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下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,它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
進階版

主要開發工具,開發者可結合其強大的演算法及多元特徵,更有彈性地開發、編修分類準則

eCognition Essentials
初階版

模組化介面,參數調整容易,適合分類類別單純的用戶,核心功能及標的為土地利用分類。

eCognition Architect

提供圖形化介面,結合已完成分類準則進行標準作業環境,並提供調整準則參數介面,進行影像分析

eCognition Server

提供平行處理,充分發揮分工效能,使得影像分析工作更有效率。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;而物件示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)

 

● 知識導向的分析架構

eCognition可整合多種感測器、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,可以基於自身知識(knowledge-based)以內建的上百種演算工具搭配特徵因子,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可將準則直接打包紀錄成一個類似於專家知識庫的概念,對於類似的分析目的可以直接套用,準則中的所記錄的分析參數也可以彈性調整。


▲ 基於知識的影像分析流程

 

監督式影像分析是假設使用者對各類別差異不用太過了解,僅透過樣本選取,軟體會針對選取的樣本進行機器學習,自行找出各類別間的光譜差異,以類似大數據AI的概念自動化分類影像上性質相同的區塊,此種分析方法相比非監督式較不耗費人力,且在演算法日異月新的情況下,其分類的精度也能達到一定的水準,近年來,eCognition也積極增進監督式分類模組, 如SVM、CNN等機器學習分類法都可以在軟體中使用。eCognition為一套超全面性影像分析軟體,只要是您聽過的影像分類方式,它都可以支援。

 

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 地物分類

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,用影像分類基數我們很快就能抓出這些地方。首先,利用我們可以利用光譜,先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。


▲ 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

當然,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 數量盤點

Template Matching也是eCognition獨特的功能之一,有時我們需要在圖面上進行物體數量的盤點,顧名思義,如能建立物體樣版,軟體就能透過匹配的方式尋找畫面上所有相同的物體並進行數量統計,如下圖則是外國栽種樹木栽種清點案例。此方法對於大面積的種植清點相當有幫助。

 

其他應用

◆ 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

◆ 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

◆ 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

  1. 學校操場自動萃取

  2. 建物框自動萃取

◆ 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

◆ 土地利用變遷:植被新增(減少)分析、判斷不法人為開墾

◆ 林業應用:樹種分辨、樹冠計數、森林受災影響範圍

◆ 都市規劃應用:人工建物範圍、交通路網、都市綠地規劃

◆ 海洋應用:漏油汙染範圍偵查

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.  上eCognition Community觀看他人分享的Rule

 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
連結至eCognition原廠網站