一种采用模板预分割的分水岭分割算法
简述分水岭算法的基本原理
分水岭算法是一种基于像素值的区域分割方法，在计算机视觉领域中应用广泛。
其基本原理是将图像视为一个地形表面，像素值表示高度，然后寻找这个地形表面上的“山脊线”和“山谷线”，将山脊线和山谷线的交点看做分割线，将图像分割成多个区域，最终得到分割后的结果。
分水岭算法的基本步骤可以概括为以下几点：
预处理：将图像上的小区域进行平滑化处理以减小局部噪声的影响，对图像进行二值化，使区域的边界更清晰明显。
计算距离变换图：使用距离变换得到一张图像，其中每个像素表示该像素点与最近的边缘像素点之间的距离。
寻找种子点：通过对距离变换图使用阈值处理得到二值图像，标记出每个局部最小值作为分水岭的初始种子点。
集合种子点：汇聚相邻的且距离较近的种子点，并形成一个“分水岭”网络，分离异物目标和背景。
分水岭重建：从所有的标记点开始向外扩展，使每个点都标记为与其最近的标签点相同的标记。
后处理：对分割结果进行后处理，例如过滤掉面积较小的分割区域以消除噪声。
分水岭算法的优点是分割结果准确，适用于任何图像，多用于图像分割、药物颗粒分析、医学图像分析等方面的应用。
但是，该算法在处理边缘粗糙、噪声较多的情况下，容易出现不稳定等问题。
分水岭分割算法
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。
分水岭算法之自下而上的模拟泛洪的算法流程
分水岭算法是一种用于图像分割的算法，它能够将图像中的不同区域进行分割，并找到它们之间的分界线。
此算法的主要思路是通过模拟泛洪的方式来不断扩展各个区域，直到它们彼此分离为止。
分水岭算法通常分为两种实现方式，一种是自上而下的方式，另一种是自下而上的方式。
本文将重点介绍和探讨自下而上的模拟泛洪的分水岭算法流程，以帮助读者更好地理解该算法的原理和实现方法。
一、初始化1. 为图像创建距离变换图：首先需要将输入的图像进行预处理，创建一个距离变换图。
距离变换图中的每个像素表示该像素到最近的边界像素的距离。
2. 初始化标记图：标记图用来记录每个像素的标记信息，标记哪些像素属于同一个区域。
初始化时，将标记图中的像素值都设为0。
3. 初始化队列：为了模拟泛洪的过程，需要使用一个队列来存储待处理的像素。
将图像中的所有边界像素加入到队列中。
二、泛洪过程1. 从队列中取出一个像素，并记录其标记值。
2. 遍历该像素周围的像素，如果周围的像素未被标记过且不是边界像素，则将其加入到队列中，并将其标记值设为与当前像素相同。
3. 如果周围的像素已被标记过，且标记值不同于当前像素，则说明这两个区域相遇了。
此时需要将它们之间的分界线更新为分水岭，并将其加入到分水岭集合中。
4. 重复以上步骤，直到队列为空。
三、分水岭线处理1. 对分水岭集合中的像素进行排序：根据它们到最近的边界像素的距离，对分水岭集合中的像素进行排序。
2. 将排序后的像素逐个取出，遍历其周围的像素：如果周围的像素属于相同的区域，则将其标记为该区域的像素。
3. 重复以上步骤，直到所有分水岭像素都被处理完毕。
四、结果展示1. 根据标记图，可以将图像进行分割并展示不同区域的边界线或分水岭线。
2. 可以对图像进行进一步的后处理，如去除噪声、优化分割结果等。
通过以上的介绍，相信读者对于自下而上的模拟泛洪的分水岭算法流程有了更深入的了解。
虽然分水岭算法在图像分割领域具有广泛的应用，但其实现过程相对复杂，需要深入理解其原理和算法流程。
传统算法——分水岭算法
传统算法——分⽔岭算法分⽔岭算法是⼀种基于区域分割的算法。
它是基于地理形态的分析的图像分割算法，模仿地理结构（⽐如⼭川、沟壑，盆地）来实现对不同物体的分类。
封闭性是分⽔岭算法的⼀个重要特征图像的灰度空间很像地球表⾯的整个地理结构，每个像素的灰度值代表⾼度。
其中的灰度值较⼤的像素连成的线可以看做⼭脊，也就是分⽔岭。
其中的⽔就是⽤于⼆值化的gray threshold level，⼆值化阈值可以理解为⽔平⾯，⽐⽔平⾯低的区域会被淹没，刚开始⽤⽔填充每个孤⽴的⼭⾕(局部最⼩值)。
当⽔平⾯上升到⼀定⾼度时，⽔就会溢出当前⼭⾕，可以通过在分⽔岭上修⼤坝，从⽽避免两个⼭⾕的⽔汇集，这样图像就被分成2个像素集，⼀个是被⽔淹没的⼭⾕像素集，⼀个是分⽔岭线像素集。
最终这些⼤坝形成的线就对整个图像进⾏了分区，实现对图像的分割。
在该算法中，空间上相邻并且灰度值相近的像素被划分为⼀个区域。
分⽔岭算法的运⾏过程：1. 把梯度图像中的所有像素按照灰度值进⾏分类，并设定⼀个测地距离阈值。
2. 找到灰度值最⼩的像素点（默认标记为灰度值最低点），让threshold从最⼩值开始增长，这些点为起始点。
3. ⽔平⾯在增长的过程中，会碰到周围的邻域像素，测量这些像素到起始点（灰度值最低点）的测地距离，如果⼩于设定阈值，则将这些像素淹没，否则在这些像素上设置⼤坝，这样就对这些邻域像素进⾏了分类。
4. 随着⽔平⾯越来越⾼，会设置更多更⾼的⼤坝，直到灰度值的最⼤值，所有区域都在分⽔岭线上相遇，这些⼤坝就对整个图像像素的进⾏了分区。
⽤上⾯的算法对图像进⾏分⽔岭运算，由于噪声点或其它因素的⼲扰，可能会得到密密⿇⿇的⼩区域，即图像被分得太细（over-segmented，过度分割），这因为图像中有⾮常多的局部极⼩值点，每个点都会⾃成⼀个⼩区域。
其中的解决⽅法：1. 对图像进⾏⾼斯平滑操作，抹除很多⼩的最⼩值，这些⼩分区就会合并。
