3d模型分割方法的比较研究==
基于图像分割的三维建模技术研究
基于图像分割的三维建模技术研究三维建模技术是指将物体的三维空间形态进行数字化表示的一种技术。
在计算机科学中，三维建模技术已经发展到非常高的水平，被广泛应用于视觉效果、数字游戏、工程设计等领域。
而图像分割技术，则是将图像分成多个不同区块的一种技术，可以用于识别和分析图像中的不同对象。
在三维建模中，图像分割技术也非常重要，能够有效地从图像中提取需要建模的物体，是建模过程中一道不可忽视的关键步骤。
一、图像分割技术的基本思路图像分割技术是一种将图像分成不同区块的技术，被广泛应用于计算机视觉、医学成像、人脸识别等领域。
它的基本思路是将一幅图像分成多个不同的区域，使得同一个区域内的像素具有相似的属性，而不同区域内的像素属性对比则具有明显的差异。
这样就可以通过对图像不同区域的分析来实现对图像中不同对象的识别和分析。
在图像分割的基础上，结合三维建模技术，可以通过对多个图像中同一物体的分割，将多个图像中的同一物体进行三维重建，从而实现对三维物体的数字化描述和建模。
二、图像分割技术的主要方法1、阈值分割阈值分割是一种将图像中不同像素分为不同区块的基本方法。
它的基本思路是将图像中的像素根据其灰度值与预先设定的阈值进行比较，将大于或小于阈值的像素分别分成两个不同的区块。
这样就可以将一个灰度图像分成两个不同的区域，其优点是简单易用，但是比较依赖于阈值的设定。
2、边缘检测边缘检测是一种更高级的图像分割方法，它能够通过对图像中不同像素之间的变化来识别不同区域。
边缘检测通常采用边缘跟踪算法，在图像中搜索不同的边缘，将同一个边缘内的像素作为一个区块，从而实现图像的分割。
边缘检测的优点在于能够获取难以通过阈值分割得到的图像信息，但也存在着对噪声敏感、容易出现错误等问题。
3、区域生长区域生长是一种通过种子像素和特定的生长规则将图像进行分割的方法。
它的基本思路是选取一个种子像素作为初始值，然后通过定义生长规则，将周围与种子像素相似的像素都归纳到同一个区块中去。
拉普拉斯的三维模型分割算法
拉普拉斯的三维模型分割算法拉普拉斯的三维模型分割算法（Laplacian-based 3D model segmentation algorithm）是一种常用的计算机图形学算法，用于将三维模型分割成不同的部分，帮助用户更好地理解和操作模型。
本文将综合介绍此算法的原理、步骤及其应用领域，以期给读者一个生动、全面且有指导意义的了解。
首先，我们需要了解拉普拉斯算子（Laplacian operator）。
拉普拉斯算子是一种微分算子，用于描述函数的二阶导数。
在三维模型分割中，我们将使用离散的近似算子来计算模型上的各个点的拉普拉斯算子值。
这些拉普拉斯算子值将作为特征来进行模型的分割。
基于拉普拉斯算子的三维模型分割算法可以被分为以下几个步骤。
1. 数据预处理：首先，需要对三维模型进行预处理，包括去噪、表面重建等操作，以提高模型的质量和准确性。
这一步骤对于获取更好的分割结果至关重要。
2. 建立模型的Graph Laplacian：在这一步骤中，我们将基于三维模型的几何信息建立Graph Laplacian。
Graph Laplacian是一个对称正定矩阵，它可以描述模型的拓扑结构和几何特征。
我们可以使用不同的方法来计算Graph Laplacian，如基于顶点或基于边的方法。
3. 特征向量的计算：通过对Graph Laplacian进行特征值分解，我们可以得到与每个特征值对应的特征向量。
这些特征向量对应于模型的不同部分，具有不同的物理含义。
通过选取前几个特征向量，我们可以得到一组高频和低频的分割特征。
4. 分割标签的生成：在这一步骤中，我们根据特征向量的值对每个点进行分割标签的生成。
常见的方法是使用K-means聚类方法或通过图割（Graph cuts）算法来对特征向量进行聚类操作。
