eCognition 替代方案：無需授權的物件導向影像分析

Trimble 官方產品頁面寫著這句話：「Trimble eCognition is no longer actively sold. This page remains active for existing customers to access software downloads.」我在 2026 年 8 月 23 日讀到這段文字。因此，問題已經變了。現在不再是授權是否值得續約，而是哪個免費工具能涵蓋工作的哪個部分，以及其中有一個部分沒有免費替代方案。

我是 TerraLab 的共同創辦人，因此文章末尾的 AI Segmentation 是我們的產品。欄位相同，單行限制也與其他工具相同。

eCognition 實際提供什麼

eCognition 是物件導向影像分析環境，而不是一個按下去就能找到建築物的按鈕，你需要手動控制其中的每個階段。

首先是分割。多解析度分割從單一像素開始，並在同質性閾值仍然成立時合併鄰近像素。你需要設定決定物件大小的尺度參數，在色彩與形狀之間分配同質性，再將形狀分配到平滑度與緊密度之間。形狀值不能超過 0.9。這四個數字就是其中的技藝，而且必須針對不同感測器與景觀重新調整。

接著是由你自行建立的類別階層：類別、繼承而來的特徵、以及針對光譜平均值、紋理、面積、鄰近物件，還有與父物件及子物件關係所建立的隸屬函數。然後執行、查看結果、修改數字，再次執行。

真正重要的輸出是規則集，儲存為 .dcp 檔案或封裝成 .dax 解決方案，而不是多邊形。那個檔案就是方法。交給同事，在 eCognition Server 上對一千個圖磚執行，每次都得到相同的分類結果，並向稽核人員說明某個多邊形為何被判定為建築物。

**目前沒有任何免費工具能取代這一整套流程。**下面每個工具都能提供其中一個步驟，但沒有任何一個能提供可攜、具版本控管的規則檔案，讓同事不加修改就能執行，並在審查中為結果辯護。如果你的交付成果是方法而不是地圖，請保留一台仍能開啟 .dcp 檔案的機器。

Trimble 的規則集文件與多解析度分割參考文件目前都仍在線上，而且可以免費閱讀。

路線 1：你只需要分割步驟

這些工具會把影像切分成物件，但不會替物件分類。

1. Orfeo ToolBox

最接近 eCognition 分割階段的免費工具，也是唯一為大型場景打造的工具。

• 安裝方式 安裝 OTB，接著安裝 OrfeoToolbox Provider plugin，該 plugin 在 QGIS 3.36 後離開了 QGIS 核心。CookBook 說明了整合方式。命令列也可以使用。
• 執行位置 你的機器，只使用 CPU，不需要帳戶。
• 輸入與輸出 任意 raster。LargeScaleMeanShift 會串接平滑、分割、小區域合併與向量化，並寫出一個向量檔案，其多邊形已經包含每個波段的平均值與標準差。接著可以將這張表提供給分類器。
• 成本 免費，Apache 2.0。
• 限制 預設值：空間半徑 5、範圍半徑 15、最小大小 50 個像素、圖磚大小 500 x 500。預計要執行數次，才能找到合適的物件大小。

orfeo-toolbox.org · LargeScaleMeanShift

2. GRASS i.segment

已經在 裡，因為 GRASS 隨附其中。

• 安裝方式 不需要安裝任何東西。GRASS provider 已經在 Processing 中隨附。
• 執行位置 你的機器，只使用 CPU，不需要帳戶。
• 輸入與輸出 一個影像群組。輸出會是 segment raster，再由 i.segment.stats 將其轉換為可供分類的物件統計資料。
• 成本 免費，GPL。
• 限制 需要耐心。共有兩種方法，區域成長與 mean shift，而區域成長閾值沒有物理意義，因此你需要用二分搜尋找到它。i.segment.uspo addon 會自動化這項搜尋，但需要數小時。

