影像分割就是把影像分成若干個(gè)特定、具有獨(dú)特性質(zhì)區(qū)域的技術(shù)和過程，是面向?qū)ο蠓诸惖闹匾A(chǔ)。

下面介紹幾種GEE中自帶的影像分割的算法。具體的算法原理，在這里不多介紹，主要還是展示算法的應(yīng)用。
使用例子的原始圖像如下：

??????1.GMeans算法
??????????????????????
主要參數(shù)如下：
image：待處理影像。
numlterations:迭代次數(shù)。
pValue:正態(tài)檢驗(yàn)的顯著性水平。相當(dāng)于閾值，值越小，分割的越精細(xì)，影像被分割成的塊數(shù)就越多。
neighborhoodSize:領(lǐng)域的尺寸，一般取256
gridSize：網(wǎng)格尺寸。通常不設(shè)置。
實(shí)例代碼如下：

var imputGMeans={image:image, numIterations:5, pValue:200, neighborhoodSize:0} var Gmeans=ee.Algorithms.Image.Segmentation.GMeans(imputGMeans) Map.addLayer(Gmeans.select(0).randomVisualizer(),{},'Gmeans')

運(yùn)行代碼結(jié)果如下

2.KMeans算法

主要參數(shù)如下：
image：待處理影像。
numClusters：分割成集群的數(shù)量
numlterations:迭代次數(shù)。
neighborhoodSize:領(lǐng)域的尺寸，一般取256
gridSize：網(wǎng)格尺寸。通常不設(shè)置。
實(shí)例代碼如下：

var imputkmeans={image:image, numClusters:10, numIterations:10,neighborhoodSize:256} var Kmeans=ee.Algorithms.Image.Segmentation.KMeans(imputkmeans) Map.addLayer(Kmeans.select(0).randomVisualizer(),{},'Kmeans')

運(yùn)行代碼效果如下

上述2種方法因?yàn)閰?shù)只是簡單的設(shè)置了一下，所以實(shí)際分割效果圖并不太好。但是存在一個(gè)未解決的問題，從結(jié)果圖像來看，圖像好像是被分塊運(yùn)算了，分塊的部分是和在GEE上顯示原圖時(shí)，圖像被分割成幾塊的部分是一樣的，所以造成這分塊運(yùn)算的結(jié)果很有可能是GEE內(nèi)部處理柵格數(shù)據(jù)的方式有關(guān)。但目前沒有找到有關(guān)的解決方法，如果有知道的朋友，可以在下方評論或者直接私信我，我也會(huì)及時(shí)公布出來，萬分感謝！！！

3.SNIC(Simple Non-Iterative Clustering)算法

主要參數(shù)如下：
image：待處理影像。
size：種子的分布尺寸。
compactness：分割后集群的規(guī)整程度。數(shù)值越大，圖像越規(guī)整。
connectivity: 像元的鄰接性，為4鄰接或者8鄰接。
neighborhoodSize:領(lǐng)域的尺寸，一般取256
seeds：種子，一般若給定形參seeds的值，則形參size則會(huì)失效。
其中形參seeds的值由下面函數(shù)生成。

實(shí)例代碼如下:

var seedGrid=ee.Algorithms.Image.Segmentation.seedGrid({size:25,gridType:"square"}).clip(image_region) var inputsSNIC={image:image,size:30,compactness:50,connectivity: 8,neighborhoodSize:256,seeds:seedGrid} var Snic=ee.Algorithms.Image.Segmentation.SNIC(inputsSNIC).reproject(image.select(0).projection(),null,10); Map.addLayer(seedGrid,{palette: ["red"]},'seedGrid') Map.addLayer(Snic.select(0).randomVisualizer(),{},'Snic')

運(yùn)行效果如下：
種子點(diǎn)分布

影像分割結(jié)果

由于SNIC算法經(jīng)過參數(shù)的調(diào)整和優(yōu)化，圖像的分割結(jié)果要優(yōu)于前2種方法的，但是在調(diào)整參數(shù)的基礎(chǔ)上，種子點(diǎn)的分布對分割效果的影像也是很大的，即在需要分割精細(xì)的地方，種子點(diǎn)應(yīng)多一些，在同種地物區(qū)域較大的地方，種子應(yīng)少一些。
在這里，可以提供一種比較簡單理解，操作起來可能有點(diǎn)麻煩的方法。
在原圖上畫出需要分割精細(xì)和分割粗糙的區(qū)域邊界作為feature，然后不同的區(qū)域分配不同數(shù)量的種子點(diǎn)，這樣就可以人為的控制整幅影像種子的分布了。生成種子分布，主要代碼如下：

var seedGrid_1=ee.Algorithms.Image.Segmentation.seedGrid({size:20,gridType:"square"}).clip(feature_1) var seedGrid_2=ee.Algorithms.Image.Segmentation.seedGrid({size:40,gridType:"square"}).clip(feature_2) var seedGrid_3=ee.Algorithms.Image.Segmentation.seedGrid({size:30,gridType:"square"}).clip(feature_3) var seedGrid=ee.ImageCollection([seedGrid_3,seedGrid_2,seedGrid_1]).mosaic()

優(yōu)化了種子的分布之后，圖像分割結(jié)果如下：

可以看出，分割的效果是要明顯優(yōu)于先前的。
在layer層，GEE對圖像處理是根據(jù)圖像的縮放程度，不同的圖像縮放程度，顯示的圖像分割結(jié)果是不一樣的。可利用下面的函數(shù)對影像重投影，這樣在layer層，無論怎么縮放展示的效果都是固定的。

總結(jié)

以上是生活随笔為你收集整理的GEE (Google Earth Engine)高阶学习一 影像分割的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。