这样，我们便可以将模型的不同部分分配给不同的类别。
5. 后处理：最后，通过一些后处理技术，如形态学运算、区域合并等，对分割结果进行进一步的优化和提升。
3DMAX中的模型分割和组装技巧
3DMAX中的模型分割和组装技巧3DMAX中的模型分割和组装技巧3DMAX是一种功能强大的三维建模和动画软件，广泛应用于游戏、动画、建筑和影视等领域。
在使用3DMAX进行模型制作时，掌握模型分割和组装技巧非常重要。
本文将针对这一主题展开论述。
一、模型分割技巧1. 使用切割工具：切割工具是3DMAX中常用的分割模型的工具之一。
通过选择切割工具，可以在模型上选择需要进行分割的区域，并进行分割操作。
切割工具有多种选项，如平面切割、环切割和边切割等，可根据实际需求进行选择。
2. 使用分离功能：分离功能可以将模型的一部分从整体中分离出来，使其成为独立的模型。
通过选择需要分离的面、边或顶点，然后使用分离功能，可以快速分割模型。
分离后的模型可以单独编辑，方便进行后续操作。
3. 使用插件辅助分割：除了内置的工具外，3DMAX还有许多插件可以辅助进行模型分割。
例如，插件可以提供更强大的分割功能、更多选项和更高效的操作方式，大大提高了分割效果和效率。
二、模型组装技巧1. 使用对齐功能：对齐功能能够帮助我们快速、准确地将不同模型组装在一起。
通过选择需要对齐的两个模型，在对齐功能中选择对齐方式（如顶点对齐、边对齐或面对齐），即可将两个模型对齐在同一位置，保证组装的准确性。
2. 使用连接功能：连接功能可以将不同模型间的边、顶点或面进行连接，形成一个整体。
通过选择需要连接的部分，使用连接功能，可以使模型组合在一起，并保持其形状和结构的完整性。
3. 使用组功能：组功能可以将多个模型组合成为一个组，并进行整体操作。
通过选择需要组合的模型，使用组功能，可以将其合并为一个整体，方便后续的编辑和操作。
总结：在3DMAX中，模型分割和组装技巧是非常重要的技能，能够有效提高模型制作的效率和质量。
通过运用切割工具、分离功能和插件等方式进行模型分割，可以将复杂的模型拆分为若干可编辑的部分；而对齐功能、连接功能和组功能则能够帮助我们将分割后的模型进行组装，并保持其结构的完整性。
基于3DMax三维城市建筑模型自动分层切割方法研究与应用
基于3DMax三维城市建筑模型自动分层切割方法研究与应用作者：黄国豪来源：《科技资讯》2015年第30期三维数字城市是未来智慧城市建设的必然，其逼真的三维呈现在城市建设、国土规划、公安消防等相关领域得到广泛的应用。
由于不同部门对高层建筑模型有不同的管理应用需求，需要对高层建筑模型进行分层进行表达，满足交互式可视化等细节方面的需求[1]。
现有的三维建筑模型在3D GIS平台通常是一个整体对象，无法对建筑进行分层交互式可视化操作，只能在三维建模软件通过手工切割再导入3D GIS平台。
面对海量的三维数字城市的建筑模型，手工切割的效率不仅低下，而且需要大量的人员投入。
针对这种情况，该文探讨了建筑模型自动分层切割算法，基于3DS Max的二次开发工具实现了建筑模型自动分层切割，极大的提高了工作效率。
1 定义1.1 CSG模型三维矢量模型是二维中点、线、面矢量模型在三维中的推广。
它将三维空间中的实体抽象为三维空间中的点、线、面、体四种基本元素，然后以这四种基本几何元素的集合来构造更复杂的对象。
以起点、终点来限定其边界，以一组型值点来限定其形状；以一个外边界环和若干内边界环来限定其边界，以一组型值曲线来限定其形状；以一组曲面来限定其边界和形状。
矢量模型能精确表达三维的线状实体、面状实体和体状实体的不规则边界，数据存储格式紧凑、数据量小，并能直观地表达空间几何元素间的拓扑关系。
CSG模型（Constructive Solid Geometry）用一些基本体素如长方体、球柱体、椎体和圆环等，通过集合运算如并、交、差等操作来组合形成物体。
如图1所示。
