建筑物是构成人类生存环境的主要人造目标,是实现智慧城市的最关键城市要素。为了实现对智慧城市的有效支撑,精确可靠的建筑物目标提取是实现智慧街区/社区三维建筑物目标构建的最关键环节。为此,随着遥感技术的飞速发展,利用高分辨率遥感可见光图像,国内外相关学者和机构已经进行了针对建筑物目标位置和轮廓信息提取的大量研究。然而,虽然现有研究已经形成了多种建筑物目标检测相关的“经验”或“知识”,但是,受限于建筑物检测过程对图像中噪声、遮挡、材质等影响因素的处理能力,现有先验知识或规则所需的原始信息的提取能力还没有更好的受到有关规则或知识的指导,建筑物精确提取仍然是当今学界研究的重点和难点问题。具体的,为了利用高分辨率可见光遥感图像实现精确可靠的建筑物提取,需要有效解决以下几个关键问题:(1)如何有效实现可见光遥感图像中的光谱信息(即颜色信息)、多尺度结构信息、空间组合规则信息等知识的综合应用,在整体策略层次上进行有效的宏观把控;(2)如何高效利用可获取图像空间信息及建筑物结构信息,降低噪声、遮挡、光照等问题的影响,精确可靠的提取建筑物边缘及完整轮廓信息,实现对整体建筑物提取系统的有效支撑;(3)如何充分联合可见光遥感图像所蕴含的多尺度区域及轮廓信息,实现建筑物目标的精确可靠提取。为了解决以上问题,本文详细分析了当前建筑物提取技术的典型流程及主要建筑物提取规则,以主动方式进行建筑物目标相关信息挖掘为指导思想,针对以下问题开展了相关研究并取得了一定的创新成果:(1)针对现有建筑物目标提取方法所采用的边缘提取技术对噪声和干扰(道路、高大树木及规则植被等)较为敏感的问题,通过对人类信息感知宏观特征的理解,在论文第三章提出了一种联合应用方向信息和颜色信息的建筑物目标边缘提取方法,显著提升了建筑物目标初始边缘提取的性能。现有建筑物提取方法或系统中大多采用Canny、Sobel等通用边缘提取方法,在数据预处理阶段没有充分利用建筑物目标结构特征或规则,直接造成后续建筑物目标提取的精度受到影响。通过分析人类信息感知的特点,以可见光光谱信息(即颜色信息)和方向信息的有效挖掘为核心,进行了边缘敏感颜色信息、建筑物主方向信息的有效提取;以边缘敏感颜色信息和主方向信息为指导,设计了改进的双窗口高斯伽马滤波(Gaussian gamma shaped filtering,GGS)方法以实现初始建筑物边缘图的提取,为获得准确、完整的建筑物轮廓提供了良好的基础。(2)针对高分辨率遥感图像中由于光照、材质等问题造成的建筑物边缘对比度弱,初始边缘提取给出边缘信息不完整的问题,从分类的角度出发,在第四章提出了一种基于Sparse-SVM双尺度建筑物边缘分类及决策融合策略的完整建筑物轮廓识别及优化方法,有效提升了建筑物目标提取的完整性和可靠性。高分辨率可见光遥感图像进行建筑物目标边缘提取而得到的边缘图中,不可避免的会存在由于道路、植被等干扰造成的假边缘、由于材质和光照等因素造成的建筑物屋顶对比度弱的弱边缘及漏边缘等情况。为了在这种情况下更好的提取完整的封闭的建筑物目标轮廓信息,首次从分类的角度提出将建筑物边缘分类为强边缘和弱边缘的思想,并基于此提出了一种基于双尺度边缘信息的像素级边缘分类方法及边缘优化分组策略,实现了建筑物目标轮廓的精确可靠提取。(3)针对现有建筑物目标提取方法存在轮廓信息与区域信息融合不充分的问题,在论文第五章提出了一种建筑物目标显著区域提取的多尺度深度学习方法,有效提升了建筑物目标提取的精确性和可靠性。高分辨率可见光遥感图像提取的建筑物轮廓往往是不规则的,轮廓位置会受到噪声和干扰的影响存在一定的误差,为了实现建筑物的精确提取,建筑物目标区域信息或显著目标区域信息会对提取的轮廓形成一定的有益补偿。为了有效实现轮廓和区域信息的联合,考虑到现有深度学习建筑物目标提提取或识别方法没有充分利用多尺度语义信息的问题,以全卷积神经网络(Fully Convolutional Networks,FCN)为核心,提出了一种建筑物目标显著区域提取的多尺度深度学习方法,结合建筑物轮廓提取结果,实现了建筑物目标的精确可靠提取。为了验证所提方法的有效性,采用了三维城市、智慧城市建设相关的多组卫星及航空平台高分辨率可见光遥感数据集进行了对比实验验证,实验结果表明本文给出的建筑物目标提取方法中相关信息的利用逻辑是合理的,对不同建筑物疏密程度及不同主方向的目标区域具有足够的鲁棒性,具有很好的应用前景。