2. 不从最⼩值开始增长，可以将相对较⾼的灰度值像素作为起始点（需要⽤户⼿动标记），从标记处开始进⾏淹没，则很多⼩区域都会被合并为⼀个区域，这被称为基于图像标记(mark)的分⽔岭算法。
分水岭分割算法matlab
分水岭分割算法matlab分水岭分割算法是一种常用的图像分割算法，用于将图像中不同的物体或区域进行分割。
在MATLAB中，可以使用图像处理工具箱中的函数来实现分水岭分割算法。
下面是一种基本的MATLAB代码示例，演示了如何使用分水岭分割算法对图像进行分割：matlab.% 读取图像。
image = imread('image.jpg');% 将图像转换为灰度图像。
grayImage = rgb2gray(image);% 对灰度图像进行预处理，例如滤波或增强等。
% 计算图像的梯度。
gradientImage = imgradient(grayImage);% 使用分水岭算法进行图像分割。
segmented = watershed(gradientImage);% 将分割结果可视化。
figure;imshow(label2rgb(segmented));% 可以选择性地将不同的分割区域标记出来。
hold on;boundaries = imdilate(segmented == 0, ones(1)); imshow(boundaries, 'Color', 'red');% 添加标题和标签。
title('分水岭分割结果');上述代码中，首先读取了一张图像，并将其转换为灰度图像。
然后对灰度图像进行预处理，例如滤波或增强等操作。
接下来，计算图像的梯度，这将有助于找到图像中的边缘和区域边界。
最后，使用`watershed`函数进行图像分割，并将分割结果可视化。
需要注意的是，分水岭分割算法对图像的预处理和参数选择非常重要，可以根据具体的应用场景进行调整和优化。
此外，MATLAB 还提供了其他图像分割算法和工具函数，可以根据实际需求选择合适的方法进行图像分割。
希望以上内容能够对你理解分水岭分割算法在MATLAB中的应用有所帮助。
如有更多问题，请随时提问。
分水岭算法的概念及原理
分水岭算法的概念及原理Revised by Petrel at 2021分水岭算法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。
现实中人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。
当然在需要的时候，要人工构筑分水岭，以防集水盆之间的互相穿透。
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，就是分水岭（watershed）。
为了得到一个相对集中的集水盆，那么让水涨到接近周围最高的山顶就可以了，这样的话，我们就可以用来获取边界灰阶大，中间灰阶小的物体区域了，它就是集水盆。
分水岭算法的概念及原理分水岭分割方法，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。
分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。
显然，分水岭表示的是输入图像极大值点。
因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5式中，f(x,y)表示原始图像，grad{.}表示梯度运算。
emgu分水岭算法计数
emgu分水岭算法计数摘要：一、分水岭算法简介1.分水岭算法的概念2.分水岭算法的应用场景二、emgu分水岭算法实现1.emgu库简介2.emgu分水岭算法原理3.emgu分水岭算法步骤三、emgu分水岭算法计数1.计数原理2.计数方法3.计数结果分析四、案例演示1.图像处理实例2.结果分析正文：【一、分水岭算法简介】分水岭算法（Watershed algorithm）是一种图像处理领域中的边缘检测和分割技术。
它的基本思想是寻找图像中像素之间的极值点，将这些极值点作为分水岭，将图像划分为不同的区域。
这种算法具有较好的适应性和稳定性，可以有效处理复杂场景下的图像分割问题。
【二、emgu分水岭算法实现】emgu（Emgu CV）是一个基于OpenCV的.NET库，提供了丰富的图像处理功能。
emgu分水岭算法实现了分水岭原理，并对算法进行了优化。
以下是emgu分水岭算法的基本步骤：1.对输入图像进行预处理，如滤波、去噪等。
2.计算图像的梯度幅值和方向。
3.寻找梯度幅值的最大值点和最小值点。
4.将最大值点和最小值点连接成边缘。
5.对边缘进行填充，得到分割后的图像。
【三、emgu分水岭算法计数】emgu分水岭算法计数是对分割后的图像中边缘像素进行统计的过程。
计数原理是根据边缘像素的颜色、纹理等特征，将其分为不同的类别。
以下是一种简单的计数方法：1.预处理：对分割后的图像进行去噪、平滑等操作，以消除边缘附近的噪声。
2.特征提取：从处理后的图像中提取边缘像素的特征，如颜色、纹理等。
3.分类：根据特征将边缘像素分为不同的类别。
可以使用机器学习方法（如SVM、神经网络等）进行分类。
4.计数：统计各个类别边缘像素的数量，得到最终的结果。
【四、案例演示】以下是一个使用emgu分水岭算法进行图像处理的实例：1.输入图像：一幅包含建筑物、道路、树木等元素的复杂场景图像。
2.使用emgu分水岭算法进行分割。
3.观察分割结果：可以发现，建筑物、道路和树木等元素得到了较好的分割。