TIN-CSG混合构模是当前城市3D GIS和3DCM 构模的主要方式，即以TIN模型表示地形表面，以CSG模型表示城市建筑物，两种模型的数据是分开存储的。
为了实现TIN与CSG的集成，在TIN模型的形成过程中将建筑物的地面轮廓作为内部约束，同时把CSG模型中建筑物的编号作为TIN模型中建筑物的地面轮廓多边形的属性，并且将两种模型集成在一个用户界面[3-4]。
三维数据场的三维重建与模型的虚拟切割研究
华中科技大学博士学位论文三维数据场的三维重建与模型的虚拟切割研究姓名：***申请学位级别：博士专业：工程力学指导教师：王乘;蒙陪生20070526华中科技大学博士学位论文摘要三维数据场的三维重建以及三维模型的虚拟切割是目前的一个研究热点问题。
科学计算与工程测量所得数据场往往是三维数据场，由三维数据场重建等值面或是被测量物体的三维模型，可以更加直观的分析与处理数据。
虚拟切割操作是一种重要的交互式操作手段，一方面对三维模型进行虚拟切割可以消除模型不同部分的相互遮挡，方便进行观察；另一方面对三维模型进行虚拟切割还可以模拟对真实对象的切割过程，得到最佳的操作方案。
本文探讨了如何由三维数据场实现三维重建，以及三维模型数据的后处理技术。
针对表面模型所包含的三角形数量巨大的问题，提出了网格简化算法。
并提出了一种基于原始数据分割的虚拟切割算法。
本文主要有以下一些工作：（1）针对MC算法生成的等值面是散乱三角形，并且不能反映三角形之间的连接关系，也不能有效的区分子等值面的缺点。
首先采用排序归并算法，归并顶点数据。
根据相邻三角形共有顶点的特性，确定三角形之间的连接关系。
根据属于同一个子等值面的三角形相互连接的特性，采用种子算法，将属于不同子等值面数据进行分组。
采用顶点表与三角形表的数据结构存放子等值面的数据，最终实现MC 算法生成数据的分组与网格化。
（2）在MC算法原理的基础上，提出一种改进的等值面提取与子等值面分组算法。
首先将三维数据场分解为点、棱边、面与体元的拓扑结构。
在整个三维数据场范围内求所有棱边与等值面的交点，在面内连接交点形成面与等值面的交线，交线在体元内连接生成空间多边形。
三角化各个体元内的空间多边形得到由顶点表与三角形表组成的等值面数据。
根据三角形在顶点处的连接关系，采用种子算法对属于同一子等值面的三角形与顶点进行标记，属于同一子等值面的顶点与三角形将被存放在独立的顶点表与三角形表中。
（3）在初始网格上提取控制点控制网格简化，以初始网格的三角形的中心点作为第一类控制点，以特征边的顶点作为第二类控制点。
三维建模中的物体分割算法研究
三维建模中的物体分割算法研究一、引言三维建模是计算机图形学领域中的一种技术，它可以将三维物体建立起来，使得计算机可以对物体进行呈现、操作、绘制等一系列操作。
其目的是为了更好地模拟和展示真实世界中各种物体、场景和效果。
三维物体建模的主要目的是将真实世界中的物体、场景和效果进行数字化的表达，以便于计算机进行处理和呈现。
在三维建模过程中，物体分割算法是一个重要的研究领域，它可以将一个复杂的三维物体分解成多个较小的子部件，以帮助进行更加详细和准确的三维建模。
本文即着眼于三维建模中的物体分割算法的研究，通过对该领域的现有研究成果进行梳理和总结，以便于更好地推进三维建模技术的发展和应用。
二、基本概念1.三维建模三维建模是指通过计算机技术对物体进行数字化表示，以便于进行建模、分析、设计和呈现等操作。
三维建模一般由几何建模、空间建模、曲面建模和体元建模等技术组成。
2.物体分割物体分割是指将一个三维物体分解成多个子部件或子物体的过程。
该过程既可以手动进行，也可以通过计算机算法实现。
物体分割的目的是为了更好地进行三维建模和识别。
三、物体分割算法的研究现状1.基于图像分割的物体分割算法基于图像分割的物体分割算法是一种基于二维图像信息进行物体分割的技术。
其优点在于不需要进行三维重建，可以直接从图像中提取信息进行分割。
