Trimble eCognition是一套全球公認最強大的物件式影像分析軟體,它能夠支援各式的空間資料,舉凡衛星影像、航照影像到無人飛行載具(UAV),甚至是空載光達點雲的分類,透過加入高程資料及各式向量資料的輔助,並加上使用者的邏輯建立分析流程,連結各種資料間的內涵,從單純的地理資料萃取出使用者所需要的資訊,此軟體是遙測數據分析上非常有幫助的工具。由於其內建功能相當多,使用者要上手相較於一般軟體需要更多的時間,尤其是對沒有GIS及遙測影像背景的人員來說更是困難,很多人在有限的時間內並沒有辦法深入了解軟體,但其實在我們接觸它的這些年裡,成功協助客戶解決了專案上的需求,更替客戶們省去大部分的人力,達到以往無法比擬的效益,現在,讓我們來實際了解一下eCognition吧!

 

軟體模組



eCognition Developer

最完整的開發工具,可結合其強大的演算法,融合多元空間資料特徵,更有彈性地開發、編修分類準則

eCognition Essentials

保留重點演算法,提供使用者較為簡單的操作介面,參數調整容易,輕鬆實現輕量的影像分類應用

eCognition Architect

可依據分類準則客製圖形化介面,提供一個標準化的作業環境,供應用戶端調整準則參數

eCognition Server

提供平行處理,充分發揮分工效能,使得影像工作更有效率,分析大量影像時建議搭配使用

 

eCognition的特色

要說明eCognition有多強大首先要理解它的影像分類模式。影像本身是由許多像元(Pixel)組合而成,在傳統的分類方法中,我們透過了解各像元的光譜反射值,例如:紅光、綠光、藍光、紅外光的反射值,透過數值的篩選,將各個像元分門別類,每個像元都可能被分在不同的類別。但事實上,地表物相當複雜,往往分類出來的成果很瑣碎(如下圖),結果產生椒鹽效應(salt-and-pepper effect),尤其當影像的解析度越高椒鹽效應越是明顯,也造成分類後的成果無法直接使用,必須經過其他資料清整等步驟才能做後續應用。


▲ 椒鹽效應示意圖
(林務局 — 以物件式分類於航攝正射影像崩塌地快速自動分類判釋之成效)

 

● 物件式影像分析技術(OBIA)

近幾年來OBIA逐漸成為影像分類法的主流,其概念就是在分類前先將影像分割(Segmentation)成許多“區塊”,我們又稱這些區塊為“物件”。除了利用上述的光譜值(color)來區分不同的類別外,物件還有更多的特徵,例如大小(size)、紋理(texture)、形狀(shape)、脈絡(context)等,OBIA即結合上述因子輔助辨別影像上的物體,類似於人眼辨識的機制,比像元式分類成果更為準確、可靠。如下圖所示,像元式分類就有如拿著顯微鏡來辨認桌子的顏色;而物件式分類則可以看到桌子較完整的全貌。eCognition可以說是目前市面上將OBIA概念發揮到極致的一個影像分析工具。


▲ 像元 V.S. 物件概念上的差異

 

影像分割技術類似物以類聚的概念,原理是根據顏色、紋理或形狀等特徵把影像劃分成若干互不重疊的區域,其方法很多,例如著名的k-means、region grow等。eCognition獨家的多尺度切割法(multiresolution segmentation)針對各種演算法截長補短,除了考慮光譜一致性外,光譜的權重、初始區塊的大小與形狀等幾何條件都可以自行調整以找到最符合的分類目標,當尺度(Scale)愈大時可得到較概括性的成果;而尺度愈小時的切割成果則愈精細,以下圖黃框內之草坪區為例,當Scale為150時分割結果為完整的草坪區,自動忽略較細微的特徵;若縮小至80時,不僅可辨識內部的小土丘,更將草地細分為淺色草皮與深色草皮。根據不同的分類目的可以有不同的分割參數。


▲ 影像分割尺度大小的差異
(影像:WorldView-2 50cm;地點:大佳河濱公園)

 