分水岭算法综述
分水岭算法综述分水岭算法是图像分割领域中常用的一种算法，它可以将图像分割成不同的区域，每个区域内的像素具有相似的特征。
本文将对分水岭算法进行综述，介绍其原理、应用以及优缺点。
一、分水岭算法的原理分水岭算法的原理源于水在山谷中流动的过程。
首先，将图像看作一个地形图，较亮的区域对应山峰，较暗的区域对应山谷。
然后，通过在地形图上进行洪水填充，使得水从山峰的高处流向山谷的低处，最终形成水汇聚的区域。
这些水汇聚的区域即为图像的分割结果。
分水岭算法的核心是确定图像中的山峰和山谷。
为了实现这一点，需要进行图像的预处理。
首先，对图像进行灰度化处理，将彩色图像转换为灰度图像。
然后，通过应用梯度算子，计算图像中每个像素的梯度值。
梯度值较大的像素被认为是山峰，梯度值较小的像素被认为是山谷。
在预处理完成后，可以开始进行分水岭算法的主要步骤。
首先，将山峰像素标记为前景，山谷像素标记为背景。
然后，将标记的像素区域称为markers。
接下来，通过对markers进行洪水填充，将水从山峰处逐渐流向山谷。
当水汇聚到一定程度时，会形成分割的边界，即分水岭。
二、分水岭算法的应用分水岭算法在图像分割领域有广泛的应用。
以下是一些常见的应用场景：1. 医学图像分割：分水岭算法可以用于医学图像的分割，如MRI图像中的肿瘤分割、X射线图像中的骨骼分割等。
通过将图像分割成不同的区域，医生可以更好地观察和分析病变部位。
2. 地质勘探：分水岭算法可以用于地质勘探中的岩石分割。
通过将地质图像分割成不同的区域，可以更好地识别和分析不同类型的岩石，有助于矿产资源的开发和利用。
3. 视觉检测：分水岭算法可以用于视觉检测中的目标分割。
通过将图像中的目标分割出来，可以更好地进行目标识别和跟踪，有助于自动驾驶、智能监控等领域的发展。
三、分水岭算法的优缺点分水岭算法具有以下优点：1. 算法简单：分水岭算法的原理简单易懂，实现相对容易。
2. 适用性广泛：分水岭算法可以用于不同类型的图像，包括医学图像、地质图像、自然图像等。
分水岭分割算法
分水岭分割算法分水岭分割算法（WatershedSegmentation）是一种图像分割技术，它把图像中的不同部分分开，如果使用正确的参数，就可以把图像分割成像素级别的部分，从而可以更好地分析和理解图像中每一部分之间的关系。
分水岭算法是基于拓扑上的局部连接理论，它能够把图像中通过灰度级值变化连接起来的不同物体分开。
分水岭的主要作用是把图像中的物体分割出来，以便进行进一步的分析和计算。
分水岭算法是一种基于灰度图像的图像分割技术，它把图像中的不同部分分开，其主要原理是把图像中的不同物体分离开来，分水岭算法首先把图像分割成几个局部区域，然后使用灰度级值变化来把不同区域分开。
#### 二、分水岭分割算法的工作原理分水岭分割算法是一种基于图像运算的图像分割技术，它采用最小代价的方式将图像中的不同物体分开，是一种基于拓扑的图像分割方法。
具体的工作原理是：首先，对图像进行梯度变换，从而产生具有较大灰度变化的特征边界，然后将这些特征边界转换为灰度山（Grayscale mountains），灰度山并不只是灰度变化，而是把图像上的每一个像素看作一个小山，这样就可以将相邻像素群聚成一个集合，每个集合就是一个灰度山。
然后，分水岭算法会追踪分水岭（watersheds），分水岭就是把多个灰度山的边界联系起来的路径，这些路径就像河流一样，从一个山峰流入另一个山峰，如果有多个灰度山，就有多条分水岭，这样就可以把图像中的不同物体分隔开来。
最后，通过对每条分水岭的分析，就可以把图像中的不同物体分开，达到图像分割的目的。
#### 三、分水岭分割算法的优点分水岭分割算法是一种图像分割技术，它可以把图像分割成几个局部区域，然后使用灰度级值变化来把不同区域分开，从而把图像中的不同物体分离开来。
分水岭分割算法有以下优点：（1）计算简单：分水岭分割算法的计算是基于拓扑的局部连接理论，而不是复杂的理论，因此它的运算速度快，计算量少，是一种高效的图像分割技术。
分水岭分割算法及其基本步骤
分水岭分割算法及其基本步骤
宝子，今天咱来唠唠分水岭分割算法哈。
分水岭分割算法呢，就像是在一幅图像的“地形”上找分界线。
想象一下图像的灰度值就像地形的高度，灰度高的地方像山峰，灰度低的地方像山谷。
这个算法的目标呀，就是找到那些把不同“区域”分开的“分水岭”。
比如说一幅有多个物体的图像，它能把每个物体所在的区域分开来。
那它的基本步骤大概是这样滴。
先得把图像看成是一个拓扑地貌。
这就好比把图像变成了一个有山有谷的小世界。
然后呢，要确定一些“种子点”，这些种子点就像是每个区域的起始点。
比如说，你想把图像里的一个圆形物体和周围分开，就在圆形物体内部选个点当种子点。
接着呀，从这些种子点开始，像水从源头往外流一样，根据图像的灰度信息往外扩展。
灰度变化平缓的地方就容易被包含进来，而灰度变化突然的地方，就像是遇到了悬崖或者堤坝，就成了可能的分界线。
在这个过程中呢，算法会不断判断哪些区域该合并，哪些该分开。
就像你在整理东西，把同类的放在一起，不同类的分开。
最后呢，就形成了分割后的各个区域啦。
这个算法可有趣了，就像是在图像的小世界里当一个规划师，给每个物体或者区域划分地盘呢。
不过它也有小缺点哦，有时候可能会对噪声比较敏感，就像你在一个有点乱的地方划分区域，那些小干扰就可能让划分不那么准确啦。
但总体来说，在图像分割领域，分水岭分割算法还是很厉害的一个小能手哦。
。