典型的基于图像分割的物体分割算法包括基于区域生长的算法、基于边缘检测的算法、基于分水岭算法的算法等。
2.基于深度学习的物体分割算法近年来，基于深度学习的物体分割算法得到了广泛关注。
该技术利用神经网络进行物体分割，其优点在于可以自动学习特征，并且具有很高的准确度。
典型的基于深度学习的物体分割算法包括基于全卷积网络的算法、基于FCN的算法、基于Mask RCNN的算法等。
3.基于体素分割的物体分割算法基于体素分割的物体分割算法是指将三维物体表示为一系列离散的体素，然后通过对体素进行聚类、分割和合并等操作来实现物体分割。
三维网格模型分割的研究及其在人体测量中的应用
三维网格模型分割的研究及其在人体测量中的应用三维网格模型分割的研究及其在人体测量中的应用摘要：在计算机科学领域中，三维网格模型分割是将3D模型分成各个独立的部分的过程。
现代科技中的三维扫描技术使得三维网格模型的获取变得越来越容易，因此三维网格模型分割也变得更加重要。
本文旨在探讨三维网格模型分割技术的研究进展，并着重讨论其在人体测量中的应用。
在本文中，我们将首先介绍三维网格模型分割的定义和研究背景，重点讨论三维网格模型分割算法的分类和性能指标。
然后，我们将深入探讨三维网格模型在人体测量中的应用，包括医学影像处理、虚拟现实和机器人定位导航等。
特别地，我们将详细讨论利用三维网格模型分割技术实现人体测量的方法和应用。
该论文所涉及的实验数据基于一个标准化的三维模型库，包含来自不同人群和不同种族的模型。
我们使用各类三维网格模型分割算法对这个模型库进行了实验比较，并得出了各个算法的优缺点。
结果表明，三维网格模型分割技术在人体测量中具有很好的应用潜力。
关键词：三维网格模型分割；人体测量；医学影像处理；虚拟现实；机器人定位导航。
I. 引言三维网格模型是用来描述物体表面的三维形状和纹理信息的一种数字化表示方法。
随着三维扫描技术的发展和基于三维网格模型的计算机应用的广泛应用，三维网格模型分割技术成为了一个热门研究课题。
三维网格模型分割是将三维网格模型分成各个独立的部分的过程，它是三维网格分析和应用中的一个核心问题。
分割后的每个部分都可以单独进行处理，并且可以对不同部分进行不同的操作，例如形状分析、局部纹理分析和对称性分析等。
本文旨在探讨三维网格模型分割技术的研究进展，并重点讨论其在人体测量中的应用。
II. 三维网格模型分割算法三维网格模型分割算法可以按照不同的分类方式进行划分，下面是主要的分类方法。
A. 基于图论的算法基于图论的算法将三维网格模型看做图的形式，将分割看做是图上的一个划分问题。
这种算法可以通过求解最小割问题实现。
三维几何模型分割和对齐算法
三维几何模型分割和对齐算法三维几何模型分割和对齐算法是在三维计算机视觉领域中的一种重要技术，主要用于处理三维模型的分割和对齐任务。
三维模型分割是将一个三维模型划分成多个部分或物体的过程，而三维模型对齐是将多个三维模型以一定的准则对齐到同一个坐标系中的过程。
本文将详细介绍三维几何模型分割和对齐算法的原理、方法以及在实际应用中的一些应用案例。
一、三维几何模型分割算法1.数据预处理：对三维模型进行预处理，包括去噪、平滑等操作，以减少后续算法的误差和噪声。
2.特征提取：从三维模型中提取出特征信息，如曲率、法向量等。
这些特征信息对于分割算法非常关键，可以用来判断分割边界和区域。
3.区域生长：根据预定义的条件和阈值，从特征点开始，逐步生长出一个个区域。
区域的生长过程可以基于邻域信息，也可以基于一定的几何约束。
4.分割验证：对生长出的区域进行验证，剔除不符合条件的区域。
这一步骤通常需要根据应用场景和模型特点进行适当的调整。
5.后处理：对分割结果进行平滑处理，修复边界，减少噪声。
这一步骤可以使用一些图像处理或曲面重建的技术。
二、三维几何模型对齐算法1.数据预处理：对多个三维模型进行预处理，包括去噪、平滑等操作，以减少后续算法的误差和噪声。
