下载文档原格式
分⽔岭分割⽅法 matlab分⽔岭分割⽅法，是⼀种基于拓扑理论的数学形态学的分割⽅法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每⼀点像素的灰度值表⽰该点的海拔⾼度，每⼀个局部极⼩值及其影响区域称为集⽔盆，⽽集⽔盆的边界则形成分⽔岭。
分⽔岭的概念和形成可以通过模拟浸⼊过程来说明。
在每⼀个局部极⼩值表⾯，刺穿⼀个⼩孔，然后把整个模型慢慢浸⼊⽔中，随着浸⼊的加深，每⼀个局部极⼩值的影响域慢慢向外扩展，在两个集⽔盆汇合处构筑⼤坝，即形成分⽔岭。
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。
分⽔岭分割技术是⼀种很优秀的且得到了⼴泛应⽤的分割技术，从本质上讲，它属于⼀种基于区域增长的分割⽅法，但它得到的确是⽬标的边界，且是连续、闭合、但像素宽的边界。
在很多领域，这种分割技术都得到了⼴泛的应⽤，但分⽔岭分割却有⼀个致命的弱点，那就是容易产⽣过分割，对于噪声和细密纹理⾮常敏感，使其常常产⽣严重的过分割结果。
所以，针对这个问题，很多⼈提出了很多种改进的分⽔岭分割技术。
综合来讲，⼤概也就三类。
其⼀，分割预处理。
既在应⽤分⽔岭分割之前对图像进⾏⼀些预处理，诸如除噪，求梯度图像，形态学重建，标记前景背景等等，⼀个⽬的，减少⼩的积⽔盆，从⽽减少过分割区域的数量。
其⼆，分割后处理。
既在应⽤分⽔岭分割之后对结果图像进⾏合并处理。
如果初始分割产⽣过多⼩区域，合并处理会具有很⼤的运算量，所以后处理的时间复杂度经常较⾼，还有合并准则的确定，也是⼀件⽐较⿇烦的事情，通常有基于相邻区域的平均灰度信息和边界强度信息的合并准则，不同的合并准则会得到不同的分割结果。
其三，就是既有预处理⼜有后处理的分割技术了，根据具体应⽤领域的要求，如果只是采取预处理或后处理还不能得到满意的效果，那就把他们都⽤上试试了。
分水岭分割算法分水岭分割算法是计算机视觉领域中的一种常用图像分割技术，它可以将图像中的物体和背景或两个不同物体进行分割。
这种算法具有计算快速、模型简单等优点，能够有效地检测图像中的轮廓，目前被广泛应用在计算机视觉领域，如自动驾驶、机器人技术、图像识别等，在多个工业领域中发挥着重要作用。
分水岭分割算法又叫洪水填充算法，它是一种基于形态学概念的算法，它可以用来区分输入图像中不同物体的边界，从而实现图像的分割和对象的检测。
该算法的基本思想是：把一个连续的图像分割成较小的连接区域，每个区域中的灰度差较小，而边界之间的灰度差比较大，以此实现图像的分割。
分水岭分割算法的主要步骤如下：（1）计算图像的梯度信息，即用梯度滤波器来计算图像中每个对象的边界；（2）用反演函数来找到灰度边界上的边界点，并且根据几何约束均匀地将它们分割成几块；（3）把分割的边界点标记为未知，并且用洪水填充的方法来填充所有的未知点；（4）根据梯度信息，对填充点进行分类，实现图像的分割。
分水岭分割算法有计算简单、模型简单等优点，它能够有效地检测图像中的轮廓，在各种低级图像处理和图像分割技术中都发挥着重要作用。
此外，它还被广泛用于生物医学图像分析、机器人以及自动驾驶等领域。
但是，分水岭分割算法也存在一些缺点，例如，对于图像中的小物体的分割效果较差，容易出现图像分割结果的误分等问题；同时，该算法可能很难处理较大的图像，因为它很容易受到噪声干扰。
因此，在应用分水岭分割算法之前，应该加以考虑，根据不同的场景和要求来选择不同的算法，能够有效地解决图像分割难题。
同时，对算法参数也需要进行调整，以便获得更准确的图像分割结果。
总之，分水岭分割算法是一种简单有效的图像分割技术，它可以用来分割图像中不同物体的边界，广泛应用于计算机视觉领域，为多个工业领域提供了有效的解决方案。
但是，它也存在一些缺点，所以，在使用该算法时，应当仔细考虑，以便获得更好的图像分割结果。
分水岭算法的改进方法研究刁智华;赵春江;郭新宇;陆声链;王秀徽【摘要】现有分水岭算法对噪声敏感且存在过分割现象.结合当前研究进展,介绍模拟泛洪的分水岭算法和模拟降水的分水岭算法.针对传统算法的缺点,总结4种分水岭算法的改进方法,分析其优缺点并指出未来分水岭算法的研究方向.【期刊名称】《计算机工程》【年(卷),期】2010(036)017【总页数】3页(P4-6)【关键词】分水岭算法;图像分割;预处理滤波;标记;区域合并【作者】刁智华;赵春江;郭新宇;陆声链;王秀徽【作者单位】国家农业信息化工程技术研究中心,北京,100097;中国科学技术大学自动化系,合肥,230027;国家农业信息化工程技术研究中心,北京,100097;国家农业信息化工程技术研究中心,北京,100097;国家农业信息化工程技术研究中心,北京,100097;国家农业信息化工程技术研究中心,北京,100097【正文语种】中文【中图分类】TP391.41 概述分水岭算法作为一种基于区域的图像分割方法，建立在数学形态学的理论基础之上。
