1.一種三維場(chǎng)景中模型合并的方法，其特征在于，包括：
根據(jù)模型材質(zhì)將三維場(chǎng)景中的第一模型分配到至少一個(gè)集合中；
根據(jù)K-means算法將每個(gè)集合中的所述第一模型分成至少一個(gè)聚類；以及
將每個(gè)聚類中的所述第一模型合并為第二模型。
2.如權(quán)利要求1所述的方法，其特征在于，所述第一模型包括：多個(gè)頂點(diǎn)、多個(gè)面及所述模型材質(zhì)。
3.如權(quán)利要求1所述的方法，其特征在于，根據(jù)K-means算法將每個(gè)集合中的所述第一模型分成至少一個(gè)聚類包括：
a)根據(jù)K-means算法將每個(gè)集合中的所述第一模型分成K個(gè)初始聚類，其中K為正整數(shù)；
b)計(jì)算每個(gè)初始聚類中的均方差、每個(gè)初始聚類中的所述第一模型的頂點(diǎn)的總和及每個(gè)初始聚類中的所述第一模型的面的總和；以及
c)分別將均方差閾值與所述每個(gè)初始聚類中的均方差、頂點(diǎn)閾值與所述頂點(diǎn)的總和及面閾值與所述面的總和進(jìn)行比較，以將每個(gè)集合中的所述第一模型分成所述至少一個(gè)聚類。
4.如權(quán)利要求3所述的方法，其特征在于，K＝1。
5.如權(quán)利要求3或4所述的方法，其特征在于，步驟a)包括：根據(jù)K-means算法，基于每個(gè)集合中的所述第一模型之間的歐幾里得距離，分成所述K個(gè)初始聚類。
6.如權(quán)利要求5所述的方法，其特征在于，步驟c)包括：
當(dāng)所述每個(gè)初始聚類中的均方差大于所述均方差閾值時(shí)，使K＝K+1，并重新執(zhí)行步驟a)至步驟c)；
當(dāng)所述每個(gè)初始聚類中的均方差小于或等于所述均方差閾值時(shí)，比較所述頂點(diǎn)的總和與所述頂點(diǎn)閾值。
7.如權(quán)利要求6所述的方法，其特征在于，步驟c)還包括：
當(dāng)所述頂點(diǎn)的總和大于所述頂點(diǎn)閾值時(shí)，使K＝K+1，并重新執(zhí)行步驟a)至步驟c)；
當(dāng)所述頂點(diǎn)的總和小于或等于所述頂點(diǎn)閾值時(shí)，比較所述面的總和與所述面閾值。
8.如權(quán)利要求7所述的方法，其特征在于，步驟c)還包括：
當(dāng)所述面的總和大于所述面閾值時(shí)，使K＝K+1，并重新執(zhí)行步驟a)至步驟c)。
9.如權(quán)利要求1或2所述的方法，其特征在于，還包括：根據(jù)所述第二模型，更改所述三維場(chǎng)景中的模型引用關(guān)系。
10.如權(quán)利要求1或2所述的方法，其特征在于，所述材質(zhì)包括所述第一模型中使用的繪制方法和貼圖的分類。
11.一種三維場(chǎng)景中模型合并的裝置，其特征在于，包括：
材質(zhì)分類模塊，用于根據(jù)模型材質(zhì)將三維場(chǎng)景中的第一模型分配到至少一個(gè)集合中；
模型分類模塊，用于根據(jù)K-means算法將每個(gè)集合中的所述第一模型分成至少一個(gè)聚類；以及
模型合并模塊，用于將每個(gè)聚類中的所述第一模型合并為第二模型。
12.如權(quán)利要求11所述的裝置，其特征在于，所述第一模型包括：多個(gè)頂點(diǎn)、多個(gè)面及所述模型材質(zhì)。
13.如權(quán)利要求12所述的裝置，其特征在于，所述模型分類模塊包括：
均方差閾值判斷子模塊，用于判斷聚類中的均方差數(shù)值是否超過均方差閾值；
頂點(diǎn)閾值判斷子模塊，用于判斷聚類中模型頂點(diǎn)總數(shù)是否超過頂點(diǎn)閾值；
面閾值判斷子模塊，用于判斷聚類中模型面總數(shù)是否超過面閾值；
K-means算法子模塊，用于根據(jù)K-means算法將所述集合中的模型分成k個(gè)初始聚類。
14.如權(quán)利要求12所述的裝置，其特征在于，還包括：引用模塊，用于根據(jù)所述第二模型，更改所述三維場(chǎng)景中的模型引用關(guān)系。