i.segment manual · i.segment.stats · i.segment.uspo

3. SAGA

最快能看到分割結果的方法，不需要先讀完手冊。

• 安裝方式 安裝 Processing Saga NextGen Provider plugin，以及 SAGA 本身。它已離開 QGIS 核心 Processing 集合。
• 執行位置 你的機器，只使用 CPU，不需要帳戶。
• 輸入與輸出 輸入網格，輸出 segment grid 與可選的多邊形。
• 成本 免費。GPL，API 採用 LGPL。
• 限制 任何需要擴展或重複執行的工作。它的 Imagery、Segmentation library 包含 Seeded Region Growing、Superpixel Segmentation、Watershed Segmentation 與三個輔助工具，嘗試速度很快。但它沒有物件特徵框架，因此統計步驟需要由你自行建立。

saga-gis.sourceforge.io

4. scikit-image 與 RSGISLib

適合寧願撰寫分割流程，而不是用滑鼠點選的人。

• 安裝方式 建立 Python 環境。scikit-image 可透過 pip 或 conda 安裝，RSGISLib 使用 conda，安裝負擔較重。
• 執行位置 你的機器，只使用 CPU，不需要帳戶。
• 輸入與輸出 輸入陣列，輸出標籤陣列。地理參照需要由你透過 rasterio 或 GDAL 處理。
• 成本 免費。scikit-image 採 BSD-3-Clause，RSGISLib 採 GPL v3。
• 限制 周邊整合工作。Felzenszwalb、quickshift、SLIC 與 watershed 各自只需四行程式碼，但沒有任何一個知道 CRS 是什麼。RSGISLib 的 Shepherd segmentation 是已發表成果中最接近 eCognition 的方法，它只能從 conda-forge 安裝，而且其網站在 2026 年 8 月 23 日無法透過 https 回應，因此請使用 repository。

scikit-image segmentation examples · RSGISLib repository

路線 2：你需要監督式分類

你繪製訓練區域，工具學習這些區域，然後為整個 raster 加上標籤。這是 eCognition 中免費軟體真正能涵蓋的一半。

5. Semi-Automatic Classification Plugin

最常被 eCognition 使用者轉向的工具，而且理由充分。

• 安裝方式 安裝 plugin，接著讓它下載相依套件。它建立在 Remotior Sensus 上，並使用 scikit-learn 與 PyTorch。
• 執行位置 你的機器，CPU 已經足夠，不需要帳戶。可選的工具能下載 Landsat 與 Sentinel-2 場景，這是唯一會與伺服器通訊的時機。
• 輸入與輸出 多波段 raster，加上你繪製的訓練區域。輸出會是分類 raster、準確度報告，以及一個可選的向量 layer。演算法包括 maximum likelihood、minimum distance、spectral angle mapping、random forest、support vector machine 與 multi-layer perceptron。
• 成本 免費，GPL v3。
• 限制 物件。它分類的是像素而不是區段，因此屋頂會變得斑駁，之後還需要清理。

Manual · Plugin listing

6. dzetsaka

規模較小、學習速度較快，大約一分鐘就能訓練出模型。

• 安裝方式 安裝 plugin。當你選擇缺少 library 的演算法時，它會提供 pip 安裝選項，並將進度輸出到 QGIS log，因此你很少需要開啟終端機。
• 執行位置 你的機器，只使用 CPU，不需要帳戶。
• 輸入與輸出 raster，加上一個興趣區域 shapefile。輸出會是分類 raster 與已儲存的模型檔案。共有十一種演算法，從只需要 QGIS 就能執行的 Gaussian mixture model，到 XGBoost 與 CatBoost。
• 成本 免費，GPL v3。
• 限制 文字標籤。ROI 欄位必須存放類別編號，而不是名稱。