20世纪70年代末，Beucher和Lantuejoul提出应用分水岭算法进行图像分割，实现了分水岭算法的模拟浸入过程，并成功应用于灰度图像。
其后，分水岭算法作为一种经典的图像分割方法被关注。
文献[1]提出基于模拟淹没的快速分水岭算法。
文献[2]提出一种模拟降水的分水岭分割算法。
但分水岭算法存在如下缺点：(1)对图像中的噪声极敏感。
输入图像通常是图像梯度，原始图像中的噪声能直接恶化图像的梯度，易于造成分割轮廓偏移。
(2)易于产生过分割。
由于受噪声、量化误差以及区域内纹理细节的影响，因此会产生很多局部最小值，在后续分割中将出现大量细小区域。
(3)对低对比度图像易丢失重要轮廓。
在此情况下，区域边界像素的梯度值也较低，目标的重要轮廓容易丢失。
为了克服传统分水岭算法的缺点，很多学者进行了相关研究，提出了一些改进型分水岭算法，并成功应用到相关领域。
基于SLIC与分水岭算法的彩色图像分割侯志强;赵梦琦;余旺盛;李宥谋;马素刚【摘要】为了克服传统分水岭算法引起的过分割问题,提出了一种基于简单线性迭代聚类(SLIC)与分水岭算法相结合的彩色图像分割算法,以获得更理想的分割效果.该算法首先利用图像复杂度计算预分割的超像素个数,并利用SLIC对原始图像进行超像素分割预处理,以减少后续处理中的冗余信息;然后,提出了一种自适应计算阈值的方法对预处理图像的梯度图像进行阈值处理,以有效去除噪声,获得较完整的轮廓信息;最后,利用分水岭分割算法对进行极小值标记提取后的图像进行分割.通过对大量图片进行实验表明,本文算法可以有效地抑制传统分水岭算法所产生的过分割问题,在LCE和GCE的对比上优于传统算法,分割质量有所提高.【期刊名称】《光电工程》【年(卷),期】2019(046)006【总页数】9页(P73-81)【关键词】超像素;分水岭;图像分割;图像复杂度【作者】侯志强;赵梦琦;余旺盛;李宥谋;马素刚【作者单位】西安邮电大学计算机学院,陕西西安 710121;西安邮电大学陕西省网络数据分析与智能处理重点实验室,陕西西安 710121;西安邮电大学计算机学院,陕西西安 710121;西安邮电大学陕西省网络数据分析与智能处理重点实验室,陕西西安 710121;空军工程大学信息与导航学院,陕西西安 710077;西安邮电大学计算机学院,陕西西安 710121;西安邮电大学陕西省网络数据分析与智能处理重点实验室,陕西西安 710121;西安邮电大学计算机学院,陕西西安 710121;西安邮电大学陕西省网络数据分析与智能处理重点实验室,陕西西安 710121【正文语种】中文【中图分类】TP391.41图像分割是将图片中有意义或感兴趣的目标提取出来，用于图像后续处理。
由于外界环境的影响以及图像自身存在的问题，使得图像分割成为研究的热点和难点。
目前图像分割算法主要有以下几种：基于区域的分割算法、基于边缘的分割算法、基于阈值的分割算法和基于聚类分析的分割算法等。
第7卷第1期2008年2月 江南大学学报(自然科学版)Journa l of J i a ngnan Un i versity(Na tura l Sc i ence Ed iti on) Vol .7 No .1Feb . 2008 文章编号:1671-7147(2008)01-0038-04 收稿日期:2006-08-15; 修订日期:2007-03-20. 作者简介:魏光杏(1976-),男,安徽池州人,计算机应用专业硕士研究生. 3通讯联系人:吴锡生(1959-),男,江苏无锡人,教授,硕士生导师.主要从事人工智能、图像处理等研究.E mail:wxs@jiangnan .edu .cn克服分水岭算法过分割的方法魏光杏1,2, 吴锡生31(1.江南大学信息工程学院,江苏无锡214122;2.滁州职业技术学院信息工程系,安徽滁州239000)摘 要:分水岭算法的不足在于它的过分割结果,即生成大量小的封闭区域,使目标物体淹没其中.