基于分水岭分割算法
基于分水岭分割算法
分水岭分割算法是一种常用的图像分割算法，也称为基于区域的分割算法。
它基于图像中不同区域的灰度差异，通过将图像看作是一幅地形图，将图像中的每个像素视为地形上的一个点，通过计算该点的梯度来确定其高度。
然后，根据图像的高度差异将图像分割成多个不同的区域。
分水岭分割算法的主要思想是首先将图像中的每个像素看作是一个水滴，并将水滴放在图像中的极小值点上。
然后根据像素之间的连通性以及梯度信息，逐步合并水滴，最终得到图像的分割结果。
算法步骤如下：
1. 预处理：对图像进行去噪处理，例如使用高斯滤波器。
2. 计算梯度：计算图像中每个像素的梯度值，一般使用Sobel
算子或Laplacian算子。
3. 标记种子点：根据梯度信息找到图像中的极小值点，并将这些点作为种子点。
4. 标记像素：通过种子点进行扩张，将每个像素标记为其所属的种子点。
5. 构建水流线：将图像中未标记的像素分配到最近的种子点，形成水流线。
6. 汇合水流线：当水流线汇合时，形成边界，将水流线连接到其最近的汇合点。
7. 分割图像：根据水流线和汇合点，将图像分割成多个不同的区域。
分水岭分割算法能够有效地处理图像中的多个前景物体以及复杂背景，但在一些情况下可能会出现过分割或欠分割的问题，需要根据具体应用场景进行调优和改进。
emgu分水岭算法计数
emgu分水岭算法计数
摘要：
1.引言
2.EMGU 分水岭算法简介
3.EMGU 分水岭算法的计数应用
4.总结
正文：
1.引言
分水岭算法是一种图像分割方法，其目的是将图像划分为不同的区域，以便进行特征提取和分类等后续处理。
在众多分水岭算法中，EMGU 分水岭算法是一种基于能量最小化的方法，得到了广泛的应用。
本文将介绍EMGU 分水岭算法及其在计数领域的应用。
2.EMGU 分水岭算法简介
EMGU 分水岭算法是一种基于能量最小化的分水岭算法，其全称为“Efficient Minimum Gradient Union”。
该算法的主要思想是在保持图像区域连通性的前提下，通过合并相邻区域来降低能量。
具体来说，EMGU 算法通过计算每个像素的梯度方向来判断其是否位于分水岭，然后根据梯度的正负和大小对像素进行合并。
3.EMGU 分水岭算法的计数应用
EMGU 分水岭算法在计数领域的应用十分广泛，例如在细胞计数、颗粒计数等任务中发挥着重要作用。
以细胞计数为例，首先需要对显微镜下的细胞图
像进行预处理，如去噪、平滑等操作。
接着，使用EMGU 分水岭算法对预处理后的图像进行分割，将细胞与背景进行区分。
最后，通过统计分割后的区域数量，即可得到细胞计数的结果。
4.总结
EMGU 分水岭算法作为一种高效的图像分割方法，在计数领域具有广泛的应用。
通过在预处理后的图像上应用EMGU 算法，可以准确地将细胞与背景进行区分，从而实现对细胞数量的精确统计。
医学图像处理中的医学影像分割
医学图像处理中的医学影像分割医学影像分割是一项旨在从医学图像中分离出有用信息的技术。
在医学图像处理领域，医学影像分割是一项至关重要的技术，它可以帮助医生更准确地诊断疾病，更准确地评估患者的情况，进而为患者提供更好的医疗服务。
在医学影像中，不同的组织和结构有不同的特点，如形状、密度和纹理等。
医学影像分割旨在找到组织和结构之间的差异，从而将医学图像分成若干个区域以提取感兴趣的部分。
这些分割后的图像可以用于诊断、计算机辅助诊断、手术规划和疾病研究等多个领域。
医学影像分割方法有很多种，下面介绍几种常见的方法。
基于阈值分割的方法是一种最简单的医学影像分割方法。
该方法是从图像灰度值的角度来处理图像的。
这种方法将图像中所有灰度值与一个特定的阈值进行比较，如果一个像素的灰度值超过特定阈值，那么这个像素就属于目标结构；反之，如果像素的灰度值小于等于特定阈值，那么这个像素就不属于目标结构。
该方法简单、快速，但是其结果对噪声敏感，且只能用于分割具有固定灰度值的结构。
区域生长算法是一种基于区域的医学影像分割方法。
该方法需要引导点，从引导点开始，将其周围的像素用规则进行合并，逐渐扩大生长区域，直到达到目标区域的边缘。
然后，通过识别区域边缘确定最终分割结果。
这种方法对噪声不敏感，并且适用于各种形状和大小的结构分割。
分水岭算法是一种基于像素的医学影像分割方法。
该方法将医学图像看作是一个表面，表面上的每个像素都是一个高程点，像素灰度值相当于高程点的高度。
这种方法通过计算像素值在表面上的分水岭轮廓，从而将图像分解成若干个区域。
这种方法适用于分割灰度变化较大的、拓扑结构不复杂的图像。
总之，医学影像分割是医学图像处理领域的重要研究方向，具有广泛的应用前景。
未来，随着人工智能技术的不断发展，更加先进的医学影像分割算法将会被开发出来，为医学诊断和治疗提供更好的技术支持。
分水岭分割算法matlab -回复
分水岭分割算法matlab -回复标题：分水岭分割算法在MATLAB环境中的实现与解析一、引言分水岭分割算法是一种基于图像拓扑特性的图像分割方法，其基本思想源于地理学中的分水岭概念。
在图像处理中，我们可以将图像看作是一个地形图，每个像素的灰度值视为该点的高度，然后通过寻找局部极小值并将其作为汇水盆地，进而扩展到相邻的高地区域，形成分水岭，最终实现图像的分割。
本文将详细阐述如何在MATLAB环境中实现分水岭分割算法。
二、分水岭分割算法的基本原理分水岭分割算法主要包括以下几个步骤：1. 检测局部极小值：在图像中找到灰度值小于其所有邻域像素的点，这些点被视为分水岭的起点，即汇水盆地。
