QGIS
GeoAI
Comparison
eCognition 替代方案：无需许可证的面向对象影像分析
Trimble 官方产品页面上写着这句话："Trimble eCognition is no longer actively sold. This page remains active for existing customers to access software downloads." 我于 2026 年 8 月 23 日看到这句话。因此，问题已经变了。现在不再是许可证是否值得续费，而是哪种免费工具可以覆盖工作的哪一部分，以及其中有一部分没有免费的替代方案。
我共同创办了 TerraLab，因此文末的 AI Segmentation 是我们的产品。列与其他工具完全相同，每项也保持一行限制。
eCognition 实际提供了什么
eCognition 是一个面向对象的影像分析环境，而不是一个用于查找建筑物的按钮，你需要手动控制其中的每个阶段。
首先是分割。多分辨率分割从单个像素开始，在同质性阈值允许的情况下合并相邻像素。你需要为对象大小设置尺度参数，在颜色和形状之间分配同质性权重，再在平滑度和紧致度之间分配形状权重。形状权重不能超过 0.9。这四个数字就是其中的技术诀窍，而且你需要针对每种传感器和每种景观重新调参。
接下来是你自己编写的类别层级：类别、继承的特征，以及基于光谱均值、纹理、面积、邻域和与父对象及子对象关系的隶属函数。然后运行，查看结果，修改数字，再运行一次。
真正重要的输出是保存为 .dcp 文件或打包为 .dax solution 的规则集，而不是多边形。这个文件就是方法。你可以交给同事，在 eCognition Server 上对一千个切片运行，每次都得到相同的分类结果，并向审计人员说明为什么某个多边形被判定为建筑物。
目前没有任何免费工具可以替代这一点。 下面的每种工具都能提供其中一个步骤，但没有任何一种能提供一个可移植、带版本控制的规则文件，让同事无需修改即可运行，并在审查中为其结果辩护。如果你的交付物是方法，而不是地图，请保留一台仍能打开 .dcp 文件的机器。
Trimble 的规则集文档和多分辨率分割参考目前仍在线，并且可以免费阅读。
路线 1：你只需要分割步骤
这些工具会把影像切分成对象，但不会对对象进行分类。
1. Orfeo ToolBox
这是最接近 eCognition 分割阶段的免费工具，也是唯一为大型场景构建的工具。
- 安装 OTB，然后安装 OrfeoToolbox Provider plugin，该 plugin 在 QGIS 3.36 中离开了 QGIS 核心。CookBook 中介绍了连接方式。命令行同样可用。
- 运行于 你的机器，仅使用 CPU，无需账户。
- 输入与输出 任意 raster。
LargeScaleMeanShift会串联平滑、分割、小区域合并和矢量化，并写入一个矢量文件，其中的多边形已经带有每个波段的均值和标准差。这张表可以继续供分类器使用。 - 费用 免费，Apache 2.0。
- 局限 默认参数：空间半径 5，范围半径 15，最小尺寸 50 个像素，切片大小为 500 x 500。预计需要运行多次，才能得到合适的对象大小。
orfeo-toolbox.org · LargeScaleMeanShift
2. GRASS i.segment
它已经在 
中，因为 GRASS 会随其一起提供。
- 安装 不需要安装任何东西。GRASS provider 默认就在 Processing 中。
- 运行于 你的机器，仅使用 CPU，无需账户。
- 输入与输出 一个 imagery group。输出是 segment raster，
i.segment.stats会将其转换为可用于分类的逐对象统计数据。 - 费用 免费，GPL。
- 局限 需要耐心。它有两种方法，区域生长和 mean shift，而区域生长阈值没有实际物理意义，所以你只能通过二分法寻找。
i.segment.uspoaddon 会自动执行搜索，但需要数小时。
i.segment manual · i.segment.stats · i.segment.uspo
3. SAGA
这是无需阅读手册就能最快看到分割结果的方法。
- 安装 Processing Saga NextGen Provider plugin，以及 SAGA 本身。它已经离开了 QGIS 核心 Processing 集合。
- 运行于 你的机器，仅使用 CPU，无需账户。
- 输入与输出 输入 grids，输出 segment grid 和可选的多边形。
- 费用 免费。GPL，API 使用 LGPL。
- 局限 任何需要扩展或重复运行的工作。它的 Imagery、Segmentation library 包含 Seeded Region Growing、Superpixel Segmentation、Watershed Segmentation 和三个辅助工具，尝试起来很快。但它没有对象特征框架，因此统计步骤需要你自己构建。
4. scikit-image 和 RSGISLib
适合那些更愿意编写分割过程，而不是点击按钮的人。
- 安装 一个 Python 环境。scikit-image 可以通过 pip 或 conda 安装，RSGISLib 使用 conda，安装更重。
- 运行于 你的机器，仅使用 CPU，无需账户。
- 输入与输出 输入数组，输出标签数组。地理参考需要由你通过 rasterio 或 GDAL 自行处理。
