分水岭算法原理

1、精心整理所谓分水岭算法有好多种实现算法，拓扑学，形态学，浸水模拟和降水模拟等方式。要搞懂就不容易了。 WatershedAlgorithm（分水岭算法），顾名思义，就是根据分水岭 的构成来考虑图像的分割。现实中我们可以或者说可以想象有山有湖的景象，那么 那一定是水绕山，山围水的情形。而区分高山（plateaus）与水的界线，以及湖与湖 之间的间隔或都是连通的关系，就是我们可爱的分水岭（ watershed）。为了得到一个 相对集中的集水盆，那么让水涨到都接近周围的最高的山顶就可以了，再涨就要漏 水到邻居了，而邻居，嘿嘿，水质不同谈，会混淆自我的。那么这样的话，我们就 可以用来获取边界高度大，中

2、间灰阶小的物体区域了，它就是集水盆。浸水法，就 是先通过一个适当小的阈值得到起点，即集水盆的底；然后是向周围淹没也就是浸 水的过程，直到得到分水岭。当然如果我们要一直淹没到山顶，即是一直处理到图 像灰阶最高片，那么，当中就会出现筑坝的情况，不同的集水盆在这里想相遇了， 我们要洁身自爱，到这里为止，因为都碰到边界了。不再上山。构筑属于自己的分 水岭。在计算机图形学中，可利用灰度表征地貌高。图像中我们可以利用灰度高与 地貌高的相似性来研究图像的灰度在空间上的变化。这是空域分析，比如还可以通 过各种形式的梯度计算以得到算法的输入，进行浸水处理。分水岭具有很强的边缘 检测能力，对微弱的边缘也有较好的效

3、果。为会么这么说呢？为什么有很强的边缘 检测能力，而又能得到相对集中的连通的集水盆？现实中很好办，我们在往凹地加 水的时候，直到它涨到这一块紧凑的山岭边缘就不加了；但是如果有一条小山沟存 在，那没办法，在初始阈值分割的时候，也就是山沟与集水盆有同样的极小值，而 且它们之间是以这个高度一直连接的。那没关系，我们将它连通。在图像上呢？如 何实现？精心整理精心整理看看算法，算法思想是这样的:首先准备好山和初始的水。这山就是我们的初始图像了，比如用自然获取的图像的梯度来表征山地的每一点的高度吧；而初始的水就是在阈值记为Thre底下，所有的低于这个高度的整个山地都加水，直到这个阈值Thre高度。从而有三

4、个初始量：unsignedchar*Ori_image、char*Seed_image 和 int*Label_image。最后一个是为最 终的结果做准备的。当然要做好初始化，比如，Ori_image赋值为原图像（256色灰度图）的梯度值，Seed_image则是初始状态下有水的置位，无水的复位，而Label_image 则全初始化为0,最终得到的是各点对应的区域号。 接下来是考虑将已加的水进行记 录，记录成连通的区域，也就是看看有多少个互不相关的集水盆，有五个，那么我 们就涨出五个湖，而且尽可能的高，只要大家想到不溢出。在算法上，有多少个连 通的区域就记录成多少个数据结构，功夫就在于如何将这

5、些连通的区域连接成一块， 并由一个数据结构来表达了。很好，我们准备用一个向量容器来实现初始保存，保 存所有标记区域种子队列的数组，里面放的是种子队列的指针vque,而且这个队列是由一系列属于同一个区域的图像点组成，我们来自一个集水盆：）；其保存方式是这样的：queue*pque=newqueue256; vque.push_back（pque）,这样便将 个成员放进到这个区域来了，即容器-集水盆的保管部，容器中的每个指针，都 指向一个集水盆，也就是我们要的连通区域；所以我们可以方便地由这个容器数据 结构直接读值的方便性进行操作，一个脚标就可以得到一个区域（队列指针）的指 针；而每个队列还不简单

6、，并不是一列整形数那么易搞，所以说啊，这个算法，真 头痛，这个队列的一个成员是一个点；而注意到vque里存放的一 256个队列的的起始指针，真够残忍的。也就是说vqueij就表达了一个队列，这个队列里可以存储操 作一系列的点；显然容量取256是因为所有的初始或者是最终的区域中可能有0-256之间的不同的灰阶的点，那么我一个区域分用256个队列来记录这些成员点啦，很精心整理精心整理有可能，这里就只有一个集水盆，那么，256个灰阶的点都存在一个区域就有可能了。统计初始连通区域的方法是，八连通邻域法，即从逐一扫描输入的Seed_imag的每个像素点，将所有的标记了的初始集水盆一一纳入各自的区域，这是