2. 扩展种子点：从每个局部极小值开始，向周围灰度值较高的区域扩张，直到遇到另一个局部极小值或者图像边缘。
3. 分割图像：当所有的局部极小值都被扩展后，图像就被分割成多个互不相连的区域，每个区域对应一个汇水盆地。
三、在MATLAB中实现分水岭分割算法以下是在MATLAB中实现分水岭分割算法的步骤：1. 导入图像：首先，我们需要导入需要进行分割的图像。
可以使用imread 函数来读取图像。
matlabimg = imread('your_image_file.jpg');2. 转换为灰度图像：如果原始图像为彩色图像，需要将其转换为灰度图像。
matlabgray_img = rgb2gray(img);3. 高斯滤波：为了消除图像中的噪声，可以对灰度图像进行高斯滤波。
matlabfiltered_img = imgaussfilt(gray_img, 2);4. 检测局部极小值：使用MATLAB的imregionalmin函数可以检测图像中的局部极小值。
matlabmarkers = imregionalmin(filtered_img);5. 扩展种子点：使用MATLAB的watershed函数进行分水岭分割。
分水岭分割方法
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。
图像分割之分水岭算法
图像分割之分⽔岭算法理论 任何灰度图像都可以看作是⼀个地形表⾯，其中⾼强度表⽰⼭峰和丘陵，⽽低强度表⽰⼭⾕。
⽤不同颜⾊的⽔(标签)填充每个孤⽴的⼭⾕(局部极⼩值)。
当⽔上升时，根据附近的峰(梯度)，不同⼭⾕不同的颜⾊的⽔，显然会开始融合。
为了避免这种情况，你在⽔就要融合的地⽅及时增加屏障（增⾼⽔坝）。
你继续填满⽔，建造屏障，直到所有的⼭峰都被淹没。
然后，您创建的屏障会给出分割结果。
这就是分⽔岭背后的“哲学”。
你可以访问，⾥⾯有动画帮助理解。
但是这种⽅法会由于图像中的噪声或其他不规则性因素⽽导致过度分割的结果。
OpenCV实现了⼀种基于标记的分⽔岭算法，你可以指定哪些是要合并的⾕点，哪些不是。
我们所做的是给我们所知道的对象赋予不同的标签（marker）。
⽤⼀种颜⾊(或强度)标记我们确定的为前景或对象的区域，⽤另⼀种颜⾊标记我们确定为背景或⾮对象的区域，最后⽤0标记我们不确定的区域。
然后应⽤分⽔岭算法，其将使⽤我们给出的标签进⾏更新（填⽔），对象的边界值将为-1。
代码 下⾯我们将看到⼀个关于如何使⽤距离变换（Distance Transform）和分⽔岭（watershed）分割相互接触的对象的例⼦。
下⾯的图像，硬币互相接触。
⾸先使⽤Otsu的⼆值化⽅法把图⽚变成⼆值图像。
import numpy as npimport cv2img = cv2.imread('E:/pictures/coins.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) 结果为： 现在我们需要去除图像中的⼀些⼩的⽩⾊噪声，我们可以使⽤形态学开运算。
为了去除物体上的⼩洞（⿊⾊噪声），我们可以使⽤形态闭运算。
图像处理中的标记分水岭分割算法
图像处理中的标记分水岭分割算法如果图像中的目标物体是连接在一起的，则分割起来会更困难，分水岭分割算法经常用于处理这类问题，通常会取得比较好的效果。
分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。
直接应用分水岭分割算法的效果往往并不好，如果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。
有很多图像处理工具箱函数可以用到，如fspecial、imfilter、watershed、lable2rgb、imopen、imclose、imreconstruct、imcomplement、imregionalmax、bwareaopen、graythresh、和imimposemin函数等。
下面进行一个例子，步骤如下。
1、读取图像并求其边界，代码如下。
rgb = imread('pears.png');%读取原图像I = rgb2gray(rgb);%转化为灰度图像figure; subplot(121)%显示灰度图像imshow(I)text(732,501,'Image courtesy of Corel',...'FontSize',7,'HorizontalAlignment','right')hy = fspecial('sobel');%sobel算子hx = hy';Iy = imfilter(double(I), hy, 'replicate');%滤波求Y方向边缘Ix = imfilter(double(I), hx, 'replicate');%滤波求X方向边缘gradmag = sqrt(Ix.^2 + Iy.^2);%求模subplot(122); imshow(gradmag,[]), %显示梯度title('Gradient magnitude (gradmag)')在这一步骤中，首先读取一套真彩色图像，然后把真色图像转化为灰度图像，结果如图所示：图1原图和梯度图像使用sobel 边缘算子对图像进行水平和垂直方向的滤波，然后求取模值，sobel 算子滤波后的图像在边缘处会显示比较大的值，在没有边界处的值会很小，如上图右图所示。
Opencv实现用于图像分割分水岭算法
