Les approches antérieures à la détection des segments de droite reposent généralement sur un regroupement perceptif dans le domaine image ou une accumulation globale dans le domaine de Hough. Nous proposons ici un algorithme probabiliste qui combine les avantages des deux approches. Dans une première étape, les lignes sont détectées à l’aide d’une méthode probabiliste globale de transformation de Hough. Dans une deuxième étape, chaque ligne détectée est analysée dans le domaine image afin de localiser les segments de droite responsables du pic dans la carte de Hough. En restreignant la recherche à une ligne, la distribution des segments le long de la séquence de points sur cette ligne peut être modélisée comme une chaîne de Markov, permettant ainsi de calculer de manière optimale au sens probabiliste une étiquetage exact à l’aide d’un algorithme standard de programmation dynamique, en temps linéaire. L’hypothèse de Markov conduit également à une méthode intuitive de classement, qui utilise les probabilités a posteriori marginales locales pour estimer le nombre attendu de points correctement étiquetés sur un segment. Pour évaluer le détecteur de segments de droite basé sur la chaîne de Markov (MCMLSD), nous développons et appliquons une nouvelle méthodologie quantitative qui prend en compte les erreurs de sous- et sur-segmentation. Les résultats sur le jeu de données YorkUrbanDB montrent que la méthode MCMLSD proposée surpasse de manière significative l’état de l’art.