基于OpenCV的分水岭分割算法的及应用
图像处理中的标记分水岭分割算法
图像处理中的标记分水岭分割算法如果图像中的目标物体是连接在一起的，则分割起来会更困难，分水岭分割算法经常用于处理这类问题，通常会取得比较好的效果。
分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。
直接应用分水岭分割算法的效果往往并不好，如果在图像中对前景对象和背景对象进行标注区别，再应用分水岭算法会取得较好的分割效果。
有很多图像处理工具箱函数可以用到，如fspecial、imfilter、watershed、lable2rgb、imopen、imclose、imreconstruct、imcomplement、imregionalmax、bwareaopen、graythresh、和imimposemin函数等。
下面进行一个例子，步骤如下。
1、读取图像并求其边界，代码如下。
rgb = imread('pears.png');%读取原图像I = rgb2gray(rgb);%转化为灰度图像figure; subplot(121)%显示灰度图像imshow(I)text(732,501,'Image courtesy of Corel',...'FontSize',7,'HorizontalAlignment','right')hy = fspecial('sobel');%sobel算子hx = hy';Iy = imfilter(double(I), hy, 'replicate');%滤波求Y方向边缘Ix = imfilter(double(I), hx, 'replicate');%滤波求X方向边缘gradmag = sqrt(Ix.^2 + Iy.^2);%求模subplot(122); imshow(gradmag,[]), %显示梯度title('Gradient magnitude (gradmag)')在这一步骤中，首先读取一套真彩色图像，然后把真色图像转化为灰度图像，结果如图所示：图1原图和梯度图像使用sobel 边缘算子对图像进行水平和垂直方向的滤波，然后求取模值，sobel 算子滤波后的图像在边缘处会显示比较大的值，在没有边界处的值会很小，如上图右图所示。
C++中实现OpenCV图像分割与分水岭算法
C++中实现OpenCV图像分割与分⽔岭算法分⽔岭算法是⼀种图像区域分割法，在分割的过程中，它会把跟临近像素间的相似性作为重要的参考依据，从⽽将在空间位置上相近并且灰度值相近的像素点互相连接起来构成⼀个封闭的轮廓，封闭性是分⽔岭算法的⼀个重要特征。
API介绍void watershed( InputArray image, InputOutputArray markers );参数说明：image: 必须是⼀个8bit 3通道彩⾊图像矩阵序列markers: 在执⾏分⽔岭函数watershed之前，必须对第⼆个参数markers进⾏处理，它应该包含不同区域的轮廓，每个轮廓有⼀个⾃⼰唯⼀的编号，轮廓的定位可以通过Opencv中findContours⽅法实现，这个是执⾏分⽔岭之前的要求。
算法会根据markers传⼊的轮廓作为种⼦（也就是所谓的注⽔点），对图像上其他的像素点根据分⽔岭算法规则进⾏判断，并对每个像素点的区域归属进⾏划定，直到处理完图像上所有像素点。
⽽区域与区域之间的分界处的值被置为“-1”，以做区分。
我们将⼀个如何使⽤距离变换和分⽔岭分割相互接触的物体的例⼦。
考虑⼀下下⾯的硬币图像，这些硬币相互接触。
即使你去阈值化它，它也会互相碰触。
我们从找到硬币的⼤概估计值开始。
为此，我们可以利⽤⼤津的⼆值化。
