eCognition-Alternativen: Objektbasierte Bildanalyse ohne Lizenz

Auf der eigenen Produktseite von Trimble steht: „Trimble eCognition is no longer actively sold. This page remains active for existing customers to access software downloads.“ Ich habe diesen Hinweis am 23. August 2026 gelesen. Damit hat sich die Frage geändert. Es geht nicht mehr darum, ob sich die Verlängerung der Lizenz lohnt, sondern darum, welches kostenlose Tool welchen Teil der Arbeit abdeckt. Und für einen Teil gibt es keinen kostenlosen Ersatz.

Ich bin Mitgründer von TerraLab, daher stammt AI Segmentation gegen Ende von uns. Dieselben Spalten, dieselbe einzeilige Begrenzung wie bei allen anderen.

Was eCognition tatsächlich bietet

eCognition ist eine Umgebung für objektbasierte Bildanalyse und kein Knopf, der Gebäude findet. Jede Phase wird von Ihnen manuell gesteuert.

Zuerst kommt die Segmentierung. Die Multiresolution-Segmentierung beginnt bei einzelnen Pixeln und führt Nachbarn zusammen, solange ein Homogenitätsschwellenwert eingehalten wird. Sie legen einen Maßstabsparameter für die Objektgröße fest, teilen die Homogenität zwischen Farbe und Form auf und teilen die Form anschließend zwischen Glätte und Kompaktheit auf. Die Form darf 0.9 nicht überschreiten. Diese vier Zahlen sind das eigentliche Handwerk, und Sie stimmen sie für jeden Sensor und jede Landschaft neu ab.

Danach folgt eine Klassenhierarchie, die Sie selbst schreiben: Klassen, vererbte Merkmale, Zugehörigkeitsfunktionen für spektrale Mittelwerte, Textur, Fläche, Nachbarn sowie Beziehungen zu übergeordneten und untergeordneten Objekten. Dann führen Sie sie aus, sehen sich das Ergebnis an, ändern die Zahlen und führen sie erneut aus.

Das entscheidende Ergebnis ist der Regelsatz, gespeichert als .dcp-Datei oder verpackt als .dax-Lösung, nicht die Polygone. Diese Datei ist die Methode. Sie geben sie an einen Kollegen weiter, führen sie über eCognition Server auf tausend Kacheln aus, erhalten jedes Mal dieselbe Klassifizierung und können einem Prüfer zeigen, warum ein Polygon als Gebäude erkannt wurde.

Heute ersetzt nichts Kostenlose diesen Funktionsumfang vollständig. Jedes unten aufgeführte Tool liefert Ihnen einen einzelnen Schritt. Keines bietet eine portable, versionierte Regelsatzdatei, die ein Kollege unverändert ausführen und in einer Prüfung verteidigen kann. Wenn Ihr Ergebnis die Methode und nicht die Karte ist, behalten Sie einen Rechner, der Ihre .dcp-Dateien noch öffnen kann.

Trimble's Dokumentation zu Regelsätzen und die Referenz zur Multiresolution-Segmentierung sind weiterhin online und kostenlos lesbar.

Weg 1: Sie benötigen nur den Segmentierungsschritt

Diese Tools teilen das Bild in Objekte auf. Sie klassifizieren sie nicht.

1. Orfeo ToolBox

Das beste kostenlose Gegenstück zur Segmentierungsphase von eCognition und das einzige, das für große Szenen entwickelt wurde.

• Installation OTB und anschließend das OrfeoToolbox Provider plugin. Es wurde ab QGIS 3.36 aus dem QGIS-Kern entfernt. Das CookBook erklärt die Einrichtung. Die Befehlszeile funktioniert ebenfalls.
• Ausführung auf Ihrem Rechner, nur CPU, kein Konto.
• Eingabe und Ausgabe beliebige raster. LargeScaleMeanShift kombiniert Glättung, Segmentierung, das Zusammenführen kleiner Regionen und Vektorisierung. Die Ausgabe ist eine Vektordatei, deren Polygone bereits den Mittelwert und die Standardabweichung pro Band enthalten. Diese Tabelle speist anschließend den Klassifikator.
• Kosten kostenlos, Apache 2.0.
• Grenzen der Standardeinstellungen: räumlicher Radius 5, Bereichsradius 15, Mindestgröße 50 Pixel, Kacheln mit 500 mal 500 Pixeln. Rechnen Sie mit mehreren Durchläufen, bevor die Objektgröße stimmt.

orfeo-toolbox.org · LargeScaleMeanShift

2. GRASS i.segment

Bereits in , da GRASS mitgeliefert wird.