Opencv实现⽤于图像分割分⽔岭算法⽬标• 使⽤分⽔岭算法基于掩模的图像分割• 学习函数： cv2.watershed()原理 任何⼀幅灰度图像都可以被看成拓扑平⾯，灰度值⾼的区域可以被看成是⼭峰，灰度值低的区域可以被看成是⼭⾕。
我们向每⼀个⼭⾕中灌不同颜⾊的⽔，随着⽔的位的升⾼，不同⼭⾕的⽔就会相遇汇合，为了防⽌不同⼭⾕的⽔汇合，我们需要在⽔汇合的地⽅构建起堤坝。
不停的灌⽔，不停的构建堤坝直到所有的⼭峰都被⽔淹没。
我们构建好的堤坝就是对图像的分割。
这就是分⽔岭算法的背后哲理。
但是这种⽅法通常都会得到过度分割的结果，这是由噪声或者图像中其他不规律的因素造成的。
为了减少这种影响，OpenCV 采⽤了基于掩模的分⽔岭算法，在这种算法中我们要设置哪些⼭⾕点会汇合，哪些不会，这是⼀种交互式的图像分割。
我们要做的就是给我们已知的对象打上不同的标签。
如果某个区域肯定是前景或对象，就使⽤某个颜⾊（或灰度值）标签标记它。
如果某个区域肯定不是对象⽽是背景就使⽤另外⼀个颜⾊标签标记。
⽽剩下的不能确定是前景还是背景的区域就⽤ 0 标记。
这就是我们的标签。
然后实施分⽔岭算法。
每⼀次灌⽔，我们的标签就会被更新，当两个不同颜⾊的标签相遇时就构建堤坝，直到将所有⼭峰淹没，最后我们得到的边界对象（堤坝）的值为 -1。
代码 下⾯的例⼦中我们将就和距离变换和分⽔岭算法对紧挨在⼀起的对象进⾏分割。
如下图所⽰，这些硬币紧挨在⼀起。
就算你使⽤阈值操作，它们任然是紧挨着的。
我们从找到这些硬币的近似估计值开始，我们使⽤Otsu's⼆值化。
import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('image/coins.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)结果图： 现在我们要去除图像中的所有的⽩噪声,这就需要使⽤形态学中的开运算。
opencv的分水岭算法
opencv的分水岭算法
OpenCV是一个流行的计算机视觉库，它提供了许多图像处理和计算机视觉算法。
分水岭算法是OpenCV中的一种图像分割算法，用于将图像分割成多个不同的区域。
分水岭算法的主要思想是将图像看作是一个地形图，其中像素的灰度值表示地势高度。
然后通过向图像中注入水，水从低处逐渐流动到高处，最终形成分割区域。
这个过程中，水会在不同区域的边界上形成堤坝，这些堤坝就代表了物体的边界。
分水岭算法的步骤如下：
1. 对图像进行预处理，例如去噪、平滑等操作，以便更好地检测边界。
2. 对图像进行灰度转换，如果图像是彩色的，需要将其转换为灰度图像。
3. 根据图像的特征，选择合适的标记方法。
可以使用阈值分割、边缘检测等方法得到初始标记。
4. 通过计算梯度图像或距离变换来确定未标记像素的优先级，并按照优先级逐渐向图像注入水。
5. 不断更新图像中的水流，直到水流相遇或达到预设的终止条件。
6. 根据最终的水流情况，将图像分割成多个不同的区域。
分水岭算法在图像分割中具有广泛的应用，特别是在处理复杂的图像场景、图像中的目标重叠等情况下表现出色。
但它也有
一些局限性，例如对于图像中的噪声比较敏感，可能会导致过分细化的分割结果。
因此，在实际应用中需要根据具体的场景进行参数调节和优化。
分水岭分割公式
分水岭分割公式分水岭分割公式是一种图像处理算法，用于在图像中找到一条分割线，将图像分割成两个部分。
这条分割线被称为分水岭，因为它类似于山脉中的山脊，可以将两个不同的水流分开。
分水岭分割公式使用了数学和图像处理的方法，通过计算图像中每个像素的梯度值和距离变换来确定分水岭的位置。
分水岭的位置被定义为图像中梯度值最高的像素点，这个点将图像分割成两个部分。
在分水岭分割公式中，首先需要计算图像的梯度值。
梯度值表示了图像中像素的变化情况，可以用来找到图像中的边缘和纹理。
计算梯度值的方法有很多种，常用的方法包括Sobel算子和Canny算子。
这些算子可以对图像进行卷积操作，得到图像的梯度值。
接下来，需要进行距离变换。
距离变换是一种图像处理方法，用于计算图像中每个像素点到指定对象的距离。
在分水岭分割公式中，指定对象可以是图像中的某个像素点或者某个区域。
距离变换可以帮助确定分水岭的位置，使得分割结果更加准确。
在计算了梯度值和距离变换之后，就可以确定分水岭的位置了。
分水岭的位置被定义为图像中梯度值最高的像素点，可以通过阈值处理的方法来确定。
阈值处理是一种将图像像素进行二值化的方法，可以将图像中低于一定阈值的像素置为0，高于阈值的像素置为1。
通过阈值处理，可以将图像中的梯度值最高的像素点标记为分水岭。
根据分水岭的位置，可以将图像分割成两个部分。
分水岭的位置将图像分成了两个区域，分别属于不同的物体或者背景。
分割结果可以通过颜色来表示，通常使用不同的颜色来标记不同的区域。
分割结果可以用于图像分析、目标检测和图像识别等应用。
总结一下，分水岭分割公式是一种图像处理算法，通过计算图像的梯度值和距离变换来确定分水岭的位置，从而将图像分割成两个部分。
这种算法可以用于图像分析、目标检测和图像识别等应用领域。
分水岭分割公式的原理和方法相对复杂，但在实际应用中具有较好的效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种采用模板预分割的分水岭分割算法姜雪峰1，王毅1，侯建勋21哈尔滨工业大学深圳研究生院机械工程与自动化学科部，广东省深圳市(518055) 2东北电力大学电气工程及其自动化系，吉林省吉林市(132000)E-mail：jxfhit@摘要：本文提出了一种改进的分水岭分割方法。