文中给出了模糊关系与模糊C 均值聚类算法相结合的方法,利用了模糊关系合并相似区域,有效地克服了分水岭算法的过度分割问题.经实验验证,该方法大大提高了图像分割质量.关键词:分水岭;模糊关系;图像分割中图分类号:TP 391文献标识码:AA New M ethod of O vercom i n g the O ver ΟSegm en t a ti oni n W a tershed A lgor ithm sW E I Guang Οxing 1,2, WU Xi Οsheng31(1.School of I nf or mati on Technol ogy,J iangnan University,W uxi 214122,China;2.Depart m ent of I nf or mati onTechnol ogy,Chuzhou Vocati onal and Technol ogy College,Chuzhou 239000,China )Abstract:W atershed algorithm is aut omatic seg mentati on sche me t o generate cl osed outlines,which may give rise t o over Οseg mentati on,i .e .,nu mer ous s mall seg mented cl osed regi ons that blur the target cont ours or shapes .The method based on the app licati on of the Fuzzy C Οmeans algorithm t ogether with compositi on of fuzzy relati ons is p r oposed,which e mp l oys the compositi on of fuzzy relati ons t o gr oup t ogether si m ilar regi ons and overcomes the over Οseg mentati on efficiently .The experi m ental results validate its goodperf or mances of the method .Key words:watershed;fuzzy relati on;i m age seg mentati on 图像分割是由图像处理进入图像分析环节的关键步骤,也是计算机视觉领域低层次视觉中的主要问题.分水岭算法是一种基于数学形态学的图像分割方法,由于该算法对梯度图像中强度的变化十分敏感,所以得到的分割结果存在过度分割现象[1Ο2].已有一些文献报道了解决过分割的算法,如Gauch [3]用形态学的刻度空间进行图像分割,还有的是针对某一指定灰度图[4Ο5],如红外图像和医学图像等.文中采用模糊关系与模糊C 均值聚类算法(FC M )相结合的方法,较好地克服了分水岭算法的过度分割问题,有效地提高了图像分割的质量.1 分水岭算法 分水岭算法最早由L.V incent 和P .Sollid 应用于图像处理中[6],其思想来源于地理学,把灰度图像看作是测地学上的地形表面,图像中每个像素的灰度值代表该点的海拔高度,图像中每1个局部极小值及其影响区域被称为集水盆,而集水盆的边界则形成分水岭.通常分水岭计算方法的实现过程是采用模拟淹没过程,见图1.图1 分水岭与集水盆地F i g .1 W a tershed and ca tch m en t ba si n 图1从极小区开始,一级一级地处理,使用1个先进先出(F I F O )队列,按照宽度优先的方式,递归地分配给每一极小区及其相关的集水盆以不同的标记.例如:递归到灰度级h ,首先将所有灰度值为h 的像素赋予标记MASK,且其中那些已标记了领域像素的像素被插入队列;然后从这些像素开始,在MASK 的范围内计算各集水盆的测地影响区.如果某像素只与1个集水盆的元素连通,则打上该集水盆的标记i ;如果1个像素同时与2个集水盆相邻,则标记为分水岭像素w 0;最后标记为MASK 的像素,属于新出现的极小区,被赋予1个新的标记,直到所有的点被淹没,从而使各个区域得到正确划分.然而该算法会受到噪声和量化误差的影响,在均匀一致的区域内部产生过多的局部“谷地”.