● 多元的影像分類技術

eCognition在OBIA的影像物件框架之下,透過獨有的準則化設計整合目前五大主流影像分類技術,包含:知識導向分類法(Knowledge-based)、監督式分類法(Supervised Classification)、非監督式分類法(Unsupervised Classification)、電腦視覺物件偵測(Computer Vision)、深度學習(Deep Learning),是目前市場中功能最齊全且最強大的影像分析軟體。

 

  1. 知識導向分類法(Knowledge-based)

    在OBIA的基礎下,每個影像物件都有屬於自己的屬性,而eCognition定義了如光譜、形狀、紋理、尺寸、高度、脈絡…等數百種豐富特徵(feature),使用者可依層次設立目標類別的判釋條件與門檻,形成如樹狀結構的分類邏輯。知識導向分類法特別適用於具備特定指標或鮮明特徵之類別,例如「植生」可以透過NDVI門檻的設定與「非植生」做區別;「水體」可使用NDWI作為判釋指標;欲區分「建築物」與「道路」則可專注於形狀與高度兩特徵,因為「建築物」比「道路」高度更高且形狀更為方正。


    ▲ 明確建立類別的分類指標與門檻

     

  2. 監督式分類法(Supervised Classification)

    機器學習技術廣泛應用在資料科學的領域,在遙測影像分析中亦有愈來愈多研究證實其優異的成效,eCognition提供多種成熟的監督式分類模型,例如:鄰近算法(KNN)、支持向量機(SVM)、決策樹(Decision Tree)、隨機森林(Random Forest)、貝氏分類(Bayes)等。使用者可以直接在影像物件上標註(labeling)做為訓練樣本,或是直接匯入已標註好的資料集,結合內建豐富的物件特徵(feature)來訓練模型,並對整幅影像進行分類,常見的應用為土地利用分類(LULC)。


    ▲ 目標類別標註與分類

     

  3. 非監督式分類法(Unsupervised Classification)

    非監督式分類法是機器學習中的另一大分支,有別於監督式分類,其不需要對樣本進行標註,而是依靠電腦自動對影像中的多光譜資訊計算出相似的群集(cluster)達到自動分類的目的。eCognition提供了ISODATA演算法,根據輸入的影像波段以及欲分群的數量,自動產製分群後的結果。在應用方面,非監督式分類法能夠在短時間內快速分門別類,可以作為影像分析初期判釋的方法。


    ▲ 自動群聚相似的光譜資訊,不須地真資料
    (左圖:原始影像、右圖:分群後的影像)

     

  4. 電腦視覺化(Computer Vision)

    eCognition除了具備專業的影像分類功能之外,還能夠搭配電腦視覺技術偵測影像中的特定目標物,其內建樣板匹配(Template Matching)功能提供使用者建立目標物的樣板,與影像進行匹配計算相關程度,其原理是利用軟體模擬人類的眼睛在影像中掃視,辨識畫面上重複出現與大量的物體,例如:棕梠樹、船隻、車輛等,可以有效率提升數量統計的效率。


    ▲ 植株辨識

     

  5. 深度學習(Deep Learning)

    近十年來最火紅的人工智慧(AI)技術非深度學習莫屬,應用在圖像識別效率與準確度都有突破性的進展。eCognition導入TensorFlow的框架,實現完整的卷積神經網路(Convolution Neural Networks,CNN)訓練流程,從訓練集的生成、神經網路模型建立與參數的設定、訓練與預測、成果驗證與校正,都能夠在eCognition中實現,適合作為對大範圍複雜地物準確分類的重要方法。此外,eCognition結合了深度學習與OBIA技術,將分類精度提升至另一個境界,若能夠搭載強大的GPU顯示卡,在訓練與分類的速度表現上更是如虎添翼。


    ▲ 深度學習影像分類示意圖

     

 

● 支援、整合各式空間資料

除了最基本的影像資料外,eCognition更可充分融合各種地理空間數據,如網格(raster)、三維點雲(point cloud)和GIS向量形式(vector)的主題圖。在OBIA的基礎下交互運用不同資料類型提供的特徵,更多的資料來源也將使得影像分析成果更為精確可靠。

 

● 分類準則建立

eCognition可以整合多種感測器、平台以及解析度的地理資料同時進行分析處理,除了影像外更包含各式網格(raster)、向量(vector)以及點雲(point cloud)數據,使用者在了解各種資料的內涵後,以OBIA搭配上述五大分類技術與內建的上百種特徵因子,建構一套專屬特定分類目標的影像分析準則(Rule Set)。如下圖所示,eCognition可以將準則直接打包紀錄成一個類似於專家知識庫的概念,有如程式的原始碼般,對於類似的分析目的可以直接套用,準則中所記錄的分析參數與流程也可依需求加以彈性調整。

▲ eCognition的分類準則架構圖

 

eCognition能幫你做什麼?