#include<iostream>#include<opencv2\opencv.hpp>using namespace std;using namespace cv;int main() {Mat gray, thresh;Mat img = imread("coins.jpg");cvtColor(img, gray, COLOR_BGR2GRAY);threshold(gray, thresh, 0, 255, THRESH_BINARY_INV+CV_THRESH_OTSU);imshow("Otst阈值图像", thresh);waitKey(0);return 0;}阈值后的图像如下所⽰：现在需要去除图像中任何微⼩的⽩⾊噪声。
opencv分水岭算法cvWatershed
opencv分水岭算法cvWatershedopencv 分水岭算法cvWatershed(2012-09-04 16:42:04)转载▼标签：分水岭分类：专业it“分水岭的计算过程是一个迭代标注过程。
分水岭比较经典的计算方法是L. Vincent提出的。
在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。
首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。
分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。
显然，分水岭表示的是输入图像极大值点。
因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5 式中，f(x,y)表示原始图像，grad{.}表示梯度运算。
分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。
但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。
另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。
为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用先验知识去除无关边缘信息。
二是修改梯度函数使得集水盆只响应想要探测的目标。
Opencv中cvWatershed(const Mat &image , Mat& markers)；函数并不是上述采用传统的方法。
markers即是输入矩阵也是输出矩阵，大小与image大小相同。
使用该函数的时候，用户在markers矩阵中必须粗略指定两种以上区域，该区域为1个点以上的连通点集，并用不同的正整数(1，2，3…)标记。
这些区域可以用cvFindContour(),和cvDrawContour()标记。
基于分水岭技术的图像分割算法实现毕业论文
毕业论文声明本人郑重声明：1．此毕业论文是本人在指导教师指导下独立进行研究取得的成果。
除了特别加以标注地方外，本文不包含他人或其它机构已经发表或撰写过的研究成果。
对本文研究做出重要贡献的个人与集体均已在文中作了明确标明。
本人完全意识到本声明的法律结果由本人承担。
2．本人完全了解学校、学院有关保留、使用学位论文的规定，同意学校与学院保留并向国家有关部门或机构送交此论文的复印件和电子版，允许此文被查阅和借阅。
本人授权大学学院可以将此文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本文。
3．若在大学学院毕业论文审查小组复审中，发现本文有抄袭，一切后果均由本人承担，与毕业论文指导老师无关。
4.本人所呈交的毕业论文，是在指导老师的指导下独立进行研究所取得的成果。
论文中凡引用他人已经发布或未发表的成果、数据、观点等，均已明确注明出处。
论文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的研究成果。
对本文的研究成果做出重要贡献的个人和集体，均已在论文中已明确的方式标明。
