基于eCognition的卫星遥感影像分析技术

孙 悦

(中国电子科技集团公司第五十四研究所，河北石家庄050081)

0 引言

近年来随着遥感技术的发展，遥感数据源不断增多，分辨率不断提高，信息提取技术已经成为制约遥感产业化应用的主要瓶颈。一方面，可获取的遥感影像数据正以惊人的速度急剧增长，另一方面，如何从众多的遥感影像信息数据中快速准确地提取用户感兴趣目标，仍是一件繁琐而又艰难的工作，已经成为遥感图像信息和共享的瓶颈难题。

业界提出了许多用于遥感影像分类与信息提取的方法，如基于知识与纹理特征的分类、神经网络分类、模糊分类和基于专家系统的分类等等。但这些方法在本质上还是基于影像像素层次的分类，虽然能在不同程度上对分类精度有所改善，但无法从根本上解决高分辨率遥感影像的高速与准确的信息提取问题［1］。

面向对象的影像信息分析提取方法为解决以上难题提供了很好的解决途径。德国Definiens公司开发的eCognition是全球第一个面向对象的影像分析软件，它模拟人类大脑的认知过程，从不同的尺度和周围对象的关系把握认知目标，是计算机高速处理和人类认知原理的完美结合，兼顾了信息提取处理的速度和精度［2］。本文基于eCognition进行二次开发，实现了对高分辨率遥感影像的高速准确的信息分析与提取。

1 卫星遥感影像分析技术

1.1 遥感影像信息智能提取技术

遥感技术的迅速发展带来的越来越显著的社会、经济和军事应用效益，极大地推动了遥感应用技术的发展。遥感应用技术的重要任务之一是及时、快速、准确地获取目标属性信息，提取用户关心的目标特性。

目前，遥感影像信息分析提取的方式主要有3类:目视判读提取、基于分类的信息提取和基于知识发现的遥感信息提取。

长期以来，目视判读是基于遥感影像的地物提取的常用手段。因为目视判读能综合利用遥感影像中目标的色调或形状、大小、阴影、图案、色彩、纹理、布局和位置等影像特征知识，并结合有关地物的专家知识与其他非遥感数据资料进行综合分析和逻辑推理，从而能达到较高的目标信息提取的精度。但该方法完全依赖于判读人员的判读水平和综合知识掌握程度，其时效性和可重复性较差，难以进行信息化、工程化推广。

基于分类方法的遥感信息自动提取是遥感信息提取最常使用的方法之一，其技术核心是对遥感图像的分割。分割技术早在20世纪七八十年代就出现了，但是因为影像分割算法运算量非常大，早期的计算机软、硬件不能很好地支持影像分割所需的计算规模。但现代计算机技术的高速发展，已经为遥感影像信息分析提取奠定了十分强大的技术基础［3］。

基于知识发现的遥感信息提取技术是遥感影像信息分析与提取技术的发展趋势。该技术通过知识发现，应用知识建立提取信息模型，利用遥感数据和模型提取遥感影像目标信息。从单期遥感影像上发现有关目标的光谱特征知识、空间结构与形态知识、以及目标之间的空间关系知识。从多期遥感影像中进一步发现地物的动态变化过程知识，进而利用所发现的知识建立相应的遥感专题信息提取模型。

高分辨率遥感影像技术的空前发展，对高分辨率影像快速准确信息提取技术提出了更高的要求，传统的目视判读信息提取和像素层次分割分类的方法已经不再适合。而基于知识关联和面向对象的遥感影像信息提取技术，对解决空间分辨率高、纹理信息丰富的高分辨率遥感影像信息分析应用具有重要意义，对发挥经济效益以及军事国防建设都有着非常重要的作用［4，5］。