• Installation nichts. Der GRASS-Provider ist standardmäßig in Processing enthalten.
• Ausführung auf Ihrem Rechner, nur CPU, kein Konto.
• Eingabe und Ausgabe eine Bildgruppe. Ausgegeben wird ein Segment-raster, das i.segment.stats in Objektstatistiken umwandelt, die Sie klassifizieren können.
• Kosten kostenlos, GPL.
• Grenzen Ihre Geduld. Es gibt zwei Methoden, Region Growing und Mean Shift. Der Schwellenwert für Region Growing hat keine physikalische Bedeutung, daher finden Sie ihn per Bisektion. Das Addon i.segment.uspo automatisiert diese Suche und benötigt dafür Stunden.

i.segment-Handbuch · i.segment.stats · i.segment.uspo

3. SAGA

Der schnellste Weg, eine Segmentierung zu sehen, ohne ein Handbuch zu lesen.

• Installation des Processing Saga NextGen Provider plugin und zusätzlich SAGA selbst. Es wurde aus dem QGIS-Kernbestand der Processing-Tools entfernt.
• Ausführung auf Ihrem Rechner, nur CPU, kein Konto.
• Eingabe und Ausgabe Grids als Eingabe, ein Segment-Grid und optional Polygone als Ausgabe.
• Kosten kostenlos. GPL, mit API unter LGPL.
• Grenzen alles, was skalieren oder wiederholt werden muss. Die Bibliothek Imagery, Segmentation enthält Seeded Region Growing, Superpixel Segmentation, Watershed Segmentation und drei Hilfsfunktionen und lässt sich schnell ausprobieren. Ein Framework für Objektmerkmale fehlt, daher müssen Sie den Statistikschritt selbst aufbauen.

saga-gis.sourceforge.io

4. scikit-image und RSGISLib

Für alle, die die Segmentierung lieber schreiben als anklicken.

• Installation einer Python-Umgebung. scikit-image wird über pip oder conda installiert, RSGISLib über conda und ist umfangreicher.
• Ausführung auf Ihrem Rechner, nur CPU, kein Konto.
• Eingabe und Ausgabe Arrays als Eingabe, Label-Arrays als Ausgabe. Die Georeferenzierung müssen Sie über rasterio oder GDAL selbst übernehmen.
• Kosten kostenlos. scikit-image ist BSD-3-Clause, RSGISLib ist GPL v3.
• Grenzen die technische Anbindung. Felzenszwalb, quickshift, SLIC und watershed benötigen jeweils nur vier Zeilen, und keiner dieser Algorithmen weiß, was ein CRS ist. Die Shepherd-Segmentierung von RSGISLib ist die am ehesten vergleichbare veröffentlichte Lösung zu eCognition. Sie wird nur über conda-forge installiert, und die Website antwortete am 23. August 2026 nicht über https. Verwenden Sie daher das Repository.

Beispiele zur scikit-image-Segmentierung · RSGISLib-Repository

Weg 2: Sie möchten eine überwachte Klassifizierung

Sie zeichnen Trainingsflächen, das Tool lernt daraus, und das gesamte raster wird beschriftet. Das ist die Hälfte von eCognition, die kostenlose Software tatsächlich abdeckt.

5. Semi-Automatic Classification Plugin

Die erste Anlaufstelle für die meisten eCognition-Nutzer, die wechseln, und das zu Recht.