学位论文作者（签名）：年月关于毕业论文使用授权的声明本人在指导老师的指导下所完成的论文及相关的资料（包括图纸、实验记录、原始数据、实物照片、图片、录音带、设计手稿等），知识产权归属华北电力大学。
本人完全了解大学有关保存，使用毕业论文的规定。
同意学校保存或向国家有关部门或机构送交论文的纸质版或电子版，允许论文被查阅或借阅。
本人授权大学可以将本毕业论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存或编汇本毕业论文。
如果发表相关成果，一定征得指导教师同意，且第一署名单位为大学。
本人毕业后使用毕业论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为大学。
本人完全了解大学关于收集、保存、使用学位论文的规定，同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、扫描、数字化或其它手段保存或汇编本学位论文；学校有权提供目录检索以及提供本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有关部门或者机构送交论文的复印件和电子版，允许论文被查阅和借阅。
基于分水岭算法图像分割
2
基于分水岭算法图像分割
第二章 图像分割算法综述
2.1 图像分割的概述
图像分割在图像处理中时一项关键的技术，在20世纪70年代开始一直受到人们的高度重视，迄今为止已 经提出了千百种分割算法，都因为无法通用的分割理论，现在所提出的是针对具体问题的分割方法，并没 有找到一种适合所有图像的通用分割算法。此外，需要制定出适用分割算法的标准，给图像分割技术带来 许多实际问题。最近几年又涌现出了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作 了划分。将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方 法。图像的分割方法有两种。一种是边界方法，一种是区域方法，两种方法都存在缺点和优点，一些学者 试图把两者结合起来进行图像分割，随着计算机处理能力的提高，越来越多的方法陆续的出现，如基于彩 色纹理图像分割、纹理图像分割。教学工具和实验手段也的到了很大的更新扩展，从时域信号到频域信号 处理，使得近来的小波变换也开始在图像分割中得到应用。
1.3 本文研究内容以及安排
本文根据国内外现有的图像分割方法，和课题设计要求，研究基于分水岭图像分割方法，梯度图像获 取，所使用的算子。并介绍了利用分水岭算法对图像进行分割。
1.3.1重点阐述本文所做的工作
本文总共为五章，每章具体内容如下。 第一章：绪论主要说明了图像分割的研究目的以及意义，图像分割的国内外现状，分水岭算法的现状， 以及论文的目的和章节的安排。 第二章：对图像分割做了简单的概述，以及对各种常用的分割方法做出了介绍。 第三章：介绍了标记分水岭算法，灰度图像梯度分割，梯度算法，以及对象标记。 第四章：简单介绍了MATLAB，以及使用MATLAB实现标记分水岭算法图像分割步骤和结果。 第五章：对本文工作做出了总结，以及看法。
分水岭算法详细介绍与应用
分水岭算法详细介绍与应用
分水岭算法（Watershed Algorithm），是一种用于图像分割的算法，主要用于识别图像中不同区域的分界，将不同的图像部件分割开实现分割任务，
可以用于图像分割，对象检测，语义分割，目标检测等应用领域。
它有两个关键步骤：Marker- Controlled Watershed Algorithm 和Region-Growing Watershed Algorithm。
Marker- Controlled Watershed Algorithm 使用标记控制水岭算法来实现图像分割，该算法将图像分割成不同的区域，通过将固定的标记放置在感兴趣的区域的边界上来区分这些区域。