而梯度图像的每个“谷底”在分水岭变换中将引入1个“积水盆地”,因此最终将会导致“过分割”现象.2 合并过分割算法2.1 模糊C 均值聚类算法模糊聚类由D unn 首先提出[7],其基本思路是:将数据集X =x 1,x 2,…,x n ∈R p n 分为C 类,X 中任意样本X k 对I 类的隶属度为u ik ,分类结果可以用1个模糊隶属度矩阵U =u ik ∈R p n 表示,满足u ik ∈[0,1],Πi,k0<∑k ui j<n,Πi∑iui j=1,Πk(1)模糊C 均值聚类是通过最小化关于隶属度矩阵U 和聚类中心V 的目标函数J m (U ,V )来实现的:J m (U ,V )=∑nk =1∑ci =1(u ik )m d 2ik (x k ,v i )(2)式中,U =u ik ,为满足条件式(1)的隶属度矩阵;V =v 1,v 2,…,v c ∈R p c 为c 个聚类中心点集;m ∈1,∞为加权指数;d 2ik (x k ,v i )为第k 个样本到第I类中心的距离.其定义式为:d 2ik (x k ,v i )=x k -v i2A,其中,A 为p ×p 的正定矩阵.FC M 是通过反复迭代式(2),求极小值而得到的,由于矩阵U 中各列都是独立的,因此,所求即为m in J (U ,V )=∑nk =1m in ∑ci =1(uik)m d 2ik )2上述极值的约束条件为∑ci =1uik=1,利用拉格朗日乘数法求解:F =∑ci =1(uik)m(d ik )2+λ(∑ci =1(uik-1)经过计算,得到:u ik =∑ck =1(d ik (x k ,v i )d jk (x k ,v j ))2/(m -1)-1i =1,2,…,c (3)v i =∑n k =1(uik)mx k∑nk =1(uik)m, i =1,2,…,c(4)若数据集X,聚类类别数C 和权重m 值已知,就能由式(3)和(4)确定最佳模糊分类矩阵和聚类中心.FC M 算法的过程可描述如下:1)确定聚类类别数c (2≤c ≤n ),确定加权指数m (1≤m ≤∞),确定对称矩阵A ;当取A =I 时,d ik 表示欧式距离,任意设定模糊分类矩阵U (0),t =0;2)根据U(t )按式(4)计算V (t );3)fo r k =1to n;计算数据x k 的新的隶属度值End4)若‖U (t )-U (t+1)‖<ε,停止.否则t =t +1,返回2);5)算法中的ε为收敛阈值,ε>0,ε是影响聚类精度和聚类速度的参数.数值过大时,会导致算法过早收敛,聚类结果不稳定,特别在初始参数不确定的条件下,这种现象更为普通和明显.当阈值过小时,则可能会导致过度计算,既浪费时间,又可能发生无法收敛的问题.FC M 是模糊聚类算法中非常有效的一种,它能给出每个样本隶属于某个聚类的隶属度,即使对于很难明显分类的变量,模糊C 均值聚类也能得到较为满93 第1期魏光杏等:克服分水岭算法过分割的方法意的效果.利用该算法可以合并具有相近灰度值的像素点,也就是说可以合并一些区域,但是由于区域间的连通性不确定,该算法的图像分割会产生一些错误.为避免这种错误,文中采用模糊关系进行了处理.2.2 模糊关系及几个定义假设X,Y 是集合,R (X,Y )={((x,y ),u R (x,y ))/(x,y )}∈X ×Y 为在域X ×Y 中的二值模糊关系.其中,u R (x,y )为元素x ∈X 与元素y ∈Y 的模糊度.当X 与Y 属于同一集合时,可以记为R (X,X )或R (X 2).假设有2个二维模糊关系P (X,Y )和Q (Y,Z ),它们有共同的模糊集Y,可以定义它们在域X ×Z 的子集模糊关系:R (X,Z )=P (X,Y ).Q (Y,Z ).其中,(x,z )∈R,y ∈Y,(x,y )∈P,(y,z )∈Q.假设X 是需要合并的m 个“集水盆地”的集合,Y 是这个“集水盆地”直方图上n 个灰度值的集合,则定义如下几个关系:关系1(R 1):x i 与x j 相连.定义模糊矩阵u R 1:u R 1(x i ,x j )=1, if i =j0, if x i ∞x jg v (x i )-g v (x j ),if x i ∴x j其中:g v (x )表示x 对应的灰度值,x i ∴x j 表示x i 和x j 相邻,x i ∞x j 表示x i 和x j 不相邻.易知,u (x i ,x i )=1,u (x i ,x j )=u (x j ,x i ),矩阵u R 1为兼容矩阵.