基于eCognition的衛星遙感影像分析技術

孫 悅

(中國電子科技集團公司第五十四研究所，河北石家莊050081)

0 引言

近年來隨著遙感技術的發展，遙感數據源不斷增多，分辨率不斷提高，信息提取技術已經成為制約遙感產業化應用的主要瓶頸。一方面，可獲取的遙感影像數據正以驚人的速度急劇增長，另一方面，如何從眾多的遙感影像信息數據中快速準確地提取用戶感興趣目標，仍是一件繁瑣而又艱難的工作，已經成為遙感圖像信息和共享的瓶頸難題。

業界提出了許多用于遙感影像分類與信息提取的方法，如基于知識與紋理特征的分類、神經網絡分類、模糊分類和基于專家系統的分類等等。但這些方法在本質上還是基于影像像素層次的分類，雖然能在不同程度上對分類精度有所改善，但無法從根本上解決高分辨率遙感影像的高速與準確的信息提取問題［1］。

面向對象的影像信息分析提取方法為解決以上難題提供了很好的解決途徑。德國Definiens公司開發的eCognition是全球第一個面向對象的影像分析軟件，它模擬人類大腦的認知過程，從不同的尺度和周圍對象的關系把握認知目標，是計算機高速處理和人類認知原理的完美結合，兼顧了信息提取處理的速度和精度［2］。本文基于eCognition進行二次開發，實現了對高分辨率遙感影像的高速準確的信息分析與提取。

1 衛星遙感影像分析技術

1.1 遙感影像信息智能提取技術

遙感技術的迅速發展帶來的越來越顯著的社會、經濟和軍事應用效益，極大地推動了遙感應用技術的發展。遙感應用技術的重要任務之一是及時、快速、準確地獲取目標屬性信息，提取用戶關心的目標特性。

目前，遙感影像信息分析提取的方式主要有3類:目視判讀提取、基于分類的信息提取和基于知識發現的遙感信息提取。

長期以來，目視判讀是基于遙感影像的地物提取的常用手段。因為目視判讀能綜合利用遙感影像中目標的色調或形狀、大小、陰影、圖案、色彩、紋理、布局和位置等影像特征知識，并結合有關地物的專家知識與其他非遙感數據資料進行綜合分析和邏輯推理，從而能達到較高的目標信息提取的精度。但該方法完全依賴于判讀人員的判讀水平和綜合知識掌握程度，其時效性和可重復性較差，難以進行信息化、工程化推廣。

基于分類方法的遙感信息自動提取是遙感信息提取最常使用的方法之一，其技術核心是對遙感圖像的分割。分割技術早在20世紀七八十年代就出現了，但是因為影像分割算法運算量非常大，早期的計算機軟、硬件不能很好地支持影像分割所需的計算規模。但現代計算機技術的高速發展，已經為遙感影像信息分析提取奠定了十分強大的技術基礎［3］。

基于知識發現的遙感信息提取技術是遙感影像信息分析與提取技術的發展趨勢。該技術通過知識發現，應用知識建立提取信息模型，利用遙感數據和模型提取遙感影像目標信息。從單期遙感影像上發現有關目標的光譜特征知識、空間結構與形態知識、以及目標之間的空間關系知識。從多期遙感影像中進一步發現地物的動態變化過程知識，進而利用所發現的知識建立相應的遙感專題信息提取模型。

高分辨率遙感影像技術的空前發展，對高分辨率影像快速準確信息提取技術提出了更高的要求，傳統的目視判讀信息提取和像素層次分割分類的方法已經不再適合。而基于知識關聯和面向對象的遙感影像信息提取技術，對解決空間分辨率高、紋理信息豐富的高分辨率遙感影像信息分析應用具有重要意義，對發揮經濟效益以及軍事國防建設都有著非常重要的作用［4，5］。