它将这个有限的标记视为特殊的水源，并通过将聚类和标记之间的距离（山谷深度）作为一种特殊的权重来进行分割。
Region-Growing Watershed Algorithm 则是一种基于区域的算法，它将图像划分为不同的区域，然后逐渐地将这些区域划分更进一步，最后形成图像分割的结果。
应用场景：
1. 医学图像分割：分水岭算法可用于分割脑部及胸部CT图像，识别出特定部位，可用于肿瘤信息检测等；
2. 目标检测：分水岭算法可用于目标行为分析中，识别出舞蹈等动作；
3. 车牌识别：分水岭算法可与边缘检测相结合，实现车牌的识别；
4. 美容整形：使用分水岭算法用于晶体管（LightSheet）成像中，可以更精确的识别出需要整形的面部特征，比如眼睛、口红、嘴唇等；
5. 地图编辑：使用分水岭算法可以帮助专业人员编辑某个地点的街道图，例如，可以将街道、公园、河流等分割出来；
6. 后期处理：可以用分水岭算法来帮助专业人员识别难以被分辨的图像，如细胞等。
分水岭算法解析
分水岭算法解析分水岭的概念源于水流的概念。
我们可以将图像看作是一个地形图，灰度值高的点看作是山峰，灰度值低的点看作是低谷。
水流会从山峰流向低谷，当水流汇聚在一起时就形成了水坝。
在图像中，局部极小值点就相当于低谷，而水坝则表示分割的边界。
分水岭算法的基本原理是将图像看作一个潜在的三维表面，其中横轴和纵轴表示图像的位置坐标，而高度表示图像的灰度值。
算法的过程就是从局部极小值点开始，模拟水流的流动，直到水坝形成，得到图像的分割结果。
分水岭算法的主要步骤包括边缘检测、标记局部极小值点、生成梯度图、将局部极小值点作为种子点进行标记，然后进行泛洪填充，最后将边界提取出来得到分割结果。
分水岭算法的优点是对图像中的噪音具有一定的鲁棒性，能够处理复杂的图像结构。
但是，它也存在一些问题，例如分割结果可能会受到局部极小值点位置的影响，容易产生过分割或者欠分割的情况。
在本文中，我们将对分水岭算法的原理和实现进行详细的探讨。
首先，我们将介绍分水岭算法的基本原理和步骤，然后详细讨论如何实现这些步骤。
最后，我们将通过一个实例来展示分水岭算法在图像分割中的应用。
2. 分水岭算法的原理及步骤2.1 基本原理分水岭算法的基本原理是基于图像的灰度值和梯度来进行像素的分割。
它将图像看作是一个三维表面，其中横轴和纵轴表示图像的位置坐标，而高度表示图像的灰度值。
算法的过程就是模拟水流的流动，从局部极小值点开始，直到水坝形成，得到图像的分割结果。
在图像中，局部极小值点就相当于低谷，而水坝则表示分割的边界。
当水流汇聚在一起时，就形成了水坝。
因此，分水岭算法的目标就是找到图像中的局部极小值点，并模拟水流的流动，直到形成水坝，得到图像的分割结果。
2.2 算法步骤分水岭算法的主要步骤包括边缘检测、标记局部极小值点、生成梯度图、将局部极小值点作为种子点进行标记，然后进行泛洪填充，最后将边界提取出来得到分割结果。
（1）边缘检测首先对图像进行边缘检测，得到图像的梯度信息。
基于标记的分水岭算法原理
基于标记的分水岭算法原理
1、分水岭分割法是一种基于拓扑理论的数学形态学分割方法。
它的基本思想是把一幅图像看成一个测地线拓扑地形。
图像中每个像素的灰度值代表该点的海拔高度，每个局部最小值及其影响区域称为集水盆，集水盆的边界形成分水岭。
分水岭的概念和形成可以通过模拟浸泡过程来解释。
在每个局部最小值的表面扎一个小洞，然后将整个模型慢慢浸入水中。
随着浸没的加深，每个局部极小值的影响区域逐渐向外扩展，在两个集水池的汇合处筑起一道堤坝，形成一个分水岭。
2、分水岭的计算过程是一个迭代标注的过程。
经典的流域计算方法是由L. Vincent提出的。
在该算法中，分水岭计算分为两个步骤，一个是排序过程，另一个是洪泛过程。
首先，将每个像素的灰度从低到高排序。