2.特征提取：从每个三维模型中提取出特征信息，如特征点、特征曲线等。
这些特征信息对于对齐算法非常关键，可以用来匹配和对齐不同模型之间的相同部分。
3.特征匹配：将特征信息进行匹配，找到多个模型之间的对应关系。
匹配可以基于特征点、特征曲线等信息进行。
4.刚体变换：根据特征匹配的结果，计算出刚体变换矩阵，将不同模型对齐到同一个坐标系中。
5.优化调整：对刚体变换进行优化调整，以进一步提高对齐的准确性。
这一步可以使用一些优化算法，如最小二乘法等。
三维几何模型对齐算法在许多领域都有广泛应用，如三维建模、医学图像处理、机器人导航等。
例如，在机器人导航中，对齐算法可以将多个传感器采集到的三维地图对齐到同一个坐标系中，以提供一致的地图信息，便于机器人进行导航和路径规划。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要图像分割是数字图像处理领域中的重要内容,遥感图像分割是图像分割的一个重要应用方向。
论文简要地概述了三种多尺度遥感图像分割算法，分别是基于HIS空间和颜色纯度的多尺度遥感图像分割算法、基于区域生长的多尺度遥感图像分割算法、基于分水岭算法的多尺度遥感图像分割算法。
关键字：图像分割,遥感,多尺度,算法AbstractImage segmentation is a digital image processing in the field of important content, remote sensing image segmentation image segmentation is an important application direction. This paper gives a brief overview of the three remote sensing image segmentation algorithm, which is based on the HIS color space and multiscaleimage segmentation based on watershed algorithm, multi scale image segmentation of remote sensing image.Keyword:image segmentation,remote sensing, multiscale,algorithm介绍：遥感图像分割[1]，就是对遥感图像进行处理，并从中提取目标的过程。
它是对遥感图像进行进一步处理和应用的基础。
遥感图像通常表现为对比度低，区域特征因不同的拍摄条件而产生较大变化，不同区域之间的边界模糊，以及形状结构和细微结构分布复杂多样，图像信息容量大等等。
由于遥感图像的这些特点，使得遥感图像分割没有可靠的模型进行指导，因而在一定程度上阻碍了图像分割技术在遥感领域的应用。
虽然目前已经有大量的图像分割算法，一些研究者利用各种方法对遥感图像的自动化分割进行了积极的尝试，但是目前还没有算法能够对不同条件下获取的同一地区的遥感图像都产生满意的分割结果，更没有通用的算法能够对所有的遥感图像都产生满意的分割结果。
图像分割是计算机视觉研究中的一个极为重要的基本问题，是由图像处理到图像分析的关键步骤。
分割结果的优劣直接影响到随后的图像分析、理解和景物恢复问题求解的正确与否。
对图像的理解有很好的作用，其定义为按照选定的一致性准则将图像划分为互相不交叠的、连通的像元集的处理过程[2]。
1.基于区域生长：仅仅利用光谱信息的传统分割方法已不能有效地对高分辨遥感图像进行分割。
鉴于高分辨率遥感图像提供了地物光谱、形状和纹理等大量信息，提出了一种基于区域生长结合多种特征的多尺度分割算法。
首先利用图像梯度信息选取种子点；其次综合高分辨率遥感图像地物的局部光谱信息和全局形状信息作为区域生长的准则进行区域生长。