关系2(R 2):x 有灰度值y .可定义模糊矩阵u R 2:u R 2(x i ,y j )=1, if g v (x i )=y j0, elsewhere其中:g v (x )表示x 对应的灰度值.假设Z 为需要合并的“集水盆地”不同聚类中心C 的集合.关系3(R 3):y 属于z .属于是指通过模糊矩阵u R 3(y j ,z k ),把灰度值为y i 的像素点归属于聚类Z k 中,这个模糊矩阵u R 3是利用模糊C 均值算法得到的.2.3 利用模糊关系合并相似区域R 1.R 2.R 3:其中,R 1,R 2,R 3分别指上文中定义的3个关系.即:根据模糊矩阵u R 1(x i ,x j )、u R 2(x i ,x j )与u R 3(y j ,z k )来判断区域x i 是否连接区域x j ,x j 是否有灰度值y 并且y 是否属于聚类z .也就是将过分割区域x i 与关系矩阵u R 1、u R 2、u R 3中的相应元素作比较,如果为真,则合并相关的区域.3 实验结果 选取了几张经典图片进行实验:首先选取的是256×256有256种灰度值的Lena 图片,用传统的分水岭算法可得到2860个区域.而用文中的模糊关系算法进行合并处理可将区域减少到645个,见图2.从实验结果图中可以看出,文中方法所获得的分割区域是比较合理的,它所获得的分割图较好地保留了图像应该保留的区域.选取Ca mera man 和House 两幅经典图片,用传统的分水岭算法进行图像分割,再用本文的模糊关系算法进行合并,结果见图3,图4.图2 传统分水岭算法获得分割图与采用本文方法处理后的分割图比较F i g .2 Results obt a i n ed for the ‘L ena ’i m age after usi n g the wa tershed and the proposed a lgor ith m图3 传统分水岭算法获得分割图与采用本文方法处理后的分割图比较F i g .3 Results obt a i n ed for the ‘Cam eraman ’i m age after usi n g the wa tershed and the proposed a lgor ith m04 江南大学学报(自然科学版) 第7卷 图4 传统分水岭算法获得分割图与采用本文方法处理后的分割图F i g .4 Results obt a i n ed for the ‘House ’i m age after usi n g the wa tershed and the proposed a lgor ith m 表1显示的是运用文中模糊关系合并算法后区域减少的数量.以上所有的梯度图所应用的形态学方法[8]为G (I )=I SE -I ΘSE其中,G (I )代表梯度图,I 代表原图, 表示膨胀,Θ表示腐蚀,SE 表示结构元素,大小为3×3.表1 合并前与合并后分水岭算法所得的区域数目比较Tab .1 Co m par ison of the nu m ber of reg i on s i n i m ages before and after appli ca ti on of the proposed approach图片大小/像素用分水岭算法获得的区域数目运行F MC 时的聚类数目c用本文合并算法获得的区域数目Lena 256×256286016645Ca mera man 256×25617605364House320×2402489165634 结语 利用模糊理论的性质,定义了3个模糊关系.结合模糊C 均值聚类算法,并充分利用这3个模糊关系,将分水岭算法中产生的区域进行合并,有效地解决了分水岭算法的过度分割问题.经实验验证,该方法取得了较好的分割效果.参考文献(References ):[1]M Jos B T,Roerdink,A rnoldM.The watershed transfor m:definiti ons,algorith m s and parallelizati on strategies[J ].Funda mentaI nfor maticae,2001,41:187Ο228.