然后，在由低到高的泛洪过程中，利用先进先出(FIFO)结构，在H阶高度判断并标记每个局部最小值的影响区域。
3、分水岭变换是输入图像的分水岭图像，分水岭之间的边界点是分水岭。
显然，分水岭表示输入图像的最大点。
因此，为了获得图像的边缘信息，通常使用梯度图像作为输入图像。
- 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)。
基于ＯｐｅｎＣＶ的分水岭分割算法的研究及应用［摘要］本文对基于形态学分水岭算法进行了深入的研究，并针对其存在的过分割问题对分水岭算法提出改进：使用区域合并方法限制允许出现的区域的数目，这种改进的方法不仅可以很好地抑制过分割问题，还能有效分割出图像中的感兴趣区域，以达到提取图像有效边缘信息的目的。
将此方法在ＯｐｅｎＣＶ下进行实验，结果表明这种方法可以有效清除干扰噪声及局部极小值，从而得到精确的分割结果。
［关键词］分水岭算法；过分割；区域合并；ＯｐｅｎＣＶ［中图分类号］ＴＰ３９１．４［文献标识码］Ａ［文章编号］１００８－１７８Ｘ（２０１２）１２－００２０－０３燕杨１，２，王云吉２（１．长春师范学院计算机科学与技术学院，吉林长春１３００３２；２．吉林大学通信工程学院，吉林长春１３００２２）［收稿日期］2012-07-16［基金项目］吉林省科技发展计划项目青年科研基金（201201112）。
［作者简介］燕杨（１９８１－），女，吉林长春人，长春师范学院计算机科学与技术学院讲师，博士研究生，从事数字图像处理研究。
第３１卷第１２期Ｖｏｌ．３１Ｎｏ．１２长春师范学院学报（自然科学版）ＪｏｕｒｎａｌｏｆＣｈａｎｇｃｈｕｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）２０１２年１２月Ｄｅｃ．２０１２１分水岭算法简介分水岭算法是基于形态学的图像分割方法，其分割特点为定位精确和分割图像边缘准确，在图像分割领域得到了广泛的应用。
在许多实际情况下，我们要分割图像，但无法从背景图像中获得有用信息。
分水岭算法在这方面往往是有效的，该算法可以将图像中的边缘转化为“山脉”，将均匀区域转化为“山谷”以便分隔目标。
分水岭算法先计算灰度图像的梯度，让亮度值低的点（山谷）、山脊对应的边缘（山头）同时形成，然后从指定点开始持续“灌注”盆地，直到这些区域链接在一起。
这种方法产生的标记可以把各个区域合并到一起，合并后的区域又通过“聚集”的方式进行分割，好像图像被“填充”起来一样。
与指示点相连的盆地就为指示点“所拥有”，从而得到被分割成相应的标记区域的图像。
分水岭算法允许用户来标记目标某个部分为目标，或背景的某个部分为背景。
用户也可以通过画一条简单的线，告知分水岭算法把这些点组合起来。
分水岭算法就会通过“拥有”边沿定义的山谷来分割图像。
分水岭算法定位精确且分割细致，对微弱的物体边缘响应比较敏感，能确保得到目标区域封闭连续边缘。
但物体表面一些细微的灰度变化以及图像中的噪声干扰等因素皆会导致对图像过度分割的产生，从而产生过多无用的边缘信息。
本文在对分水岭算法进行了深入的研究的基础上针对其过分割的问题提出改进：使用区域合并方法限制允许出现的区域的数目，这样不仅可以有效地抑制过分割问题，还能较好地分割出图像中的目标区域，以达到提取图像有效边缘信息的目的。
２原理２．１分水岭传统方法分水岭分割方法是基于拓扑理论的形态学分割方法，它的基本概念是将图像看成地形学上被水覆盖的自然地貌，图像中的每一点像素的灰度值表示这一点海拔的高度，其中每一个局部极小值和它所影响的区域称为集水盆，集水盆的边界形成了分水岭［１］；其思想和形成可以通过模拟“溢流”的过程来说明：首先，20··在各个极小区域的底部打一个小孔，让水从孔中溢出，慢慢浸没极小区域周围的区域，这样各个极小区域所波及的范围就是相应的集水盆，各个不同区域的水相连时的边界，就是想要获取的分水岭［２］。