既然瞭解了原理,就要看看eCognition有什麼招式了!接下來介紹幾個使用eCognition完成的專案,希望能讓大家對這套軟體有更多認識。

● 案例一 土地覆蓋分類

舉凡要在影像上找裸露地、崩塌地、檳榔樹、鳳梨田、建築物、魚塭等等各種地物,只要是尋找特定的物體,都可以算是地物分類。下面展示幾個案例:
一般在使用衛星影像調查崩塌潛勢區或新開發的山坡地時,多以肉眼分辨,其實透過適當的衛星影像資源,用影像分類技術,很快就能抓出這些地方。首先,我們可以利用光譜值的篩選,將沒有植被的裸露區標記出來,再來加入地形資料— 數值地形模型(DTM),進一步將崩塌地與裸露地區分開來,如下圖為裸露地與崩塌地的區分成果。


▲ 山區裸露地與崩塌地成果圖

 

在林業和農業的使用上,我們能夠透過光譜找出植物,但是“哪一種”植物,就要透過更多區段的光譜或是紋理來判斷了。下圖案例即是利用不同林相進行紋理分析,在山區區分檳榔樹與一般闊葉林,除了能快速找到檳榔樹栽種範圍外,更能計算栽種面積,有助於林務及水土保持管理單位做資料蒐集。


▲ 相異波段能夠有效區分植生種類


▲ 透過紋理資訊便能輕鬆將檳榔樹與周圍闊葉林區分出來

 

● 案例二 變遷分析

如果能順利分類地表上各種物體,前後期影像變遷地點、方向及面積也都能輕易得知,下圖案例為前後期影像判釋,目的為協助政府機關快速了解都市內有變化的地方,及最新的土地利用狀況。利用不同年份拍攝的航照影像,我們先在影像上區分出各種地物類別,再進階找出建築物有變化的地方,做到快速且大範圍變遷偵測。

 

● 案例三 點雲資料處理與應用

eCognition可直接讀取標準LAS格式的LiDAR點雲進行簡單處理與分類,例如DSM、DTM與NDSM的產製、定義點雲相關特徵輔助點雲分類,例如:回波強度(intensity)、多重回波(multiple echoes)。


▲ DSM、DTM與NDSM的產製


▲ 點雲分類

 

● 其他應用

  1. 快速正確地物分類工作:

    以影像特徵進行地物萃取及分類,準確性高且作業快速。

     

  2. 災害受創評估:

    透過綠覆率計算,判斷地上物毀損狀況,利於快速支援決策

     

  3. 特殊地物大規模萃取:

    突破光譜分類侷限,以形狀特性設定物件參數,批次準確萃取

    • 學校操場自動萃取
    • 建物框自動萃取

     

  4. 光達點雲分類:

    整合影像光譜與光達高程、回波等資訊進行點雲分類

     

  5. 土地利用變遷:

    植被新增(減少)分析、判斷不法人為開墾

     

  6. 林業應用:

    樹種分辨、樹冠計數、森林受災影響範圍

     

  7. 都市規劃應用:

    人工建物範圍、交通路網、都市綠地規劃

     

  8. 海洋應用:

    漏油汙染範圍偵查

     

  9. 海岸線變遷偵測(NDWI數值的應用)

 

要如何加快上手的速度?

在看完上面的專案分享後,你是否也躍躍欲試卻不知該如何開始嗎?
這裡提供幾個小撇步讓你能更快上手:

 a.  要了解最豐富的eCognition案例與知識,請加入官方eCognition Community

 b.  請有經驗的導師一步步帶著你做

 c.  趕緊接洽瑞竣,免費提供試用版嚐鮮

 

瑞竣科技為eCognition系列產品台灣區代理,提供完整之技術支援及售後服務。
更多eCognition訊息,請洽(02)8228-0790#509