1.2 面向對象的高分辨率遙感影像分析技術

遙感影像信息分析提取處理技術是遙感技術的重要研究方向。從傳統的影像目視解譯到后來的計算機輔助分類處理，到當今的自動化分析判讀技術，遙感影像信息分析提取方法逐漸從單純的像素級特性識別向影像知識理解演變。遙感影像中蘊含著豐富的空間、形狀、紋理等信息和內在相關關聯，而傳統的分類方法一般僅能提供位置信息與屬性類別輸出，像素間的內在聯系被舍棄了。即使采用紋理等影像特征輔助分類，其目的也僅是為了提高單個像素級的識別精度與可靠性，而未顧及到遙感影像中豐富空間信息的提取。傳統的基于像素級遙感影像分類分析方法中，主要根據地物的光譜特性進行分類，即同類目標像素的特征向量集中在同一特征空間區域，不同的目標光譜特征或空間特征將不同，這樣著眼于局部而忽略了目標與周圍關聯關系，從而制約了信息提取的精度。

隨著諸如 IKONOS、QuickBird和 WorldView等空間分辨率小于1 m的遙感系統的發展，基于像素分析的影像分類分析技術難以從高分辨率遙感數據中提取所需要的信息。高分辨率影像數據具有豐富的空間信息，地物幾何結構和紋理信息更加明顯，更便于認知地物目標的屬性特征。與此同時，高分辨率影像的光譜信息相對較弱，影像一般只有4個波段，但是其幾何紋理信息豐富，圖像目標的結構、形狀、紋理和細節等信息都非常突出。由于基于像素的遙感影像信息提取方法存在著不可忽視的弊端和局限，對于高分辨率遙感影像來說，必然會影響分類的精度和數據的利用率。而面向對象的遙感影像分析技術提出了影像對象的概念，將遙感影像分割成相對同質的多個對象，并通過整合空間數據信息、地物光譜信息以及相互關聯信息，對遙感影像進行分析。目前面向對象的方法已成為一種主要的遙感影像分類及信息分析提取的方法［6－8］。

1.3 遙感影像目標變化檢測技術

衛星遙感技術的迅速發展，遙感影像目標變化監測的應用范圍大為擴展，應用深度和精度也大大提高。目前高分辨率衛星影像的應用不僅在國家安全、軍事監測和導彈制導等方面有著廣泛應用，在軍事目標識別定位、軍事預警和實時跟蹤等高科技軍事對抗中也起到了關鍵作用。基于遙感影像的變化檢測技術是通過對不同時相的遙感影像進行比對分析，根據影像之間的差異得到熱點地區或興趣目標的變化信息，并對檢測到的變化信息進行自動綜合等相應的處理進而生成情報信息，為作戰準備和戰場決策服務。

此外，基于遙感影像目標變化監測技術的另一重要應用是打擊效果評估，它是現代化戰爭中必不可少的一個重要環節。傳統的基于圖像分析的打擊效果評估方法主要是人工判讀方法。針對目前海量遙感影像數據，該方法不但監測速度慢，而且評估結果受判讀者的主觀影響較大，很難給出定量的評估結果。因此，基于遙感影像目標自動變化監測技術對打擊效果進行自動化的高速準確的評估就變得非常必要。采用面向對象方法的多時相遙感圖像的自動變化檢測技術，對目標區域高分辨率衛星遙感圖像或航拍圖像進行分析是打擊效果自動評估的一種客觀而有效的方法，對提高打擊效果評估的準確性具有重要意義。

2 eCognition工作原理

eCognition是一種獨創的基于對象的影像分析軟件。在近10年的發展過程中，它始終為業界領先的數據提供者、產品增值者以及遙感專家提供解決方案。eCognition是一個面向對象的影像分析開發環境，用來在地球科學領域開發規則集，實現遙感數據的自動分析，其在遙感影像信息提取方面所具備的特點與優點如下［9，10］:

①面向對象的思路更為先進與智能性。eCognition軟件的基于面向對象處理與基于像素的分析相比，更接近于人類的認知過程。與其他傳統的影像分析提取方法和軟件不同，面向對象影像分析提取的基本處理單元是影像對象及其相互關聯或影像分割后的片斷，而不是單個的像素，即分類是基于影像對象的。

②特征與算法非常豐富。eCognition軟件的面向對象影像分析最突出的特征是影像對象所包含信息量更加豐富，提供了200多種特征與1 000多種算法，除了色調，還有形狀、紋理、環境信息以及不同對象層的信息。根據這些信息，類別之間的語義差異更加明顯，分類的精度也非常高。