1.2 面向对象的高分辨率遥感影像分析技术

遥感影像信息分析提取处理技术是遥感技术的重要研究方向。从传统的影像目视解译到后来的计算机辅助分类处理，到当今的自动化分析判读技术，遥感影像信息分析提取方法逐渐从单纯的像素级特性识别向影像知识理解演变。遥感影像中蕴含着丰富的空间、形状、纹理等信息和内在相关关联，而传统的分类方法一般仅能提供位置信息与属性类别输出，像素间的内在联系被舍弃了。即使采用纹理等影像特征辅助分类，其目的也仅是为了提高单个像素级的识别精度与可靠性，而未顾及到遥感影像中丰富空间信息的提取。传统的基于像素级遥感影像分类分析方法中，主要根据地物的光谱特性进行分类，即同类目标像素的特征向量集中在同一特征空间区域，不同的目标光谱特征或空间特征将不同，这样着眼于局部而忽略了目标与周围关联关系，从而制约了信息提取的精度。

随着诸如 IKONOS、QuickBird和 WorldView等空间分辨率小于1 m的遥感系统的发展，基于像素分析的影像分类分析技术难以从高分辨率遥感数据中提取所需要的信息。高分辨率影像数据具有丰富的空间信息，地物几何结构和纹理信息更加明显，更便于认知地物目标的属性特征。与此同时，高分辨率影像的光谱信息相对较弱，影像一般只有4个波段，但是其几何纹理信息丰富，图像目标的结构、形状、纹理和细节等信息都非常突出。由于基于像素的遥感影像信息提取方法存在着不可忽视的弊端和局限，对于高分辨率遥感影像来说，必然会影响分类的精度和数据的利用率。而面向对象的遥感影像分析技术提出了影像对象的概念，将遥感影像分割成相对同质的多个对象，并通过整合空间数据信息、地物光谱信息以及相互关联信息，对遥感影像进行分析。目前面向对象的方法已成为一种主要的遥感影像分类及信息分析提取的方法［6－8］。

1.3 遥感影像目标变化检测技术

卫星遥感技术的迅速发展，遥感影像目标变化监测的应用范围大为扩展，应用深度和精度也大大提高。目前高分辨率卫星影像的应用不仅在国家安全、军事监测和导弹制导等方面有着广泛应用，在军事目标识别定位、军事预警和实时跟踪等高科技军事对抗中也起到了关键作用。基于遥感影像的变化检测技术是通过对不同时相的遥感影像进行比对分析，根据影像之间的差异得到热点地区或兴趣目标的变化信息，并对检测到的变化信息进行自动综合等相应的处理进而生成情报信息，为作战准备和战场决策服务。

此外，基于遥感影像目标变化监测技术的另一重要应用是打击效果评估，它是现代化战争中必不可少的一个重要环节。传统的基于图像分析的打击效果评估方法主要是人工判读方法。针对目前海量遥感影像数据，该方法不但监测速度慢，而且评估结果受判读者的主观影响较大，很难给出定量的评估结果。因此，基于遥感影像目标自动变化监测技术对打击效果进行自动化的高速准确的评估就变得非常必要。采用面向对象方法的多时相遥感图像的自动变化检测技术，对目标区域高分辨率卫星遥感图像或航拍图像进行分析是打击效果自动评估的一种客观而有效的方法，对提高打击效果评估的准确性具有重要意义。

2 eCognition工作原理

eCognition是一种独创的基于对象的影像分析软件。在近10年的发展过程中，它始终为业界领先的数据提供者、产品增值者以及遥感专家提供解决方案。eCognition是一个面向对象的影像分析开发环境，用来在地球科学领域开发规则集，实现遥感数据的自动分析，其在遥感影像信息提取方面所具备的特点与优点如下［9，10］:

①面向对象的思路更为先进与智能性。eCognition软件的基于面向对象处理与基于像素的分析相比，更接近于人类的认知过程。与其他传统的影像分析提取方法和软件不同，面向对象影像分析提取的基本处理单元是影像对象及其相互关联或影像分割后的片断，而不是单个的像素，即分类是基于影像对象的。