[2]Chien S Y ,Huang Y W ,Chen L G .Predictive watershed:a fast watershed algorith m for video seg mentati on [J ].I EEETransacti ons on Circuits and Syste m s for V ideo Technol ogy,2003,13:453Ο461.[3]Gauch J M.I m age seg mentati on and analysis via multiscale gradient watershed hierarchies [J ].I EEE Transacti on on I m agePr ocessing,1999,8(1):69Ο79.[4]马兆勉,陶纯堪.红外目标的边界检测和标注[J ].红外与激光工程,1999,12(6):29Ο33.MA Zhao Οm ian,T AO Chun Οkan .Boundary detecti on and object labeling in infrared object detecti on [J ].I nfrared and LaserEngineering,1999,12(6):29Ο33.(in Chinese )[5]刘喜英,吴淑泉.基于改进分水领算法的医学图像分割的研究[J ].微电子技术,2003,8:39Ο42.L I U Xi Οying,WU Shu Οquan .Research of medical i m age seg mentati on based on i m p r oved watershed algorith m [J ].M icr oelectr onic Technol ogy,2003,8:39Ο42.(in Chinese )[6]V incent L,Soille P .W atershed in digital s pace:an efficient algorith m based on i m mersi on si m ulati ons[J ].I EEE Trans PatternAnalysis and M achine I ntelligence,1991,13(6):583Ο589.[7]Dunn J C .A fuzzy relative of the I S ODAT A p r ocess and its use in detecting compact well Οseparated clusters[J ].Cybernet,1973,3(3):32Ο57.[8]阮秋琦.数字图像处理学[M ].北京:电子工业出版社,2001:453Ο455.(责任编辑:彭守敏)14 第1期魏光杏等:克服分水岭算法过分割的方法。
解决分水岭算法的过分割问题班级：020751学号：02075087姓名：刘恺摘要针对基于分水岭变换的分割算法通常存在过分割现象，提出了一种新的分割算法，采用形态学的运算去除噪声及背景像素的影响，搜索区域极大值点，将分割定位于目标图像，从而达到很好的分割效果，方法从消除过分割及区域轮廓定位等方面均具有很好的分割效果。
关检词图像分割,分水岭变换,数学形态学Abstract The article is based on watershed algorithm, proposed a method of image segmentation, adopted the morphology arithmetic to eliminate the effect of noise and background pixel, search for the max point in each area, let segmentation orientate as target image, could reach very good segment effect. The method can efficiently eliminate over-segmentation, and hold the position of region contours without evident bias.Key words image segmentation, watershed transform ,mathematical morphology1.1图像分割综述把图像分解为一些特定的性质相似的部分（区域或对象），并用这些部分对图像进行分析和描述。
一幅图像往往包含许多不同类型的区域，如物体、环境和背景等。