迭代这两个过程，直到所有区域的平均面积大于设定的尺度面积参数则停止生长。
该算法用vc实现，实验结果表明该算法能获得不同尺度下的分割结果且分割效率高、分割效果好。
图像分析意在处理图像的语义。
很多情况下，单一的像素并不能反映出理解图像的重要语义信息，而是通过有意义的图像对象以及他们之间的相互关系表现出来。
如今，航空雷达以及卫星等高分辨率数据在遥感领域中发挥出越来越重要的作用。
图像分割是图像分析的第一步，也是图像处理中最古老最困难的问题之一。
常用的图像分割技术大致可划分为六类[3]：（1）自顶向下分割，如直方图域值分割，或基于最大后验概率（MAP）的最优分类；（2）基于边缘检测的分割；（3）区域生长与合并；（4）自底向上的迭代像素聚类，如模糊C 均值方法（FCM），基于马尔柯夫随机场（MRF）的聚类，基于神经网络的聚类；（5）主动轮廓模型（ACM）方法；（6）全局优化方法，如基于能量函数，贝叶斯公式，或最小描述长度（MDL）的分类方法。
这些算法各有不同的缺点：（1）域值方法简单但是效果差；（2）边缘检测只使用了局部信息，难以保证分割区域内部的颜色一致，且不能产生连续的封闭区域轮廓；（3）区域生长常得到不规则的边界；（4）迭代像素聚类计算量巨大；（5）ACM需要良好的初始分割；（6）全局优化方法难于找到最优解或次优解。
这些方法分割灰度图像效果较好，但用于彩色图像尤其是多光谱的遥感图像往往达不到理想的分割效果[4]。
通常处理彩色图像是通过颜色空间的转换，具体来说，有RGB 颜色模型，CMY颜色模型YUV 颜色模型HIS 颜色空间等等。
但是遥感图像具有多波段，“同质异谱”和“同谱异质”的特点，仅靠三原色的颜色空间转换已不能很好地反映出地物的颜色信息，必须结合图像的各个波段所表现出来的地物信息才能准确地反映出地物的特征[5]。
遥感图像由于分辨率的提高，图像的噪声也随之提高，因此仅仅利用颜色信息会导致分割区域的边缘不准确。
采用区域生长算法容易结合多种特征进行生长，但是要选择种子点。
为了优化区域增长方法，文献[6]提出一种种子区域增长（Seeded Region Growing，SRG）的方法，它的实现机制类似于分水岭方法。
与通常方法不同，SRG 首先选择一定数量的像元作为种子点。
这种事先选择种子点的方式，能避免选择噪音或其它无关像元成为种子点的情形，并能直接将关于图像的高层知识（如区域的数目$区域的典型特征等）融入到分割任务中。
但是在对象较多的图像中，这种通过人机交互确定种子方法会导致种子点选择不准确。
针对以上提出的问题，同时为了克服区域生长结果的不规则边界，本文提出了一种基于区域生长结合多特征，多波段的多尺度高分辨率遥感图像分割算法。
为了自动选择种子点，本文利用图像梯度信息来确定种子像素，同时结合高分辨率遥感图像局部各个光谱信息和全局形状信息准则来增强区域生长的能力。
由于影像分析的不同主题都有其特定的空间尺度，本文利用图像分割后区域的平均面积来度量图像空间尺度以用来获得最优分割效果，并作为区域生长结束的标志。
实验证明该算法具有较好的鲁棒性，分割效率高，分割效果好。
1.2 尺度参数遥感图像中的各个地物与图像分割的空间尺度的关系是非常紧密的[6]。
本文通过计算所有区域的平均面积作为图像分割的尺度参数和终止区域生长的准则，通过选取合适的值，可以得到满意的分割结果，也可以通过选择合适的尺度参数来分割出特定区域。
例如在图2 和图3 中使用同样的差异性度量参数，但使用了不同的尺度参数，较大的尺度参数可完整地分割出红色环形跑道。
1.3实验结果分析：（1）尺度参数不同#所生成的分割图像区域的大小也不同。
（2）形状权值中光滑度的权值大的分割区域的边界越光滑。
因此在实际的分割中可以通过调整各个权值和尺度参数来获得满意的结果，为进一步的图像分析奠定基础。
