اغلب الگوریتمهای ناحیه بندی چند سطحی مبتنی بر تئوری Markov و مدل Bayesian می باشند. در این پروژه با انگیزه استخراج نواحی با مرزهای دقیق تر و کاهش هر چه بیشتر میزان محاسبات و همچنین قابلیت استفاده از اطلاعات دسترس که در سطوح مختلفی از وضوح قرار دارند، الگوریتم ناحیه بندی چند سطحی جدیدی مبتنی بر تئوری مورفولوژی ارائه گردیده است که قابلیت استفاده از اطلاعات فاصله را هم دارا می باشد. ابتدا از تصویر مورد نظر هرمی از تصاویر در سطوح وضوح مختلف تشکیل می گردد. سپس تصویر در پایین ترین سطح وضوح هرم بصورت تک سطحی ناحیه بندی می گردد. بدین منظور تصویر پایین ترین سطح وضوح با استفاده از تبدیل Watershed به نواحی مختلفی افراز می گردد. برای کاهش تعداد نواحی بدست آمده در یک الگوریتم تکراری وبا استفاده از معیار بیشترین شباهت میان دو ناحیه، نواحی مجاور در هم ادغام می گردند. معیار بیشترین شباهت برابر با کمترین اختلاف میانگین سطح خاکستری (برای تصاویر خاکستری) و یا رنگ (برای تصاویر رنگی) ما بین دو ناحیه مجاور می باشد. با توجه به سطح وضوح در پایین ترین سطح هرم، حجم محاسبات عملیات فوق زیاد نمی باشد. در ادامه و در یک الگوریتم تکراری و با شروع از پایین ترین سطح هرم، ناحیه بندی سطح پایین تر به سطح بالا تر تصویر می گردد. نحوه تصویر نمودن ناحیه بندی و وفق دادن آن با لبه های تصویر در سطح بالاتر به روش جدیدی صورت می گیرد. از ویژگیهای این روش متناسب بودن آن با نواحی بدست آمده با تبدیل Watershed در سطح بالاتر تصویر دارد که باعث دقیق بودن مرزهای ناحیه بندی در سطح بالاتر هرم می گردد. همچنین شباهت تعداد و شکل نواحی ناحیه بندی سطوح پایین و بالا از دیگر ویژگیهای این روش می باشد. برای استفاده از اطلاعات فاصله، ابتدا دستگاه اپتیکی- الکترونیکی طراحی و ساخته شده است که با تاباندن نور لیزر به نقاط مختلف صحنه دیده شده کادر دوربین و استفاده از روابط مثلثاتی مناسب، فاصله نقاط مختلف صحنه تا دروبین تعیین می گردد. در این روش بر خلاف روشهای مرسوم فاصله سنجی نیازی به دریافت بازتابش نور لیزر بوسیله سنسور های خاص و محاسبه زمان رفت و برگشت نور لیزر نمی باشد. زیرا با توجه به روش ابداع گردیده قابلیت تشخیص پیکسل متناظر با نقطه مورد اصابت نور لیزر در صحنه تصویر دوربین برای فاصله سنجی کافی کافی می باشد. این ویژگی باعث افزایش چ
