分水岭算法原理.docx
版权申诉
10 浏览量
2023-03-09
18:44:38
上传
评论
收藏 22KB DOCX 举报
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：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：
资源评论