②特征与算法非常丰富。eCognition软件的面向对象影像分析最突出的特征是影像对象所包含信息量更加丰富，提供了200多种特征与1 000多种算法，除了色调，还有形状、纹理、环境信息以及不同对象层的信息。根据这些信息，类别之间的语义差异更加明显，分类的精度也非常高。

③多尺度分割技术的应用。采用eCognition软件的面向对象技术进行影像分析，首先应用多尺度分割技术，而后结合软件提供的特征及专家知识库进行信息解译和提取，这些影像处理过程是相互影响的循环过程，也是目前影像信息提取技术方面最为科学和先进的技术之一。

④eCognition能够满足绝大多数地理科学方面的应用任务，以图像目标为基础，通过对不同来源的图像信息赋予相同的值的方法解决了多源数据融合的问题。eCognition的处理主要基于这样的一个理念:语义信息描述的不是单个像素，而是一幅图像，更重要的是表现有语义的图像目标和它们之间的相互关系。

⑤支持复杂任务的分析处理。eCognition允许用户对不同对象属性的分类因子如光谱、纹理和形状等进行合并，还可以利用图像目标的属性和网络图像目标之间的相互关系，通过对上下文信息和语义信息的合并来实现复杂的图像分类。

⑥提取的特征以栅格或矢量的格式导出，其导出的文件可集成到GIS工作流程中。某一任务规则集和应用程序的开发可以在更大的区域中重新使用，完成自动影像分析。

⑦支持使用eCognition SDK进行二次开发。eCognition SDK所具备的开发接口如下:

·Automation API:可以用来实现 Automation Definiens Software和策划不同的进程。Analysis Engnie Software的Local Automation是通过AMI Engine接口来实现的，可以把Analysis Engine Software嵌入到其他软件中。

·DataIO API:可以用来开发驱动和插件，应用于数据连接和交互。可以建立连接器去连接文件系统、二进制图像格式和数据库等。

·Engine API:可以通过插件来扩大Definiens Analysis Engine Software的容量。一个Engine插件可以实现一个算法或者功能。

3 实验过程及分析

3.1 实验系统架构

实验系统包括应用层、处理层和接口层3个层次，其总体框架如图1所示。

3．1．1 应用层

插件式接口封装是建立在接口层服务的基础上，结合了客户需求定义所增加的API接口，客户平台引入插件式结构所需的库文件等，即可进行eCog-nition算法的灵活调用，并选择输出。具体的接口形式需要在项目开发中由开发者与客户方进行协调调整。

3．1．2 处理层

处理层处于应用层和接口层之间，由eCognition的算法集和特征库组成，是eCognition进行影像处理的算法核心。

3．1．3 接口层

接口层是在底层服务的基础上，通过eCognition SDK进行的二次开发，将eCognition Developer中常用的算法和特征提取出来，封装成库，该库的运行需要建立在底层服务运行的基础之上，并提供给应用层进行调用。

3.2 图像解译分析模块设计

集成了eCognition中主要的算法集和特征集，并且允许用户对算法和特征进行定制开发，来实现目标地物的自动解译。同时，系统还可以扩展到其他遥感应用领域［11，12］。

3．2．1 插件接口设计

结合客户需求定义所增加的API接口，客户平台引入插件式结构所需的库文件和头文件等，进行eCognition算法调用，选择输出。具体接口形式可在项目开发中与客户方协调调整。

3．2．2 规则集设置

通过调用eCognition算法，结合专家经验知识对实际影像进行类别提取。包括算法选择、域选择、算法参数设置和域参数设置。如多尺度分割算法，尺度参数设置为50，形状设置为0．1，紧致度为0．5。同时，可以编辑图层名称，包括通道的启用和禁用。