• Installation des plugin und anschließend der Abhängigkeiten, die es selbst herunterlädt. Es basiert auf Remotior Sensus und verwendet scikit-learn und PyTorch.
• Ausführung auf Ihrem Rechner, CPU reicht aus, kein Konto. Ein optionales Tool lädt Landsat- und Sentinel-2-Szenen herunter. Nur dabei wird ein Server kontaktiert.
• Eingabe und Ausgabe ein Multiband-raster plus von Ihnen gezeichnete Trainingsflächen. Ausgegeben werden ein klassifiziertes raster, ein Genauigkeitsbericht und auf Wunsch ein Vektor-layer. Algorithmen: Maximum Likelihood, Minimum Distance, Spectral Angle Mapping, Random Forest, Support Vector Machine und ein Multi-Layer Perceptron.
• Kosten kostenlos, GPL v3.
• Grenzen Objekte. Es klassifiziert Pixel und keine Segmente. Ein Dach kommt daher mit einem fleckigen Ergebnis zurück, das Sie anschließend bereinigen müssen.

Handbuch · Plugin-Eintrag

6. dzetsaka

Kleiner, schneller zu erlernen und in etwa einer Minute ist ein Modell trainiert.

• Installation des plugin. Wenn Sie einen Algorithmus auswählen, dessen Bibliothek fehlt, bietet das plugin die Installation über pip an und zeigt den Fortschritt im QGIS-Log. Ein Terminal müssen Sie daher nur selten öffnen.
• Ausführung auf Ihrem Rechner, nur CPU, kein Konto.
• Eingabe und Ausgabe ein raster plus ein shapefile mit Regionen von Interesse. Ein klassifiziertes raster und eine gespeicherte Modelldatei. Elf Algorithmen, von einem Gaussian Mixture Model, das nichts außer QGIS benötigt, bis zu XGBoost und CatBoost.
• Kosten kostenlos, GPL v3.
• Grenzen Textbeschriftungen. Die ROI-Spalte muss Klassennummern und keine Namen enthalten.

Repository · Plugin-Eintrag

7. GRASS i.maxlik und r.learn.ml2

Bereits installiert und das Paar, das sich am besten skripten lässt.

• Installation für i.maxlik nichts. r.learn.ml2 ist ein Addon und benötigt scikit-learn.
• Ausführung auf Ihrem Rechner, nur CPU, kein Konto.
• Eingabe und Ausgabe für das erste Tool eine Signaturdatei aus i.gensig, für das zweite einen raster-Stack plus Beschriftungen. Klassifizierte raster als Ausgabe.
• Kosten kostenlos, GPL.
• Grenzen Auffindbarkeit. Die Parameternamen setzen voraus, dass Sie das GRASS-Datenmodell bereits kennen. Sobald das der Fall ist, passen sie direkt in eine Bash- oder Python-Pipeline. Das kommt einer eCognition-Server-Stapelverarbeitung am nächsten, was kostenlose Software zu bieten hat.

i.maxlik · r.learn.ml2

8. Orfeo TrainImagesClassifier

Kombinieren Sie es mit LargeScaleMeanShift, und Sie erhalten eine echte objektbasierte Kette: segmentieren, Objektstatistiken berechnen, klassifizieren.

• Installation von OTB wie oben beschrieben.
• Ausführung auf Ihrem Rechner, nur CPU, kein Konto.
• Eingabe und Ausgabe Bild- und Trainingsvektorpaare als Eingabe. Eine Modelldatei als Ausgabe sowie auf Wunsch eine Konfusionsmatrix. Es schreibt weder ein Bild noch einen Vektor, daher wenden Sie das Modell anschließend mit ImageClassifier oder VectorClassifier an.
• Kosten kostenlos, Apache 2.0.
• Grenzen beim ersten Kontakt. Das Tool basiert auf LibSVM, OpenCV machine learning und Shark ML, jeweils mit einem eigenen Parameterblock. Lesen Sie die CookBook-Seite, bevor Sie es ausführen, nicht danach.