- 费用 免费。scikit-image 使用 BSD-3-Clause，RSGISLib 使用 GPL v3。
- 局限 各种连接工作。Felzenszwalb、quickshift、SLIC 和 watershed 每个都只需要几行代码，但它们都不知道 CRS 是什么。RSGISLib 的 Shepherd segmentation 是已发布方案中最接近 eCognition 的一种，但它只能从 conda-forge 安装，而且截至 2026 年 8 月 23 日其网站无法通过 https 响应，因此请使用代码仓库。
scikit-image segmentation examples · RSGISLib repository
路线 2：你需要监督分类
你绘制训练区域，工具学习这些区域，然后为整个 raster 加上标签。这是免费软件真正能够覆盖的 eCognition 的另一半。
5. Semi-Automatic Classification Plugin
这是大多数 eCognition 用户转向的工具，而且他们的选择有道理。
- 安装 plugin，然后让它获取依赖项。它基于 Remotior Sensus，并使用 scikit-learn 和 PyTorch。
- 运行于 你的机器，仅使用 CPU 也可以，无需账户。它有一个可选工具用于下载 Landsat 和 Sentinel-2 场景，这是它唯一与服务器通信的时刻。
- 输入与输出 一个多波段 raster，加上你绘制的训练区域。输出包括分类 raster、精度报告，以及在你要求时生成的矢量 layer。算法包括 maximum likelihood、minimum distance、spectral angle mapping、random forest、support vector machine 和 multi-layer perceptron。
- 费用 免费，GPL v3。
- 局限 对象。它分类的是像素，而不是 segment，因此屋顶会变得斑驳，你需要之后再清理。
6. dzetsaka
规模更小，学习速度更快，而且大约一分钟就能训练出一个模型。
- 安装 plugin。当你选择的算法缺少对应 library 时，它会建议通过 pip 安装，并在 QGIS 日志中显示进度，因此你很少需要打开终端。
- 运行于 你的机器，仅使用 CPU，无需账户。
- 输入与输出 一个 raster，加上包含感兴趣区域的 shapefile。输出是分类 raster 和保存的模型文件。它提供十一个算法，从只需要 QGIS 的 Gaussian mixture model，到 XGBoost 和 CatBoost。
- 费用 免费，GPL v3。
- 局限 文本标签。ROI 列必须保存类别编号，而不是名称。
7. GRASS i.maxlik 和 r.learn.ml2
已经安装好了，也是最适合脚本化的一对工具。
- 安装 使用
i.maxlik不需要安装任何东西。r.learn.ml2是 addon，需要 scikit-learn。 - 运行于 你的机器，仅使用 CPU，无需账户。
- 输入与输出 第一个工具使用
i.gensig生成的 signature file，第二个使用 raster stack 加标签。输出都是分类 raster。 - 费用 免费，GPL。
- 局限 难以发现。参数名称假设你已经了解 GRASS 数据模型。一旦熟悉，它们就能直接放进 bash 或 Python pipeline，是所有免费方案中最接近 eCognition Server 批处理的工具。
8. Orfeo TrainImagesClassifier
将它与 LargeScaleMeanShift 配合使用，你就拥有了真正的面向对象链路：分割、计算逐对象统计数据、分类。
- 安装 OTB，方法同上。
- 运行于 你的机器，仅使用 CPU，无需账户。
- 输入与输出 输入影像和训练矢量对。输出模型文件，以及在你要求时生成的混淆矩阵。它不会写入影像或矢量，因此之后需要使用
ImageClassifier或VectorClassifier应用模型。 - 费用 免费，Apache 2.0。
- 局限 第一次使用时不友好。它基于 LibSVM、OpenCV machine learning 和 Shark ML，每个组件都有自己的参数区块。请在运行前阅读 CookBook 页面，而不是运行之后才读。
路线 3：你想直接得到对象，而不编写规则集
这是基于模型的工具。你放弃调参和审计记录，但可以今天就得到结果。
9. Deepness
对 raster 运行你提供的任意 ONNX 模型，并以切片方式处理。
- 安装 plugin，然后在首次启动时由 pip 安装 OpenCV 和 ONNX Runtime。
- 运行于 你的机器。CPU 可以运行，GPU 需要你自行配置 CUDA。无需账户，任何内容都不会离开你的机器。
- 输入与输出 任意 raster layer，包括 XYZ 或 WMS 底图，以及你的 ONNX 模型。输出是矢量或 raster layer。
- 费用 免费，Apache 2.0。
- 局限 超出模型训练范围的影像。使用 25 cm 影像训练的模型无法读取 5 cm 无人机航拍影像，而 plugin 也无法提醒你这一点。
10. Geo-SAM
在 QGIS 面板中使用 Segment Anything，一次处理一个 prompt。