③多尺度分割技術的應用。采用eCognition軟件的面向對象技術進行影像分析，首先應用多尺度分割技術，而后結合軟件提供的特征及專家知識庫進行信息解譯和提取，這些影像處理過程是相互影響的循環過程，也是目前影像信息提取技術方面最為科學和先進的技術之一。

④eCognition能夠滿足絕大多數地理科學方面的應用任務，以圖像目標為基礎，通過對不同來源的圖像信息賦予相同的值的方法解決了多源數據融合的問題。eCognition的處理主要基于這樣的一個理念:語義信息描述的不是單個像素，而是一幅圖像，更重要的是表現有語義的圖像目標和它們之間的相互關系。

⑤支持復雜任務的分析處理。eCognition允許用戶對不同對象屬性的分類因子如光譜、紋理和形狀等進行合并，還可以利用圖像目標的屬性和網絡圖像目標之間的相互關系，通過對上下文信息和語義信息的合并來實現復雜的圖像分類。

⑥提取的特征以柵格或矢量的格式導出，其導出的文件可集成到GIS工作流程中。某一任務規則集和應用程序的開發可以在更大的區域中重新使用，完成自動影像分析。

⑦支持使用eCognition SDK進行二次開發。eCognition SDK所具備的開發接口如下:

·Automation API:可以用來實現 Automation Definiens Software和策劃不同的進程。Analysis Engnie Software的Local Automation是通過AMI Engine接口來實現的，可以把Analysis Engine Software嵌入到其他軟件中。

·DataIO API:可以用來開發驅動和插件，應用于數據連接和交互。可以建立連接器去連接文件系統、二進制圖像格式和數據庫等。

·Engine API:可以通過插件來擴大Definiens Analysis Engine Software的容量。一個Engine插件可以實現一個算法或者功能。

3 實驗過程及分析

3.1 實驗系統架構

實驗系統包括應用層、處理層和接口層3個層次，其總體框架如圖1所示。

3．1．1 應用層

插件式接口封裝是建立在接口層服務的基礎上，結合了客戶需求定義所增加的API接口，客戶平臺引入插件式結構所需的庫文件等，即可進行eCog-nition算法的靈活調用，并選擇輸出。具體的接口形式需要在項目開發中由開發者與客戶方進行協調調整。

3．1．2 處理層

處理層處于應用層和接口層之間，由eCognition的算法集和特征庫組成，是eCognition進行影像處理的算法核心。

3．1．3 接口層

接口層是在底層服務的基礎上，通過eCognition SDK進行的二次開發，將eCognition Developer中常用的算法和特征提取出來，封裝成庫，該庫的運行需要建立在底層服務運行的基礎之上，并提供給應用層進行調用。

3.2 圖像解譯分析模塊設計

集成了eCognition中主要的算法集和特征集，并且允許用戶對算法和特征進行定制開發，來實現目標地物的自動解譯。同時，系統還可以擴展到其他遙感應用領域［11，12］。

3．2．1 插件接口設計

結合客戶需求定義所增加的API接口，客戶平臺引入插件式結構所需的庫文件和頭文件等，進行eCognition算法調用，選擇輸出。具體接口形式可在項目開發中與客戶方協調調整。

3．2．2 規則集設置

通過調用eCognition算法，結合專家經驗知識對實際影像進行類別提取。包括算法選擇、域選擇、算法參數設置和域參數設置。如多尺度分割算法，尺度參數設置為50，形狀設置為0．1，緊致度為0．5。同時，可以編輯圖層名稱，包括通道的啟用和禁用。