2.基于HSI空间和颜色纯度的多尺度遥感图像分割算法在不仅考虑了单个像元的属性而且考虑了像元集合的整体特性的情况下，首先在HIS(hue，intensity，saturation)空间根据分割尺度被分割成一个个小的区域，即一个个对象，然后小的对象又通过区域对象特性和相对位置信息合并成大的对象。
2.1 彩色空间的选择与颜色纯度表达颜色的彩色空间有很多种，它们常是根据不同的应用目的而提出的。
最常见的色彩空间是红绿蓝(red，green，blue，RGB)空间，彩色图像常用R、G、B 3个分量的值来表示，但R、G、B 3分量之间有很强的相关性，直接利用这些分量往往不能得到所需的效果。
比较接近人对颜色视觉感知的是色度、饱和度和亮度(hue，saturation，intensity，HIS)空间。
在对色彩信息的利用中，HIS空间的优点在于它将亮度(I)与反映色彩本质特性的两个参数一色度(H)和饱和度(S)分开。
光照明暗给物体颜色带来的直接影响就是亮度分量(I)，它与彩色信息无关，而H和S分量与人感受彩色的方式紧密相连。
HIS空间比较直观并符合人的视觉特性，因此采用此空间作为图像分割的基础，会获得比较好的效果。
2.2 多尺度效应不同目标在影像上具有的尺度不同，因此不同的分析目的所关注的尺度也会不同，2。
5m 分辨率的影像可以用来分析房屋，而1000m分辨率的可能只能用来分析植被覆盖，特定的目标分析要在特定的尺度上来进行。
尺度可分空间尺度与时间尺度，这里所提及的尺度均指空间尺度。
空间尺度是指在研究某一物体或现象时所采用的空间单位，同时又可指某一现象或过程在空间上所涉及到的范围。
客观存在的景观空间异质性依赖于空间尺度，当景观空间尺度发生变化时，所量测到的空间异质性也随之变化，因此尺度对景观空间异质性的测量与理解有着重要的影响。
尺度的把握就决定了分割结果的有效性。
分割尺度过大会使类别过度聚合难以区分目标，而尺度过小，使得对象特征统计不充分减弱了分割的作用，原始影像本身就相当于尺度为1的分割结果。
2.3 分割算法2.3.1 特定尺度的基于HIS彩色空间的图像分割1)把每个像素都当作原始对象，根据实际分析目的获得尺度值。
2)求对象在HIS彩色空间分量H 、I、S值，并且求出与邻居对象的相似度。
3)如果对象尺度大于规定尺度，则只有在相似度大于某阈值T时才标记合并标记。
如果小于规定尺度则把对象标记到相似度最大的相邻对象中。
检查是否分割结束。
当所有对象尺度都大于指定尺度M时分割结束，否则继续。
2.3.2 区域对象的合并1)计算某区域对象的均值和方差2)计算与该区域对象相邻的对象的均值与方差，根据对象之间的相似程度进行合并。
3)计算合并后对象的均值，作为该区域对象的彩色空间分量值。
检查是否结束，否则继续。
2.4 试验结果分析我们采用以上提出的算法，通过对彩色遥感图像进行分割，证明了本文中提出算法可以根据不同的遥感地物分割的要求实现多尺度的分割，而且较好的解决了的分割后的图像小区域对象与大区域对象之间的所属关系，提高了遥感影像分割的精度和有效性，进而为影像后续的分类和信息提取奠定了基础，在应用中具有一定的现实意义3.基于分水岭：面向对象的图像分析，关键在于发展多尺度的图像分割算法。
由于尺度变化不可能通过改变图像的分辨率来实现，因此，实现多尺度分割提取图像区域的可行方法是对同一图像在不同的指定尺度下进行多次分割，从而将遥感图像中不同尺度的地物与空间结构特征信息，借助不同指定尺度下的分割结果予以表现和描述。
分水岭分割方法使分割后的图像存在严重的过分割现象；而基于局部相邻区域合并异质性最小的多尺度分割，可以在任意指定的感兴趣尺度下，生成相应尺度下图像区域作为图像对象，为面向对象的遥感图像分析与地物目标提取提供基础。
高分辨率遥感图像中丰富的地物目标与空间语义信息必须在多尺度下才能充分表达和描述；因此，本算法对于高分辨率遥感图像的数据处理与信息提取具有一定的实用意义。