- 安装 plugin，自 2.0 版本起可以在 plugin manager 中安装。它会在 QGIS 内部自行下载 checkpoints。
- 运行于 你的机器，在 laptop CPU 上也足够快。无需账户，任何内容都不会离开你的机器。
- 输入与输出 一个 raster 文件，或一个 XYZ、WMS 或 WMTS layer。每次点击或框选返回一个多边形，并保存为 Shapefile。
- 费用 免费，MIT。
- 局限 面积型工作。它一次只返回一个对象。自 2.0 起有两种模式，在预编码模式中，你只能在此前编码的范围内使用 prompt。
11. samgeo
使用相同的模型，但通过 Python package 处理整个场景。
- 安装 一个 Python 环境，然后安装 package。第一次使用时预留一个下午。
- 运行于 你的机器，建议使用 GPU。无需账户，但权重文件确实需要下载。
- 输入与输出 一个 GeoTIFF，或由它获取的底图切片。输出 mask raster，以及 GeoJSON、Shapefile 或 GeoPackage。
- 费用 免费，MIT。
- 局限 办公室 laptop，以及 CRS 不匹配的情况，因为它不会执行重投影。这是一个 library，因此除非你添加其配套 plugin，否则需要自己编写代码。
samgeo.gishub.org · Repository
12. GeoAI
每项任务都有一个面板，同时还提供用于训练自有模型的工具。
- 安装 plugin，以及底层的 PyTorch stack。项目说明 CUDA 依赖会让安装变得困难，这一点确实如此。
- 运行于 你的机器，实际使用中需要 NVIDIA 显卡。无需账户，任何内容都不会离开你的机器。
- 输入与输出 一个 raster layer。输出多边形和 mask，每项任务对应一个面板。
- 费用 免费，MIT。
- 局限 安装过程，通常比影像本身更容易出问题。一旦运行起来，它是这里工具箱最宽泛的一种：Segment Anything、tree crowns、water masks、Mask R-CNN。
13. Mapflow
绘制一个区域，选择一个类别，然后从他们的服务器获取矢量结果。
- 安装 只需要安装 plugin。
- 运行于 Geoalert 的服务器。无需 GPU，但需要账户，每项任务都会将影像发送到你的机器之外。
- 输入与输出 你绘制的一个区域。按类别输出矢量 layer。
- 费用 按 credits 计费，每个 credit 为 $0.10。建筑物每平方公里需要 10 个 credits，zoom 18 底图额外需要 3 个，因此约为每平方公里 $1.30。免费层级包含 250 个 credits，最多覆盖 25 平方公里。
- 局限 密集建筑环境。联排住宅会合并为一个多边形，这一点在他们自己的截图中也能看到。
14. AI Segmentation，我们的产品
绘制一个区域，用普通语言输入对象名称，然后将所有匹配对象作为多边形返回。
- 安装 只需要安装 plugin。不需要权重、CUDA 或 Python 环境。
- 运行于 两种 cloud 模式运行在我们的服务器上，Semi-Auto 中的小型 local model 运行在你的机器上。两种方式都不需要 GPU。需要免费账户。
- 输入与输出 正射影像和底图。输出一个带样式的 GeoPackage，每个对象一个多边形，并包含标签、类别、置信度分数和面积。
- 费用 免费计划每月包含 3 km² 的 Automatic detection 和 50 次 Semi-Auto object detections，无需银行卡。Pro 每月 €39，包含 300 km² 和 2,000 次 object detections。在你自己的机器上运行 Semi-Auto 不计数。
- 局限 禁止任何上传的规则。两种 cloud 模式都会将影像发送到服务器，只有小型 local model 会留在机器上。我们读取影像，不读取其他内容，因此扫描的地籍图纸不会产生结果。
在 QGIS 中免费试用 AI Segmentation，无需银行卡
横向比较
| Tool | What you install | GPU | Account | Imagery stays local | What you feed it | What you get out | Cost for real work | Licence |
|---|---|---|---|---|---|---|---|---|
| Orfeo ToolBox | OTB, plus the QGIS provider | No | No | Yes | Any raster | Vector polygons with per-band mean and std dev | Free | Apache 2.0 |
| GRASS i.segment | Nothing, it ships with QGIS | No | No | Yes | An imagery group | Segment raster, plus stats from an addon | Free | GPL |
| SAGA | SAGA NextGen provider plugin | No | No | Yes | Grids | Segment grid, optional polygons | Free | GPL, API LGPL |
