分水岭分割算法

介绍

分水岭（watershed，也称分水线/水线），建立不同目标间的分水岭（涨水法）

把图像看成3-D地形的表示，即2-D的地基（对应图像空间）加上第3维的高度（对应图像灰度），计算过程是串行的，得到的是目标的边界。

步骤

1.待分割图像与梯度图像

待分割图像$f(x,y)$，其梯度图像为$g(x,y)$

2.局部极小值集合

用$M_1,M_2,\dots ,M_R$表示$g(x,y)$中各局部极小值的像素位置，$C(M_i)$为与Mi对应的区域中的像素坐标集合。

3.求$T[n]$

用$n$表示当前梯度阈值，$T[n]$代表记为$(u,v)$的像素集合，$g(u,v)<n$，

4.求$C_n(M_i)$

对$M_i$所在的区域，其中满足条件的坐标集合$C_n(M_i)$可看作一幅二值图像

5.求$C[n]$

用$C[n]$代表在梯度阈值为$n$时图像中所有满足梯度值小于$n$的像素

$C[max+1]$将是所有区域的并集($max$是图像灰度范围的最大值）

$C[n–1]$是$C[n]$的子集，$C[n]$是$T[n]$的子集，所以$C[n–1]$又是$T[n]$的子集，因此每个$C[n–1]$中的连通组元都包含在一个$T[n]$的连通组元中。

6.分水岭判定

算法初始化$C[min+1]=T[min+1]$，然后算法逐步迭代。设步骤$n$时已经建立了$C[n-1]$，由$C[n-1]$得到$C[n]$的过程如下：
令 $s$ 代表$T[n]$中的连通组元集合，对每个连通组元s ,有3种可能性：
(1) $s\cap C[n–1]$是1个空集
(2)$s\cap C[n–1]$里包含$C[n–1]$中的一个连通组元
(3) $s\cap C[n–1]$里包含$C[n–1]$中一个以上的连通组元
分别处理如下：

(1) $C[n]$可由把连通组元 $s$ 加到$C[n–1]$中得到
(2) $C[n]$可由把连通组元 $s$ 加到$C[n–1]$中得到
(3) 需要在 $s$ 中建分水岭