3．2．3 分类设置

在规则集设置之前根据图像数据的实际情况进行分类，在规则集设置的时候，自动地索引到新创建的类别。创建新类的时候可以对类名和类颜色进行设置，还可以删除分类。

3．2．4 规则集编辑

对规则集中某一个算法进行查看，调整参数;也可以删除某一个算法流程。

点击运行即可调用eCognition Engine Service进行处理。

3.3 实验验证

3．3．1 数据输入

使用了多种卫星遥感数据进行实验，如LANDSAT5、SPOT5、ZY和HJ等卫星遥感图像产品。

3．3．2 多尺度分割

虽然其影像分割与人类视觉的理想模式还有一定的差距，但是相对于以往遥感影像解译软件的解译质量已有突破性改善，操作的灵活性和效率亦有重大改进，特别适用于对大比例尺影像的解译，可以在一定程度上解决当前急需的遥感影像解译问题。

3．3．3 流程树功能

实现了处理规则集的功能，对于大区域、同时相的数据，选择训练区域，调整好处理参数后保存，然后对整个区域的数据，可利用保存的规则集进行统一处理，创建的规则集可以移植到其他相似的项目中使用。

3．3．4 类层次功能

可充分利用对象之间的相关信息，对地物特征进行更详细的划分。如利用对象之间的距离特征区分出水体和房屋的阴影。

3．3．5 分类结果

分类后的结果以多种方式输出，可以输出分类对象的属性(如面积，周长等)并进行分析，可以以矢量的格式输出分类的结果。

为了利用本实验系统对ZY－02B卫星高分辨率相机拍摄遥感影像进行信息提取试验。海域遥感影像进行船只信息提取的试验结果如图2所示，湖泊检测提取试验结果如图3所示。

图2 船只检测原始图像和检测结果

图3 湖泊检测原始图像和检测结果

4 结束语

归纳总结了遥感影像信息提取技术的发展现状和面临的问题，阐述了面向对象的高分辨率遥感影像分析提取技术的优势。论述了一种基于面向对象图像分析的软件eCognition二次开发方法，对卫星遥感影像进行智能化信息提取和分析，通过构建演示验证实验，取得了较好的效果。

eCognition面向对象的遥感图像分类方法，能够充分利用高分辨率遥感图像丰富的空间信息的特点，自动提取地物，而且还能输出带有属性表的多边形。可见，自动影像分析技术的提高，将改变极大量的工程只有在大量人力操作的帮助下才能实现的现状。

［1］ 曹 凯，江 南，吕 恒，等．面向对象的SPOT5影像城区水体信息提取研究［J］．国土资源遥感，2007，72(2):27－30．

［2］ 周春燕，王 萍，张振勇，等．基于面向对象信息提取技术的城市用地分类［J］．遥感技术与应用，2008，23(1):31－35．

［3］ LILLESAND T M，KIEFER R W．遥感与图像解译(第4版)［M］．北京:电子工业出版社，2003:394．

［4］ 陈云浩，冯 通，史培军，等．基于面向对象和规则的遥感影像分类研究［J］．武汉大学学报(信息科学版)，2006(4):316－320．

［5］ 张正华，许 晔，苏 权，等．基于背景差分和混合帧差的运动目标检测［J］．无线电工程 ，2012，42(8):14－17．

［6］ 朱剑佑．基于无人机图像的实时人工目标检测［J］．无线电工程，2007，37(10):15 －16．

［7］ 乔 程，骆剑承，吴泉源，等．面向对象的高分辨率影像城市建筑物提取［J］．地理与地理信息科学，2008(5):36－39．

［8］ 葛春青，张凌寒，杨 杰．基于决策树规则的面向对象遥感影像分类［J］．遥感信息，2009(2):86－90．

［9］ 王文宇，李 博．基于eCogniton的高分辨率遥感图像的自动识别分类技术［J］．北京建筑工程学院学报，2006(4):26－29．

［10］牛春盈，江万寿，黄先锋，等．面向对象影像信息提取软件Feature Analyst和eCognition的分析与比较［J］．遥感信息，2007(2):66－71．

［11］张 振．高分辨率可见光遥感图像港口及港内目标识别方法研究［D］．合肥:中国科学技术大学硕士学位论文，2005:12－14．

［12］李文武．中低分辨率光学遥感图像舰船目标检测算法研究［D］．长沙:国防科学技术大学硕士学位论文，2008:21－22．