7、整修图像的扫 描，形成外循环。先创建一个临时队列quetem,用来处理当前初始集水盆的连通连接，将逐一扫描到的属于一个特定的初始集水盆区域的可生长点暂存，并形成一个 内循环。对当前扫描点的处理是，首先判断该点是否为某个初始集水盆的点，如果 不是跳过；接下来是，如果是初始集水盆的点，那么它的八连通域中是否存在不可生长的点（这里的不可生长是指Seed_image中没有标记的点），扫描的八连通邻域中 的点是可生长的，即有标记的，则将之加入到临时队列中quetem;如果扫描到的连通邻域中有不可生长的至少一个点存在，那么加入到种子队列，记当前区域号为 Num,当前扫描点为（m, n）,从而当前的灰阶为

8、Ori_imagemn,将当前点添加到种子队列：vqueNum- 1Ori_imagemn.push（POINT（m,n）。这里 有两个循环，一个是quetem,另一个是Seed_image直到两个循环完整结束，那么 就得到了各个连通初始集水盆的记录，保存标记是区域号Num;而我们同时得到了初始的分水岭，那就放在了保存地点vque,这里面标识了它们对应的区域号，和区域里面对应的点的灰阶，即是特定区域特定灰阶对应的点的集合；我们可以获取这 些分水岭的点所在的区域号，可以得到该区域的所有的灰阶的点信息。一句话，统 计连通区域的功能有两个，一是标记初始区域，二是找分水岭。初始的区域标记好 了，分水岭

9、也找到了，那么可以开始 水漫梁山”了。这就是淹没过程。淹没过程由也 是由一个内嵌循环的循环来实现的：外循环是做水位上升（这里循环次数一定要256以内），waterlevel的上升，原来是已经做过了初始的水位分割， 那么现在可以从Thre 开始了，让水位慢慢上升，让它原本的湖慢慢扩张，尽量利用其应有的空间，而又 不至于淹没到其它的邻居湖泊。内循环是扫描每个初始区域（当前Num,从而有Num 精心整理精心整理个循环）的分水岭的点（在 vque田中），按照给定的水位进行扩张。扩张过程是这 样的：扫描到的分水岭的当前点，对其进行四连通邻域进行逐一检查，如果四连通 域中有点没有标记的（那这一定是高度较高

10、的点，较低的前面一定扫描过），那么先对该点以本区域号做标记 Num （注意是当前的Num）;再判断它在当前水位下是否可 生长（灰阶是否小于等于waterlevel）,如果可生长那么加入到vqueNumwaterlevel 种子队列中，将会再次进入内循环，否则如果在当前水位下不可生长，则加入到这 个邻域点的分水岭集合中 vqueNumOri_image邻域点口队列中。如此往复循环，直 到对应区域完成，一个水位，扫描所有的区域的分水岭，这样各自同时在一个水位 下扩张，保证了不出现跳跃的情况出现（就是一个水位一个区域全局扩张）。最终，所有的区域在每个水位都扩张完毕，得到了分割图，我们的大湖泊形成了。

11、这是分 水岭算法的一种实现方式。仔细考察不难发现这种实现方式不能产生新的集水盆， 也就是说，由于初始集水盆的局限性，很可能会浪费大部分没有发掘出来的起始点 较高的集水盆地。这样，我们就要对算法进行修改了。实现方式是：在淹没的过程 中，我们是由阈值Thre的水位开始淹没的，那么我们可以对初始区域之外的没有标 记的点（从Seed_image中考察），对之进行标记，条件是先把这一轮的内循环做好， 然后在剩下的没标记区域中发掘新的集水盆，并加入到我们的种子队列中，下一个 水位开始，就又多了一个新成员了，让它们不断膨胀，成长，拥有自己的小天的成 员就会逐一的被分割出来。不过话说回来，我们这里是采用梯度图像，一般情况下， 阈值初始分割能够满足我们的要求，把灰阶变化平滑的先截取出来，梯度信息已然 足够强大；而如果采用了新盆地扩张，则比较适用于原