TrainImagesClassifier

Weg 3: Sie möchten das Objekt erhalten, ohne einen Regelsatz zu schreiben

Modellbasierte Tools. Sie verzichten auf die Feinabstimmung und die Prüfbarkeit und erhalten dafür heute ein Ergebnis.

9. Deepness

Führt jedes von Ihnen bereitgestellte ONNX-Modell kachelweise über ein raster aus.

• Installation des plugin. Beim ersten Start installiert es OpenCV und ONNX Runtime über pip.
• Ausführung auf Ihrem Rechner. CPU funktioniert, für eine GPU benötigen Sie Ihre eigene CUDA-Einrichtung. Kein Konto, nichts wird übertragen.
• Eingabe und Ausgabe jedes raster-layer, einschließlich einer XYZ- oder WMS-Basiskarte, plus Ihr ONNX-Modell. Ein Vektor- oder raster-layer als Ausgabe.
• Kosten kostenlos, Apache 2.0.
• Grenzen Bildmaterial außerhalb des Trainingsbereichs des Modells. Ein auf 25-cm-Bildmaterial trainiertes Modell kann keinen 5-cm-Drohnenflug zuverlässig lesen, und das plugin kann Sie davor nicht warnen.

Repository

10. Geo-SAM

Segment Anything in einem QGIS-Panel, ein prompt nach dem anderen.

• Installation des plugin, seit Version 2.0 über den Plugin-Manager. Die eigenen Checkpoints werden innerhalb von QGIS heruntergeladen.
• Ausführung auf Ihrem Rechner, schnell genug auf einer Laptop-CPU. Kein Konto, nichts wird übertragen.
• Eingabe und Ausgabe eine raster-Datei oder ein XYZ-, WMS- oder WMTS-layer. Ein Polygon pro Klick oder Box, gespeichert in einem Shapefile.
• Kosten kostenlos, MIT.
• Grenzen Flächenarbeit. Das Tool gibt jeweils nur ein Objekt zurück. Seit 2.0 gibt es zwei Modi. Im vorab codierten Modus können Sie nur innerhalb des Bereichs prompten, den Sie zuerst codiert haben.

Repository · Plugin-Eintrag

11. samgeo

Dieselben Modelle als Python-Paket, für ganze Szenen.

• Installation einer Python-Umgebung und anschließend des Pakets. Planen Sie beim ersten Mal einen Nachmittag ein.
• Ausführung auf Ihrem Rechner, GPU empfohlen. Kein Konto, aber die Gewichte müssen tatsächlich heruntergeladen werden.
• Eingabe und Ausgabe ein GeoTIFF oder von dem Tool geladene Basiskarten-Kacheln. Masken-raster plus GeoJSON, Shapefile oder GeoPackage.
• Kosten kostenlos, MIT.
• Grenzen Büro-Laptops und CRS-Abweichungen, weil nichts reprojiziert wird. Dies ist eine Bibliothek. Sie schreiben den Code selbst, sofern Sie nicht das begleitende plugin hinzufügen.

samgeo.gishub.org · Repository

12. GeoAI

Ein Panel pro Aufgabe plus ein Trainer für Ihre eigenen Modelle.

• Installation des plugin und eines PyTorch-Stacks darunter. Das Projekt sagt selbst, dass die CUDA-Abhängigkeiten die Installation schwierig machen, und das stimmt.
• Ausführung auf Ihrem Rechner, in der Praxis mit NVIDIA-Karte. Kein Konto, nichts wird übertragen.
• Eingabe und Ausgabe ein raster-layer. Polygone und Masken, ein Panel pro Aufgabe.
• Kosten kostenlos, MIT.
• Grenzen die Installation, häufiger als das Bildmaterial. Sobald es läuft, ist dies die umfangreichste Toolbox hier: Segment Anything, Baumkronen, Wassermasken, Mask R-CNN.

Repository · Plugin-Eintrag

13. Mapflow

Sie zeichnen einen Bereich, wählen eine Klasse und erhalten Vektoren von den Servern des Anbieters zurück.

