随着传感器技术的发展和计算机性能的不断提高，遥感影像分辨率越来越高，遥感影像数据量越来越大。不断发展的遥感技术在提高信息提取能力及监测精度的同时，也为遥感影像分析带来难题和挑战。将计算机视觉领域的分割算法和遥感影像自身特点结合起来，研究更适宜于遥感影像的分割算法成为一个热点研究问题。面向对象分割算法思想要求在进行影像分割时不能只考虑像元的光谱特征，应综合考虑像元的光谱特征及空间结构特征。将计算机视觉领域中基于边缘的分割算法及基于区域的分割算法进行有效的结合，将是一个有效的解决方案。传统的分水岭算法存在严重的过分割问题，对于此问题，解决方案一般分两种：1.水岭变换前，减少产生过分割因素；2.分水岭变换后，提出规则进行区域合并。本文主要采用第一种解决方案，给出减少产生过分割因素的算法：通过有效的滤除噪声算法，在此基础之上进行基于数学形态学的标记重构，在分水岭变换前减少部分产生过分割因素。传统线性滤波器在滤除噪声的同时会模糊图像信号的细节特征，尤其对于纹理丰富图像的影响更为严重。非线性滤波器在滤除噪声的同时能最大限度地保持图像的高频细节，从而被广泛的应用于滤波。本文算法采用基于多尺度轮廓结构元素的形态学滤波器，能有效的滤除噪声及保留图像的边缘信息，且在计算梯度图像时采用多尺度多方向结构元素可以提升算子提取边缘的能力。经过改进的形态学滤波器滤波后，梯度图像依然存在未被滤除的暗噪声和不规则的纹理。本文算法在滤波后采用改进的扩展最小变换标记及重构，进一步减小产生过分割的因素。本文将给出一种有效的简单易操作的参数选取算法，通过有效的迭代算法选取最合适的参数h。仿真实验表明，该算法能有效解决分水岭算法的过分割问题。如何有效的将提取得到的各个方向边缘进行融合而不是简单的加权需要进一步研究。对于使用标记重构算法解决过分割问题，下一步研究将集中于引入扩展最小变换后局部极小值区域面积及面积深度比两个参数，进一步提高算法的性能。