分水岭算法原理

转载地址：http://hi.baidu.com/saminigod/item/4e0170cb582b6d0dac092f71

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。Watershed Algorithm(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，水质不同诶，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？
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。从而有三个
初始量：unsigned char** 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，Ora_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，工夫就
在于如何将这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vector*> 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=new queue[256]；vque.push_back(pque)，这样便将一个成员
放进到这个区域来了，即容器－－集水盆的保管都，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，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vque[i][j]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_image
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Ori_image[m][n]，将当前点添加到种子队列：vque[Num－1]
[Ori_image[m][n]].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，分岭也找到了，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个循环）的分水岭的点
（在vque[][]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vque[Num][waterlevel]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vque[Num][Ori_image[邻域点]]
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。
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，则比较适用于原始图像。
分水岭算法主要的分割目的在于找到图像的连通区域。利用梯度信息作为输入
图像，会有一个矛盾点，如果对原始图像进行梯度计算时不作滤波平滑处理，
很容易将物体分割成多个物体，那是因为噪声的影响；而如果进行滤波处理，
又容易造成将某些原本几个的物体合成一个物体。当然这里的物体主要还是指
图像变化不大或者说是灰度值相近的目标区域。