• Installation nur des plugin.
• Ausführung auf den Servern von Geoalert. Keine GPU, ein Konto ist erforderlich, und das Bildmaterial verlässt Ihren Rechner bei jedem Auftrag.
• Eingabe und Ausgabe ein von Ihnen gezeichneter Bereich. Vektor-layer nach Klasse.
• Kosten Credits zu je $0.10. Gebäude kosten 10 Credits pro km², eine Basiskarte mit Zoomstufe 18 fügt 3 hinzu, also etwa $1.30 pro km². Der kostenlose Tarif umfasst 250 Credits und ist auf 25 km² begrenzt.
• Grenzen dicht bebaute Strukturen. Reihenhäuser verschmelzen zu einem einzigen Polygon, wie auf den eigenen Screenshots sichtbar.

mapflow.ai

14. AI Segmentation, von uns

Sie zeichnen eine Zone, schreiben das Objekt in einfachen Worten und erhalten alle Treffer als Polygone.

• Installation nur des plugin. Keine Gewichte, kein CUDA, keine Python-Umgebung.
• Ausführung auf unseren Servern für die beiden Cloud-Modi und auf Ihrem Rechner für das kleine lokale Modell in Semi-Auto. Keine GPU in beiden Fällen. Ein kostenloses Konto ist erforderlich.
• Eingabe und Ausgabe Orthofotos und Basiskarten. Ein formatiertes GeoPackage als Ausgabe, ein Polygon pro Objekt, mit Label, Klasse, Konfidenzwert und Fläche.
• Kosten Der kostenlose Tarif umfasst 3 km² Automatic detection und 50 Semi-Auto object detections pro Monat, ohne Karte. Pro kostet €39 pro Monat für 300 km² und 2.000 object detections. Semi-Auto auf Ihrem eigenen Rechner hat keinen Zähler.
• Grenzen Regeln, die jeden Upload verbieten. Die beiden Cloud-Modi senden Bildmaterial an einen Server, nur das kleine lokale Modell bleibt auf dem Rechner. Wir lesen Bildmaterial und nichts anderes, daher liefert ein gescanntes Katasterblatt kein Ergebnis.

Produktseite · Registry-Eintrag

AI Segmentation kostenlos in QGIS testen, keine Karte erforderlich

Direktvergleich

So wählen Sie aus

• Ihr Ergebnis ist die Methode und nicht die Karte. Nichts hier ersetzt eine .dcp. Behalten Sie einen Rechner, der Ihre Regelsätze öffnet, und bauen Sie die Methode als dokumentiertes Processing-Modell oder Python-Skript neu auf, bevor dieser Rechner ausfällt.
• Sie haben segmentiert und anschließend pro Objekt klassifiziert. Orfeo, beide Hälften: LargeScaleMeanShift für die Objekte, TrainImagesClassifier für die Labels. Die einzige kostenlose Kette, die Objektstatistiken durchgängig weiterträgt.
• Sie haben hauptsächlich Trainingsflächen gezeichnet und auf Klassifizieren geklickt. SCP für einen Genauigkeitsbericht, dzetsaka für ein Modell in einer Minute.
• Sie möchten heute Nachmittag Gebäude aus Bildmaterial extrahieren. Deepness mit einem fertigen Modell oder Mapflow beziehungsweise AI Segmentation von uns, wenn das Bildmaterial den Rechner verlassen darf.
• Das Bildmaterial darf den Rechner niemals verlassen. Diese Antwort schließt Mapflow und unsere beiden Cloud-Modi aus. Alles andere hier bleibt möglich.

Starten Sie heute Abend mit i.segment auf einer Kachel. Das Tool ist bereits in Ihrer Processing-Toolbox, kostet nichts, und zwanzig Minuten mit dem Schwellenwert zeigen Ihnen, wie viel Ihrer eCognition-Arbeit in der Segmentierung und wie viel im Regelsatz steckte.

Die acht AI-Plugins im Vergleich geht ausführlicher auf den modellbasierten Teil ein. Der QGIS AI-Hub listet die übrigen Tools auf.