1.一种基于尺度感知的图像分割层次选择方法，基于图像多层次分割结果，由低到高层次提取并计算图像分割的区域特征，度量不同层次分割区域的质量；以分割粒度最细的层次区域为节点集，建立优化组合图模型；通过迭代优化得到每个节点最优的尺度标签，最后合成新的分割结果，包括如下步骤：步骤1：将多层次图像分割结果表示成超度量轮廓图Ultrametric Contour Map，其中包括n个层次分割结果；以 层次为起点，l为固定步长，由低到高取k个层次的图像分割结果 其中每幅分割图像包含的区域个数满足关系步骤2：计算S中每幅分割图像特征，以此得到区域的分割质量；区域特征包括：每个区域的RGB颜色直方图、纹理直方图和分割区域几何尺寸特征,同时计算图像边缘梯度值；根据区域特征计算区域的分割质量，即区域内部直方图特征的一致性、相邻区域之间特征直方图的卡方距离,计算图像边缘梯度平均值，作为边缘的分割质量；将所有分割质量分数相加，得到每个区域的分割质量总评价分数；

步骤3：建立S的区域层次关系模型,以 中的每个区域为叶节点，分别找到它们在中对应的父节点，且满足每个叶节点在每个层次中有且仅有一个父节点；如果某相邻两个分割层次的对应父节点区域完全重合，则记为同一个父节点,以此构成至下而上k个层次的树形结构T，k≤n；设置变量m＝1，叶节点最优层次标签集合初始值为步骤4：构造多标签图模型；

步骤4.1：按照父节点所在的层次，选择父节点在第m层的叶节点，构成集合Vm,构建图模型G＝＜Vm,Em＞，其中Vm，Em表示图G中节点和连接节点的边，分别对应 中部分叶节点区域以及这些区域之间的相邻连接；

步骤4.2：设置图模型G的n-links值,即设定相邻叶节点之间连接边的权重，对于ei∈Em，ei的权值为 其中步骤4.3：设置图模型G的t-links值,即Vm中每个叶节点对应在l*,...,m层中父节点的分割质量分数，因此每个叶节点有|m-l*+1|个t-links值；计算方法：找到Vm中每个叶节点在*T中第l 至m层的父节点，利用步骤2的计算结果将每个叶节点的t-links设为父节点在中对应区域的分割质量分数；

步骤5：利用α-expansion算法求解步骤4中所构建的多标签图模型的最优解，更新L*中Vm叶节点的最优层次类别标签；令m＝m+1，如果m≤k，返回步骤4；

步骤6：根据标签集合L*找到每个节点对应分割层次，从而找到叶节点在对应层次上对应的分割区域,将所有分割区域按空间位置排列，得到最终的分割结果。

2.根据权利要求1所述的基于尺度感知的图像分割层次选择方法，其特征在于：步骤1中k值选择不宜超过10，即固定步长l不宜小于