图像分析的一个重要方法就是用它们作为基本组成成分对图像进行描述。
例如为了在气泡室图片中检出质点碰撞形式并判定其发生位置，就要在图像中分割出气泡的轨迹及其端点。
为了从输入的文本中识别出一串字符，首先就要把各个字符从背景和其他字符中分离出来。
因此把图像分割为若干子图像，并利用各子图像的特性和它们之间的关系描述图像，对于图像识别和解释、物景分析以及图像的分块处理和存储都有很大的意义。
图像分割基本上是对像素进行分类的过程。
例如用某个灰度阈值把图像像素分成“黑”和“白”两类，就可以把黑的对象同白的背景区分开。
常用的分割方法有灰度等级阈值法、谱和空间分类法、区域生长法和边缘检测法。
灰度等级阈值法在图像只有两种组成部分的情况下，图像灰度的直方图常常呈现两个峰值。
用两个峰值之间的谷值所对应的灰度作为阈值，把所有像素灰度大于或等于阈值的作为一类，小于阈值的作为另一类是一种最基本的两类分割方法。
实际应用时为了改善分类的可靠性，可以利用某些附加的信息（例如已知两类区域的面积之比）使阈值的选择更加合理。
在类别更多的情况下，可以采用多级阈值把各类分割开来（例如确定两个阈值，就可以把细胞图像分割为胞核、胞浆和背景三部分）。
类别越多，图像直方图的峰值就越不明显，分割就更为困难。
谱和空间分类法对于彩色和多光谱图像，可以用像素的几种性质（颜色和谱信号）对像素作比较精细的分类。
对于黑白图像，用包括像素本身灰度在内的一组局部性质（例如该像素邻域灰级的均值）在多维空间中进行分类。
对于一些复杂图像，这种方法比单独的灰度阈值法效果更好。
区域生长法 这是一种从图像中提取区域或实体的序贯分割法。
根据灰度、纹理的均匀性、同背景的对比度以及区域、形状、尺寸等准则，把性质大致相同的邻近像素组合在一起以形成分割区域。
边缘检测法 用于获取图像内物体轮廓的分割方法。
一般采用曲线拟合、轮廓跟踪或边缘点连接等技术求出物体的边界。
此外，若对像素的类别给以某种概率度量或隶属度，则可以对像素反复进行分类，这就成为松弛迭代分割算法。
这种算法有较好的效果，在图像分析中已得到广泛应用。
1.2分水岭算法分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。
分水岭的概念和形成可以通过模拟浸入过程来说明。
在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。
对于分水岭变换，目前存在着几种定义，我们这里所采用的定义是基于沉浸的离散图像的分水岭变换（watershed by immersion ）。
令f ：D 是一幅灰度图像，它的最大和最小灰度值为h_max 和h_min 。
定义一个从h_min 到h_max 的水位h 不断递增的递归过程。
在这个过程中每个与不同的局部最小相关的汇水盆地都不断扩展，定义X(h)记作在水位h 时候汇水盆地的集合的并。
在h+1层，一个连通分量T （h+1）或者是一个新的局部最小，或者是一个已经存在的X(h)中的一个盆地的扩展。
对于后者，按邻接关系计算高度为h+1的每一个点与各汇水盆地的距离。
如果一个点与两个以上的盆地等距离，则它不属于任何盆地，否则它属于与它距离最近的盆地。
这样从而产生新的X(h+1)。
把在高度h 出现的局部最小记作MIN （h ）。
把Y （h+1,X(h)）记作高度为h+1同时属于X(h)的点的集合。
(_min){|()_min}(_min)(1)(1)()(1,())X h p D f p h T h X h MIN h X h Y h X h =∈==⎧⎨+=+⋃⋃+⎩分水岭变换Watershed(f)就是X(h_max)的补集：()\(_max)Watershed f D h =分水岭变换由于它以下优点被用在图像处理的许多领域：直观，快速并且可以并行计算，总是产生完整的边界，这样就避免了边界连接的后处理。
而且不少研究人员把分水岭嵌入到多尺度框架中。
然而，分水岭算法还是有一些致命的缺点，下面列出了最重要的几点。
过度分割。
由于大部分图像的梯度图都有许许多多的局部最小，所以分水岭变换的结果是无数的小区域边界，这样的结果毫无意义。
通常的解决办法是使用标记的图片来减少局部最小的数量，即使用带标记的分水岭变换。
对噪声的敏感。
局部的一些改变会引起分割结果的明显改变，强烈的噪声有时候使得分水岭变换无法找出真正的边界。
其中的一个解决办法是使用各项异性的滤波器。
难以准确检测出低对比度的边界。
