_id.select('labels'))

# Calculate the mean temperature per object defined by the previously added
# "labels" band.
patch_temp = kelvin.reduceConnectedComponents(
    reducer=ee.Reducer.mean(), labelBand='labels'
)

# Add object mean temperature to the map and display it.
map_objects.add_layer(
    patch_temp,
    {'min': 303, 'max': 304, 'palette': ['yellow', 'red']},
    'Mean temperature',
)
display(map_objects)

結果是輸入圖片的副本，不含用於定義物件的頻帶，其中像素值代表每個物件和每個頻帶的縮減結果。

圖 5. 熱點物件像素會根據平均溫度匯總並套用樣式。

注意： reduceToVectors() 提供類似功能，但結果是 ee.FeatureCollection，其中集合的每個功能表項都代表一個物件，而每個物件的像素減少量會以輸入圖片中每個頻帶的功能表項屬性表示。reduceToVectors() 需要大量資源，因此請盡可能使用 reduceConnectedComponents()。詳情請參閱「光柵轉向量轉換」。