建筑物的识别和提取历来是遥感、图像处理领域中热门话题。建筑物是城市的主要基础设施,也是虚拟城市、数字城市最重要的基元,更是基础地理信息的载体。因此建筑物目标的提取是建设智慧城市、三维建模等领域的关键环节。而机载激光雷达技术对于精确、快速地获取地面目标的三维数据具有一定优势,也是本论文所涉及方法的数据源。目前针对建筑物识别和提取虽然已经取得很大的进展,但是依然存在未充分利用遥感图像的纹理特征以及空间关系、建筑物模型参数复杂、计算效率不高等问题。本文利用机载激光雷达数据,在研究了前人工作的基础上,提出一个基于标值点过程理论,利用可逆跳转蒙特卡洛算法进行采样求解的建筑物轮廓提取方法,主要研究内容如下:(1)通过把建筑物对象分别视为低层次组合和抽象整体,对当前建筑物轮廓提取的研究进展和相关技术难点进了综述。提出了本文的研究内容和技术路线。(2)将从DSM图像上提取建筑物建模为一个优化问题。即在满足一定约束的条件下的一个代价函数最小值的问题。代价函数这里定义为提取的建筑物模型(粒子群)与图像之间的误差平方和,称为能量。构建一个合理的房屋轮廓的能量模型,将建筑物目标的空间信息以及光谱信息引入到构建的能量模型中,为更准确地提取房屋轮廓奠定基础。同时,针对已有方法中能量模型中参数过多,算法效率低的问题,在优化求解过程中探究新的能量模型定义方法,提高算法运行效率。—个建筑物轮廓目标的能量模型可由数据能量和几何先验能量两部分构成。数据能量用来确定单个目标轮廓,本文从梯度变化的积分角度来定义数据能量,通过向量之间的点乘运算能够有效较少参数和算法阈值的设定。几何先验能量用来确定多个目标的空间排列关系,本文将引入一个建筑物轮廓之间的邻域关系,对于目标的空间关系进行有效约束。(3)我们将所提取的建筑物模型视为具有某种特征值(标值)的一个点或粒子,全局能量最小的粒子群状态通过随机点过程来产生,称为标值点过程方法。它是一种模拟采样的过程,为此我们使用了可逆跳转蒙特卡洛(RJMCMC)方法进行采样,然后通过模拟退火算法寻找全局能量最优。该方法涉及众多参数,通过能量模型的改进以及转移核的优化可以提高算法的运行效率。对算法的性能包括检测精度和时间效率等进行分析,对比不同尺度数据下的算法表现,在多次实验结果的基础上探究该算法的参数设置问题以及适用性问题。主要结论如下:(1)用梯度积分构建数据能量项,有效减少了参数,从而减少了阈值设置过程的不确定性。建筑物邻域关系的约束避免了提取的模型重叠现象。(2)生灭、非跳跃、合并分裂三个转移核可以较好地对建筑物目标的几何形状、方向、位置信息等做相应的调整以降低数据能量和几何先验能量。(3)在整个算法中,模拟退火的温度参数起了控制收敛的作用,其设置值越高收敛越慢,但是提取精度越高。算法的迭代次数起到控制提取率的作用。如果设置过小,则会导致实验未充分提取建筑物轮廓目标,而设置过大会导致过提取现象发生,影响准确性,同时时间效率也较低。(4)数据对提取的结果的影响:在建筑物空间分布均匀、尺寸接近的区域,适用性很好,可以达到900%的提取率。在尺寸差异较大的区域,参数设置对提取结果影响较大,算法收敛时间较长。主要是因为全局能量较高,导致很难达到模型大小差异很大的状态,故而生灭转移核的接受率要高于非跳跃转移核。