先利用灰度直方图的阈值自动提取方法，通过用模板对图像进行预分割，得到具有一定意义的边界特征。
然后，在得到的边界内寻找区域极小值，运用分水岭变换实现图像最终的分割。
最后，获得有效的水盆中水的连通域后，再通计算每个连通域的平均坐标，便可获得每个区域的中心坐标。
实验表明,该方法不仅能有效地消除过分割,而且具有较强的区域轮廓定位能力。
关键词：分水岭分割, 灰度直方图, 图像分割中图分类号：TP391.41.引言图象的分割方法有多种，其中基本算法三种：间断的检测，门限处理和区域处理，而形态学分水岭算法将前三种算法具体化，包括连续的边界分割在内，它生成的分割结果通常更为稳定。
基于分水岭的分割算法的主要目标是找出分水线。
它的基本思想是：假设在全图中每个区域的最小极值位置上打一个洞并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。
当处在不同的汇聚盆地中的水将要聚合到一起时，修建的大坝将阻止聚合。
这些大坝的边界对应于分水岭的分割线，分水岭算法的实质是寻找这条水坝，即分水线[1]。
用基本算法分割时，只能限定有效的边界，无法确定连通域。
用分水岭方法进行图像分割时，可以确定连通域，但递归调耗时很多，没有预处理的图象时，经常出现过分分割的现象[2],但分割的本身意义在于，从图象中识别出有意义的部分。
基于分水岭的分割原理，提出一种新的分水岭分割算法，该算法在分水岭算法运算前，先对全图作边缘分割预处理，将图象中的有意义的边界标识出来，随后在分水岭算法处理过程中，若在寻找到的极值点附近存在闭合环路，则可以从此处进行注水膨胀，一但膨胀到标识处，此处的扩张就可以停止。
最终，既属于分水岭分割开的，又经过标识的连通域，就是分割出来的有意义的部分，通过计算此联通区域的平均坐标，便可得到标识图形的几何中心位置。
它是基于分水岭变换原理的一种快速、有效的分割方法，对于圆点的定位识别有良好的效果。
2.算法的具体实现2.1预分割限定边界以图1为例，首先预处理图象。
线性变换增强图象可读性的同时又不丢失原有图象数据，对图像内的每一个像素做线性扩展，不仅有效地改善图像视觉效果，而且加大图象边缘梯度变化程度，有利于点的识别。
再通过1×3的扫描窗口，对新图进行中值滤波，中值滤波器利用局部中值替代了局部平均，- 1 -- 2 - 在一定条件下可以克服线性滤波器（如部分平均）所带来的图像细节模糊，而且对滤波脉冲干扰及图像扫描噪声最为有效[3]。
然后，对全图进行边缘分割预处理。
设全图象素的集合为W ，在5×5个象素方框内(如图2所示)，计算外边框象素的灰度均值AR ，并与中心象素 g( i, j )灰度ACR 相比较，从而得到跳跃平均算子：▽f = AR – ACR （2）当▽f > 0时，则对暗点处理；若▽f < 0，则对高亮点处理。
本研究以暗点为例，故取▽f > 0 的情况。
即若 ▽f > RL （RL 为阈值，且RL ∈N ），则认为此处象素( i , j )为边缘象素，并记录到边缘象素集合A ＝{a(k) ∣a(k)为边缘象素，且 a(k) ∈W }中。
在象素集合W 里，得到跳跃平均算子▽f 的搜索模板如式（3）所示。
（3）改变RL 值大小，就可获得对一定梯度敏感的区域。
根据图象的直方图（图3所示），从左向右，第一个波峰表示图象中圆点的灰度集中值，第一个波谷表示圆点中最大灰度值。
第二个波峰表示图象中高亮的背景颜色集中值。
所以，RL 一定得小于两个波峰值才有意义。
用此模板算得的算子是一种平均梯度，表示5×5框内中心点象素与其附近周围的区域的灰度差别，即考虑图象局部特征。
得到的预分割边界如图4所示。
与文献[4]的简单全图阈值分割方法相比，更能捕捉局部图象的特征。
）（55 11111100011016011000111111´úúúúúúûùêêêêêêëé-- 3 -2.2用分水岭算法确定连通域\及几何中心坐标确定了限定边界后，再对图象进行分水岭分割，并加入适当的边界条件，可获得有效的水盆中水的连通域。
令图象左下角为坐标原点，g(x,y)代表图象在坐标(i,j)位置的灰度，M1，M2，M3，……，M R 为表示图象g(x,y)的局部最小值点象素的集合，且M i 均被A 中的元素包围着。
令C(M i )为一个点的坐标的集合，这些点位于与局部最小值点M i 相联系的汇水盆地内。
根据灰度直方图图4取min=47和max=200代表g(x,y)的最小值和最大值。
T[n]表示坐标(s,t)的集合，其中n 是灰度，即三维图形的垂直高度，g(s,t)<n ，即：(1)在几何上，T[n] 是g(x,y)中的点的坐标集合，集合中的点均位于平面g(x,y) = n 的下方。
随着水位以整数量从 n = min+1到 n = max+1 不断增加，图象中的地形会被水漫过。
在水位漫过地形的过程中的每一阶段，算法都需要知道处在水位之下的点的数目。
而且，一旦遇到A 中的象素，就将此处设为分割线上的象素，即令g(x,y)=max ＋1。
令C n (M i )表示汇水盆地中点的坐标的集合。
这个盆地与在第n 阶段被淹没的最小值有关。