由于对比度低所以使得信噪比高。
所以由于前一个原因，对这种图片分水岭变换仍然无法很好的工作。
1.3解决过分割问题的方法针对分水岭算法的过分割问题，已经提出了许多有效的解决方法。
利用门限的分水岭算法。
当两个汇水盆地即将连通时，首先判断，只有储水量和高度达到一定的阈值才判定为边界，否则把他们融合给与其相邻的最大的盆地。
基于区域合并和分水岭的图像分割方法。
根据定义的相似区域合并算法，对分割结果进行处理，合并相似区域来减小过分割。
基于模糊C均值聚类和分水岭的图像分割方法。
对分割结果利用模糊C均值聚类的方法进行相似小区域的合并，改善分割结果。
1.4本文提出的方法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。
其中过程用到了许多matlab图像处理工具箱的函数，例如fspecial、imfilter、watershed、label2rgb、imopen、imclose、imreconstruct、imcomplement、imregionalmax、bwareaopen、graythresh和imimposemin函数等。
具体标注过程为：首先对原图像进行形态学开操作或腐蚀后形态学重建，去除图片中的毛刺和小物体；接下来进行形态学关操作或膨胀后形态学重建，目的是填洞补沟，合并小的物体；关操作，然后腐蚀来收缩边缘，计算局部最大值就能得到较好的前景标记；去噪后选取合适的阈值转化为二值图像；为了不是背景标记太靠近目标对象边缘，通过“骨骼化”进行细化，对二值图像的距离进行分水岭变换，进而的到最终结果。
2．流程图3.实验结果及分析可以直观看到，直接对梯度图像运用分水岭算法结果并不理想，过分割现象严重使用形态学重建技术对前景对象进行标记，标记的每个对象内部的像素值是连接在一起的。
左图是用半径为20的圆形结构元素进行开操作。
右图先对图像进行腐蚀然后形态学重建。
比较两幅图像Iobrcbr和Ioc，以重建为基础的开关操作（结果为Iobrcbr）比一般的开关操作（结果为Ioc）在去除小的污点时会更有效，并且不会影响这个图像的轮廓。
在原来图像的基础上，显示局部极大值，对前景图像进行标记。
少部分前景目标物体已经扩展到边缘，因此应该收缩一下边缘，可以先对图像进行关操作，然后再进行腐蚀来达到这样的效果。
然后去除孤立像素点。
对二值图像的距离进行分水岭变换，然后得到分水岭的界限在原图像中分别标记前景对象、背景对象和边界。
为了使分割的边界更清楚，可以对图像进行膨胀操作。
可以看出，效果好了很多，基本反映出物体的边界信息。
4.算法综述本算法较好的解决了分水岭算法的过分割问题，使得分割边界能够大致反映物体的边界信息，并且程序较为简单，处理速度较快，实时性好。
但对于边界过于复杂的图像，比如SAR图像，并不能很好的解决过分割问题，这也是本算法需要改进的一个方面。
5．应用前景在高速高精度帧片机视觉检测中的应用。
分水岭算法贴片机图像分割随着表面贴装技术的迅速发展，贴片机在我国电子组装行业中的应用越来越广泛。
它是机-电-光以及微型计算机控制技术的综合体，通过吸取-位移-定位-放置等功能，实现了将表面贴装元件快速而准确地贴装到PCB板指定的焊盘位置。
其中贴片机视觉检测的任务是完成帖装元件的中心定位、质量检测以及贴装校正等。
而实现正确的视觉定位与检测的前提是保证图像的正确分割，即将贴装元件准确地从图像的背景中分割出来。
在DSA图像伪彩色处理的应用。
通过基于区域分割的DSA图像伪彩色处理系统，对心脏冠状动脉DSA图像进行处理，对比分析处理前后的图像质量，评价基于区域分割的DSA图像伪彩色处理系统在临床的应用价值。
方法采用分水岭算法进行DSA血管图像区域分割，应用彩虹码做为伪彩色编码，以VB和Matlab做为开发平台，设计和开发DSA血管图像伪彩色处理系统，能有效提高心脏冠状动脉DSA图像质量，且减少对比剂用量和曝光次数。
在人体手背静脉血管图像增强与特征匹配的应用。
为提高手背静脉血管图像识别的准确性和改善图像采集的灵活性,提出了一种新的手背静脉图像识别算法.使用自适应直方图均衡法增强背景和静脉纹理图像的总体对比度和局部细节,使用分水岭算法得到静脉纹理图像的单像素级图像,最后采用纹理相似性原理进行特征匹配和识别.试验结果证明,该算法在图像采集位置灵活变动情况下的错误接受率为0%,错误拒绝率4.6%,利用此算法进行手背静脉血管图像识别是可行的,具有良好的应用前景。