分水岭的经典算法是Ｌ．Ｖｉｎｃｅｎｔ提出的模拟沉浸算法，其计算过程是一个迭代标注过程。
在这个算法中两个步骤，分别是排序过程和淹没过程［３］；首先对各个像素的灰度级进行低到高排序，然后在从低到高实施浸没的过程中，对各个局部极小值在ｈ阶－高度的影响域采用ＦＩＦＯ（先进先出）结构来进行判断和标注［４］。
设ｈｍｉｎ和ｈｍａｘ是灰度图像Ｉ的最低灰度和最高灰度，Ｔｈ（Ｉ）表示灰度值小于等于阈值ｈ的所有像素，即Ｔｈ（Ｉ）＝｛ｐ｜Ｉ（ｐ）≤ｈ｝。
Ｍ１，Ｍ２，…，ＭＲ为图像中的局部最小点，即低洼。
Ｃ（Ｍｉ）表示与低洼Ｍｉ相对应的集水盆地。
Ｃｈ（Ｍｉ）表示Ｃ（Ｍｉ）的一个子集，它由该集水盆地中灰度值小于等于ｈ的所有像素组成，即Ｃｈ（Ｍｉ）＝Ｃ（Ｍｉ）∩Ｔｈ（Ｉ）。
ｍｉｎｈ（Ｉ）表示灰度值等于ｈ的所有局部最小值。
令Ｃ［ｈ］表示所有集水盆地中灰度值小于等于阈值ｈ的像素集合，即：C[h]=Rt=1胰C h（M i）.那么，Ｃ［ｈｍａｘ］就是所有集水盆地的并集。
显然，Ｃ［ｈ－１］是Ｔｈ（Ｉ）的一个子集。
假设已经得到阈值ｈ－１下的Ｃ［ｈ－１］，现在需要从Ｃ［ｈ－１］获得Ｃ［ｈ］。
若Ｙ为包含于Ｔｈ（Ｉ）的一个连通成分，则Ｙ与Ｃ［ｈ－１］的交集有以下三种可能：（１）Ｙ∩Ｃ［ｈ－１］为空；（２）Ｙ∩Ｃ［ｈ－１］不为空且包含Ｃ［ｈ－１］中的一个连通分量；（３）Ｙ∩Ｃ［ｈ－１］不为空且包含Ｃ［ｈ－１］中的多个连通分量。
于是，Ｃ［ｈ］就包含对Ｃ［ｈ－１］中的各集水盆地在水平ｈ下扩展得到的区域以及水平ｈ下新出现的低洼。
模拟沉浸法将Ｃ［ｈｍｉｎ］初始化为Ｔｈｍｉｎ（Ｉ），从最小灰度ｈｍｉｎ开始，逐灰度级由Ｃ［ｈ－１］构造出Ｃ［ｈ］，直到ｈｍａｘ，此时，得到的Ｃ［ｈｍａｘ］就是所需标记的集水盆地。
其他不属于任何一个集水盆地的点就是分水线点，通过在图像中求Ｃ［ｈｍａｘ］的补集可以得到［５］。
２．２改进方法利用上述传统方法经常会因为噪声的干扰和梯度的局部不规则性影响而造成过度分割。
如对图１使用传统算法得到的实验结果如图２所示，图２中的过度分割产生了很多无关的边缘信息，过多的无关信息让结果没有意义。
图１原图像图２使用传统分水岭分割算法得到的结果利用区域合并的方法来限制出现的区域的数目可以有效解决该问题。
控制过度分割，我们将标记作为基础。
本文以Ｏｐｅｎｃｖ中的函数ｃｖＷａｔｅｒｓｈｅｄ（ｃｏｎｓｔＭａｔ＆ｉｍａｇｅ，Ｍａｔ＆ｍａｒｋｅｒｓ）为例进行说明。
ｍａｒｋｅｒｓ即是输入矩阵也是输出矩阵，大小与ｉｍａｇｅ大小相同。
使用该函数时，在ｍａｒｋｅｒｓ矩阵中粗略指定两种以上区域，该区域为１个点以上的连通点集，并用不同的正整数（１，２，３…）标记。
这些区域可以用ｃｖＦｉｎｄＣｏｎｔｏｕｒ（），和ｃｖＤｒａｗＣｏｎｔｏｕｒ（）标记。
用户或算法可以通过画一条简单的线，有效地告知分水岭算法把这些点组合起来。
ｍａｒｋｅｒｓ矩阵其他区域为０。
调用ｃｖＷａｔｅｒｅｄ（）函数后，ｍａｒｋｅｒｓ矩阵中所有为０的部分被重新标记为正整数，或为－１，－１代表筑起来的坝。
标记是图像的连通分量，分为内部标记和外部标记，内部标记与目标体相关，外部标记与背景相关。
图像中存在的许多隐含的极小值是导致图２过度分割的原因之一，因为这些区域都很小，所以这些值中有很多是没有意义的细节。
此时将图像用平滑滤波器过滤，将这些对图像产生影响的极小的无关细节降到最少，21··然后假定在这种情况下，把内部标记定义成：（１）区域中的点组成的一个连通分量；（２）这个连通分量中点的相同灰度值；（３）被海拔更高的点包围起来的区域，然后对经过平滑处理后的图像进行分水岭分割，并将这些得到的分水线定义成外部标记，将定义局部最小值为内部标记。
这时，沿着分水线的点就是相对理想的背景选择点，因为这些点都经过了相邻的标记间的最顶点。
外部标记有效地将图像分割成包含一个唯一内部标记和部分背景的单独区域，并对这些单独的区域依次使用分水岭分割算法，这个操作在求得平滑后图像的梯度之后进行。