即：C n (M i ) = C(M i ) ∩ T[n]（2） 令C[n]表示在第n 个阶段汇水盆地被水淹没的部分合集：U R i i n M C 1)(C[n]==（3）然后令C[max+1]为所有汇水盆地的合集：}),(|),{(][T n t s g t s n <=U R i i M C 1)(1]C[max ==+（4）通过式（2）和（3）可以看出，C[n]是T[n]的子集，所以C[n-1]也是T[n]的子集。
从而得出重要结果：C[n-1]中的每个连通分量都恰好是T[n]的一个连通分量。
在寻找分水线的算法开始时设定C[min+1] = T[min+1]，然后算法进入递归调用，假设在第n 步时，已经构造了C[n-1]。
根据C[n-1]求得C[n]的过程如下：令Q 代表T[n]中连通分量的集合。
然后，对于每个连通分量q ∈Q[n]，有下列3种可能性： (1) q ∩C[n-1]为空. (2) q ∩C[n-1]包含C[n-1]中的一个连通分量。
(3) q ∩C[n-1]包含C[n-1]多于一个的连通分量。
根据C[n-1]构造C[n]取决于这3个条件。
当遇到一个新的最小值时符合条件(1)，则将q 并入C[n-1]构成C[n]。
当遇到全部或部分分离两个或更多汇水盆地的山脊线的时候，符合条件（c ）。
进一步的注水会导致不同盆地的水聚合在一起，从而使水位趋于一致。
因此，必须在q 内建立一座水坝以阻止盆地内的水溢出。
传统分水岭算法在确定分水线时，算法递归调用直到不同的盆地里的水相遇时，才可实现分割。
而该算法由于已经有A 中的元素限定，所以，不必等到注水会导致不同盆地的水聚合在一起而进行很多次递归调用，就已经早早的确定了分水线,，而不需再继续运算下去。
最后，再通过计算每个连通域的平均坐标，便可获得每个圆点的中心坐标，便可确定每个圆点的位置。
3. 实验结果 为了验证该算法，用5×5的点阵图象作实验，并取得了良好的效果。
从图5为用标准分水岭分割得到的结果，可以看出，杂点也被标识出。
而用本文所述方法得到结果如图6所示，可以得到很好的分割结果，得到了有意义的分割结果。
得到可靠的连通区域，则很窬易算得连通区域的平均坐标，进而确定圆点在图象中的几何中心位置。
4.结论实验结果表明，该方法不仅能有效地消除过分割,而且具有较强的区域轮廓定位能力，对于含有噪声的图像具有较好的鲁棒性。
此类点阵图形在生物工程、信息检测中有普遍应用，所以该方法在实际应用中有一定实用性。
参考文献[1]罗玲; 解梅; 陈杉. 基于多尺度形态滤波的分水岭图像分割方法[J].计算机辅助设计与图形学学报，2004，16(2)：168～173[2]赵晨光,宋利伟,庄天戈. 基于分水岭区域差异性的多级图像分割[J].上海交通大学学报，2004，38(9)：1489-1491[3]金龙，唐玉荣，张彦娥. 基于小波和中值滤波的点阵图像去噪方法[EB/OL]../process/download.jsp?file=200603-523，2006-03-29[4]何世钧, 王化祥, 李照宇, 等. 图像识别技术在点阵分析系统中的应用及VB实现[J] 生物医学工程学杂志，2004，21（1）：118-121A New Watershed Segmentation With Segmentation ByTemplate In AdvanceJiang Xue-feng1, Wang Yi1 , Hou Jiang-xun21Department of Mechanical Engineering and Atuomation at Harbin Institute of Technology Shenzhen Graduate School, Shenzhen, Guangdong ,518055 2Department of Electric Engineering and Automation at Northeast Dianli University,Jilin,Jilin, 132000AbstractIn this paper, an amelioration method of watershed segmentation is put forward. Firstly, with automatically finding threshold value by gray level histogram , it carries out segmentation in advance, and a series of borders have been fixed. Then, searching the infinitesimal value in these borders, the final segmentation is confirmed by watershed segmentation method. The average coordinate is the center one of connective area. Experiments show that the proposed algorithm is efficient in eliminating over-segmentation and it has relatively capability about orientation of area figure.Keywords: watershed segmentation, gray level histogram, image segmentation第一作者简介：姜雪峰1980年生，男，硕士研究生。