Repository · Plugin listing

7. GRASS i.maxlik 與 r.learn.ml2

已經安裝完成，而且是最適合腳本化的一對工具。

• 安裝方式 i.maxlik 不需要安裝任何東西。r.learn.ml2 是 addon，需要 scikit-learn。
• 執行位置 你的機器，只使用 CPU，不需要帳戶。
• 輸入與輸出 第一個工具輸入來自 i.gensig 的 signature file，第二個工具輸入 raster stack 與標籤。輸出為分類 raster。
• 成本 免費，GPL。
• 限制 不容易找到。參數名稱假設你已經了解 GRASS 資料模型。掌握之後，它們可以直接放入 bash 或 Python pipeline，是所有免費工具中最接近 eCognition Server 批次處理的選項。

i.maxlik · r.learn.ml2

8. Orfeo TrainImagesClassifier

將它與 LargeScaleMeanShift 配對，你就有了真正的物件導向流程：分割、計算每個物件的統計資料，再進行分類。

• 安裝方式 如上所述安裝 OTB。
• 執行位置 你的機器，只使用 CPU，不需要帳戶。
• 輸入與輸出 輸入影像與訓練向量配對資料。輸出模型檔案，並可選擇輸出混淆矩陣。它不會寫出影像或向量，因此之後需要由 ImageClassifier 或 VectorClassifier 套用模型。
• 成本 免費，Apache 2.0。
• 限制 第一次接觸時的複雜度。它建立在 LibSVM、OpenCV machine learning 與 Shark ML 上，每個套件都有自己的參數區塊。執行前先閱讀 CookBook 頁面，不要等到執行後才看。

TrainImagesClassifier

路線 3：你想直接取得物件，不想撰寫規則集

這些是以模型為基礎的工具。你放棄調校與稽核軌跡，換來今天就能取得結果。

9. Deepness

在 raster 上以圖磚方式執行你提供的任何 ONNX model。

• 安裝方式 安裝 plugin，第一次啟動時它會透過 pip 安裝 OpenCV 與 ONNX Runtime。
• 執行位置 你的機器。CPU 可以運作，GPU 則需要你自行設定 CUDA。不需要帳戶，任何資料都不會離開。
• 輸入與輸出 任意 raster layer，包括 XYZ 或 WMS basemap，加上你的 ONNX model。輸出為向量或 raster layer。
• 成本 免費，Apache 2.0。
• 限制 超出模型訓練範圍的影像。以 25 cm 影像訓練的模型無法讀取 5 cm 無人機航拍影像，而 plugin 也無法提醒你。

Repository

10. Geo-SAM

在 QGIS 面板中使用 Segment Anything，一次輸入一個 prompt。

• 安裝方式 自 2.0 版起可在 plugin manager 中安裝。它會在 QGIS 內部下載自己的 checkpoints。
• 執行位置 你的機器，在筆記型電腦 CPU 上速度也夠快。不需要帳戶，任何資料都不會離開。
• 輸入與輸出 raster 檔案，或 XYZ、WMS、WMTS layer。每次點擊或框選輸出一個多邊形，並儲存為 Shapefile。
• 成本 免費，MIT。
• 限制 面積型工作。它一次只回傳一個物件。自 2.0 版起有兩種模式，而在預先編碼的模式中，你只能在先前編碼的範圍內輸入 prompt。

Repository · Plugin listing

11. samgeo

相同的模型以 Python package 形式提供，適合處理完整場景。

• 安裝方式 建立 Python 環境，接著安裝 package。第一次使用時預留一個下午。
• 執行位置 你的機器，建議使用 GPU。不需要帳戶，但權重確實需要下載。
• 輸入與輸出 GeoTIFF，或由它取得的 basemap tiles。輸出 mask raster，加上 GeoJSON、Shapefile 或 GeoPackage。
• 成本 免費，MIT。
• 限制 辦公室筆記型電腦，以及 CRS 不一致的情況，因為它不會重新投影。這是一個 library，因此除非加上它的配套 plugin，否則需要自行撰寫程式碼。