使用这种方法得到的结果如图３所示，与图２相比较效果明显改善，原图像中的楼体、路灯、树枝、车辆都相对图２获得更多、更有意义的边缘提取结果。
图３使用改进分水岭分割算法得到的结果３结果分析本文利用区域合并改进了分水岭的传统算法，实现了既可以有效地抑制噪声，又达到了增强图像的目的，解决了两者之间平衡的矛盾，得到了相对较好的效果。
我们的实验样本图像从彩色风景图像、彩色建筑物图像、彩色人脸图像中选取，在这些图像中实施本文算法抑制过分割效果较为明显，但在医学图像等灰度图像中算法效果有待进一步改善。
［参考文献］［１］徐奕奕，刘智琦，刘琦．基于改进的分水岭算法图像分割方法研究［Ｊ］．计算机仿真，２０１１（９）：２７２－２７４．［２］周小红，蔚立磊，王国权．基于分水岭算法的图像分割方法研究［Ｊ］．计算机仿真，２００９（５）：２５５－２５８．［３］韩明．基于单目视觉的颗粒粒度现场检测技术研究［Ｄ］．绵阳：西南科技大学，２０１１．［４］吴德．基于图像处理的胶囊检测系统的研究［Ｄ］．广州：广东工业大学，２０１１．［５］ＧａｒｙＢｒａｄｓｋｉ，ＡｄｒｉａｎＫａｅｂｌｅｒ．学习ＯｐｅｎＣＶ［Ｍ］．于仕琪，刘瑞祯，译．北京：清华大学出版社，２００９：３２８．The Research and Application of Watershed Segmentation Algorithm Based on MorphologyＹＡＮＹａｎｇ１，２，ＷＡＮＧＹｕｎ－ｊｉ２（１．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＣｈａｎｇｃｈｕｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００３２，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００２２，Ｃｈｉｎａ）Abstract:Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅｃａｒｒｉｅｄｏｕｔｉｎ－ｄｅｐｔｈｒｅｓｅａｒｃｈｏｎｔｈｅｗａｔｅｒｓｈｅｄａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｍｏｒｐｈｏｌｏｇｙ，ａｎｄｐｕｔｆｏｒｗａｒｄａｎｉｍｐｒｏｖｅｄｍｅｔｈｏｄｉｎｖｉｅｗｏｆｔｈｅｅｘｉｓｔｉｎｇｐｒｏｂｌｅｍｏｆｏｖｅｒｓｅｇｍｅｎｔａｔｉｏｎ．Ｔｈｅｍｅｔｈｏｄｏｆｒｅｇｉｏｎｍｅｒｇｉｎｇｗａｓｕｓｅｄｔｏｌｉｍｉｔｔｈｅｎｕｍｂｅｒｏｆａｌｌｏｗａｂｌｅｒｅｇｉｏｎｓ，ａｎｄｔｈｅｉｍｐｒｏｖｅｄｍｅｔｈｏｄｃａｎｎｏｔｏｎｌｙｉｎｈｉｂｉｔｏｖｅｒｓｅｇｍｅｎｔａｔｉｏｎｐｈｅｎｏｍｅｎｏｎ，ｂｕｔａｌｓｏｓｅｇｍｅｎｔｔｈｅｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔｉｎｔｈｅｉｍａｇｅ，ｉｎｏｒｄｅｒｔｏａｃｈｉｅｖｅｔｈｅｐｕｒｐｏｓｅｏｆｅｘｔｒａｃｔｉｎｇｔｈｅｅｆｆｅｃｔｉｖｅｅｄｇｅｉｎｆｏｒｍａｔｉｏｎｏｆｉｍａｇｅ．ＴｈｅｍｅｔｈｏｄｗａｓｅｘｐｅｒｉｍｅｎｔｅｄｕｎｄｅｒＯｐｅｎＣＶ，ａｎｄｔｈｅｒｅｓｕｌｔｓｈｏｗｅｄｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｅｆｆｅｃｔｉｖｅｌｙｅｌｉｍｉｎａｔｅｌｏｃａｌｍｉｎｉｍｕｍｖａｌｕｅａｎｄｎｏｉｓｅ，ｓｏａｓｔｏａｃｈｉｅｖｅｔｈｅａｃｃｕｒａｔｅｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓ．Key words:ｗａｔｅｒｓｈｅｄａｌｇｏｒｉｔｈｍ；ｏｖｅｒｓｅｇｍｅｎｔａｔｉｏｎ；ｒｅｇｉｏｎｍｅｒｇｉｎｇ；ＯｐｅｎＣＶ22··。