| scikit-image, RSGISLib | A Python environment | No | No | Yes | Arrays you georeference yourself | Label arrays | Free | BSD-3, GPL v3 |
| SCP | The plugin, then its dependencies | No | No | Yes | Bands plus training areas | Classified raster, accuracy report | Free | GPL v3 |
| dzetsaka | The plugin, deps installed for you | No | No | Yes | Raster plus a numbered ROI shapefile | Classified raster and a model file | Free | GPL v3 |
| GRASS i.maxlik, r.learn.ml2 | Nothing, then one addon | No | No | Yes | Signature file or raster stack | Classified raster | Free | GPL |
| Orfeo TrainImagesClassifier | OTB | No | No | Yes | Image and training vector pairs | A model file, not a map | Free | Apache 2.0 |
| Deepness | Plugin, then OpenCV and ONNX Runtime | Optional | No | Yes | Any raster, plus your ONNX model | Vector or raster layer | Free | Apache 2.0 |
| Geo-SAM | Plugin, deps handled for you | Optional | No | Yes | Raster, XYZ, WMS or WMTS | One polygon per click or box | Free | MIT |
| samgeo | A Python environment | Yes for SAM 3 | No | Yes | GeoTIFF or fetched tiles | Mask rasters plus vector files | Free | MIT |
| GeoAI | Plugin, plus a PyTorch stack | NVIDIA in practice | No | Yes | Raster layer | Polygons and masks by task | Free | MIT |
| Mapflow | The plugin | No | Yes | No | An area you draw | Vector layers by class | About $1.30 per km² of buildings | GPL v3 |
| AI Segmentation (ours) | The plugin | No | Yes | No for the two cloud modes | A zone plus a word | Styled GeoPackage, one polygon per object | 3 km² a month free, €39 for 300 km² | GPLv2 plugin, paid service |
| eCognition | The suite | Optional | Licence | Yes | Imagery, plus a rule set you write | Objects, classes and a portable .dcp | Quote only, and no longer actively sold | Proprietary |
如何选择
- 你的交付物是方法，而不是地图。 这里没有任何工具可以替代
.dcp。保留一台能够打开规则集的机器，并在它报废前，将方法重建为有文档记录的 Processing model 或 Python script。 - 你先进行了分割，然后按对象分类。 Orfeo 的两部分都要用：使用
LargeScaleMeanShift生成对象，使用TrainImagesClassifier生成标签。这是唯一一个能够端到端保留对象统计数据的免费链路。 - 你主要是绘制训练区域，然后点击分类。 使用 SCP 获取精度报告，使用 dzetsaka 在一分钟内得到模型。
- 你希望今天下午就从影像中得到建筑物。 使用带有现成模型的 Deepness，或者在影像可以离开机器的情况下使用 Mapflow 或我们的产品。
- 影像绝不能离开机器。 这个答案会排除 Mapflow 和我们的两种 cloud 模式，其他工具都可以保留。
今晚先在一个切片上运行 i.segment。它已经在你的 Processing toolbox 中，不需要任何费用，用二十分钟调整阈值，就能告诉你 eCognition 工作中有多少属于分割，又有多少属于规则集。
八个 AI plugin 的比较会更深入地介绍基于模型的部分。QGIS AI hub列出了其余工具。