3．2．3 分類設置

在規則集設置之前根據圖像數據的實際情況進行分類，在規則集設置的時候，自動地索引到新創建的類別。創建新類的時候可以對類名和類顏色進行設置，還可以刪除分類。

3．2．4 規則集編輯

對規則集中某一個算法進行查看，調整參數;也可以刪除某一個算法流程。

點擊運行即可調用eCognition Engine Service進行處理。

3.3 實驗驗證

3．3．1 數據輸入

使用了多種衛星遙感數據進行實驗，如LANDSAT5、SPOT5、ZY和HJ等衛星遙感圖像產品。

3．3．2 多尺度分割

雖然其影像分割與人類視覺的理想模式還有一定的差距，但是相對于以往遙感影像解譯軟件的解譯質量已有突破性改善，操作的靈活性和效率亦有重大改進，特別適用于對大比例尺影像的解譯，可以在一定程度上解決當前急需的遙感影像解譯問題。

3．3．3 流程樹功能

實現了處理規則集的功能，對于大區域、同時相的數據，選擇訓練區域，調整好處理參數后保存，然后對整個區域的數據，可利用保存的規則集進行統一處理，創建的規則集可以移植到其他相似的項目中使用。

3．3．4 類層次功能

可充分利用對象之間的相關信息，對地物特征進行更詳細的劃分。如利用對象之間的距離特征區分出水體和房屋的陰影。

3．3．5 分類結果

分類后的結果以多種方式輸出，可以輸出分類對象的屬性(如面積，周長等)并進行分析，可以以矢量的格式輸出分類的結果。

為了利用本實驗系統對ZY－02B衛星高分辨率相機拍攝遙感影像進行信息提取試驗。海域遙感影像進行船只信息提取的試驗結果如圖2所示，湖泊檢測提取試驗結果如圖3所示。

圖2 船只檢測原始圖像和檢測結果

圖3 湖泊檢測原始圖像和檢測結果

4 結束語

歸納總結了遙感影像信息提取技術的發展現狀和面臨的問題，闡述了面向對象的高分辨率遙感影像分析提取技術的優勢。論述了一種基于面向對象圖像分析的軟件eCognition二次開發方法，對衛星遙感影像進行智能化信息提取和分析，通過構建演示驗證實驗，取得了較好的效果。

eCognition面向對象的遙感圖像分類方法，能夠充分利用高分辨率遙感圖像豐富的空間信息的特點，自動提取地物，而且還能輸出帶有屬性表的多邊形。可見，自動影像分析技術的提高，將改變極大量的工程只有在大量人力操作的幫助下才能實現的現狀。

［1］ 曹 凱，江 南，呂 恒，等．面向對象的SPOT5影像城區水體信息提取研究［J］．國土資源遙感，2007，72(2):27－30．

［2］ 周春燕，王 萍，張振勇，等．基于面向對象信息提取技術的城市用地分類［J］．遙感技術與應用，2008，23(1):31－35．

［3］ LILLESAND T M，KIEFER R W．遙感與圖像解譯(第4版)［M］．北京:電子工業出版社，2003:394．

［4］ 陳云浩，馮 通，史培軍，等．基于面向對象和規則的遙感影像分類研究［J］．武漢大學學報(信息科學版)，2006(4):316－320．

［5］ 張正華，許 曄，蘇 權，等．基于背景差分和混合幀差的運動目標檢測［J］．無線電工程 ，2012，42(8):14－17．

［6］ 朱劍佑．基于無人機圖像的實時人工目標檢測［J］．無線電工程，2007，37(10):15 －16．

［7］ 喬 程，駱劍承，吳泉源，等．面向對象的高分辨率影像城市建筑物提取［J］．地理與地理信息科學，2008(5):36－39．

［8］ 葛春青，張凌寒，楊 杰．基于決策樹規則的面向對象遙感影像分類［J］．遙感信息，2009(2):86－90．

［9］ 王文宇，李 博．基于eCogniton的高分辨率遙感圖像的自動識別分類技術［J］．北京建筑工程學院學報，2006(4):26－29．

［10］牛春盈，江萬壽，黃先鋒，等．面向對象影像信息提取軟件Feature Analyst和eCognition的分析與比較［J］．遙感信息，2007(2):66－71．

［11］張 振．高分辨率可見光遙感圖像港口及港內目標識別方法研究［D］．合肥:中國科學技術大學碩士學位論文，2005:12－14．

［12］李文武．中低分辨率光學遙感圖像艦船目標檢測算法研究［D］．長沙:國防科學技術大學碩士學位論文，2008:21－22．