samgeo.gishub.org · Repository

12. GeoAI

每項任務都有一個面板，還能訓練你自己的模型。

• 安裝方式 安裝 plugin，加上底層的 PyTorch stack。專案表示 CUDA 相依套件讓安裝變得困難，而事實確實如此。
• 執行位置 你的機器，實務上需要 NVIDIA 顯示卡。不需要帳戶，任何資料都不會離開。
• 輸入與輸出 raster layer。輸出多邊形與 mask，每項任務各自使用一個面板。
• 成本 免費，MIT。
• 限制 安裝，通常比影像本身更容易出問題。成功執行後，它是這裡最寬廣的工具箱：Segment Anything、tree crowns、water masks、Mask R-CNN。

Repository · Plugin listing

13. Mapflow

繪製一個區域，選擇一個類別，從他們的伺服器取得向量。

• 安裝方式 只需要安裝 plugin。
• 執行位置 Geoalert 的伺服器。不需要 GPU，但需要帳戶，而且每次工作都會將影像送離你的機器。
• 輸入與輸出 你繪製的區域。依類別輸出向量 layer。
• 成本 每個 credit $0.10。建築物每平方公里需要 10 個 credits，zoom 18 basemap 另外增加 3 個，因此每平方公里約 $1.30。免費方案提供 250 個 credits，上限為 25 平方公里。
• 限制 密集建成區。連棟房屋會合併成一個多邊形，從他們自己的截圖中就能看見這一點。

mapflow.ai

14. AI Segmentation，我們的產品

繪製一個區域，用一般文字輸入物件，取得所有符合項目的多邊形。

• 安裝方式 只需要安裝 plugin。不需要權重、CUDA 或 Python 環境。
• 執行位置 兩種 cloud mode 在我們的伺服器上執行，Semi-Auto 的小型 local model 則在你的機器上執行。兩種模式都不需要 GPU。需要免費帳戶。
• 輸入與輸出 正射影像與 basemap。輸出 styled GeoPackage，每個物件一個多邊形，並包含標籤、類別、信心分數與面積。
• 成本 免費方案每月涵蓋 3 km² 的 Automatic detection 與 50 次 Semi-Auto object detections，不需要信用卡。Pro 每月 €39，涵蓋 300 km² 與 2,000 次 object detections。在你自己的機器上執行 Semi-Auto 沒有計數器。
• 限制 禁止任何上傳的規範。兩種 cloud mode 都會將影像傳送到伺服器，只有小型 local model 會留在機器上。我們讀取影像，不讀取其他資料，因此掃描的地籍圖紙不會產生結果。

Product page · Registry entry

在 QGIS 中免費試用 AI Segmentation，不需要信用卡

並列比較

如何選擇

• 你的交付成果是方法，而不是地圖。 這裡沒有任何工具能取代 .dcp。保留一台能開啟規則集的機器，並在那台機器故障前，將方法重建為有文件記錄的 Processing model 或 Python script。
• 你先分割，再依物件分類。 使用 Orfeo 的兩個部分：用 LargeScaleMeanShift 建立物件，用 TrainImagesClassifier 建立標籤。這是唯一能端到端保留物件統計資料的免費流程。
• 你主要是繪製訓練區域後按下分類。 需要準確度報告就用 SCP，需要在一分鐘內建立模型就用 dzetsaka。
• 你想在今天下午從影像中取得建築物。 使用搭配現成模型的 Deepness，或者在影像可以離開機器的情況下使用 Mapflow 或我們的產品。
• 影像絕對不能離開機器。 這個答案會排除 Mapflow 與我們的兩種 cloud mode，其他工具都還可以使用。

今晚先在一個圖磚上使用 i.segment。它已經在你的 Processing 工具箱中，不需要任何費用，而花二十分鐘調整閾值，就能告訴你 eCognition 工作中有多少是分割，又有多少是規則集。

八個 AI plugin 的比較會深入介紹以模型為基礎的部分。QGIS AI hub則列出其餘工具。