随着遥感图像分辨率的不断提高,地物目标在图像中的信息越来越丰富。汽车作为遥感图像中重要的地物目标,其数量十分庞大,依靠人工进行辨别的方法是非常繁琐的。本文针对遥感图像中汽车的识别和提取问题,基于随机点过程的理论构建了汽车及其检测的概率模型。概率模型包括先验模型和数据项,先验模型中分析汽车在空间中的分布规律,数据项将模型与实际的图像进行结合,采用模拟退火策略结合可逆跳马尔科夫链蒙特卡洛采样方法,对模型进行优化求解,以此来检测图像中的汽车。论文的主要工作有:(1)提出了一种能够反映汽车之间相互关系的先验模型。在先验模型中,用空间上的随机点标记汽车的位置,并赋予其长度、宽度、角度属性,得到汽车在图像中的几何模型。汽车在图像中可以用矩形表示,而汽车的检测可以看作是多个矩形在空间上的随机分布。汽车之间是不能相互重叠的,当发现两个矩形相交时,给予一个为零的概率,对这种现象进行禁止;汽车的方向是趋向于一致的,当矩形的旋转角度不相同时,给予一个较低的概率,对这种现象进行抑制。(2)将模板匹配的相似度引入到数据项的计算,在引入的过程中做出了一些改进。从图像中选择一辆汽车作为模板,计算模板与图像中相同大小窗口的相似度,通过相似度的大小来构建模型的数据项。实际场景中汽车的方向是变化的,单方向的模板无法检测不同旋转角度的汽车,因此将模板在360度范围内进行了旋转以适应不同的汽车方向;汽车在图像中的颜色是多样的,不同颜色的汽车要选择不同的模板进行匹配,因此对不同颜色的汽车样本进行了训练以适应多种颜色汽车的检测。最后,本文用五张标注的汽车图像对算法进行了评估,汽车检测的精确度能达到99%以上,回收率90%以上。实验结果表明,先验模型的设计大大的改善了汽车检测的结果,矩形的重叠限制能够使得检测的汽车不会相互黏连,而矩形的角度约束能够让检测的汽车在方向上保持一致性。