分水岭分割算法原理与代码

//让种子队列中的种子进行生长直到所有的种子都生长完毕 while(!que.empty()) {
up=down=right=left=0; upleft=upright=downleft=downright=0; //队列中取出一个种子
则加为新种子 为新种子
temp=que.front(); m=temp.x; n=temp.y; que.pop();
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。
为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方 法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割。即
g(x,y)=max(grad(f(x,y)),gθ)
式中，gθ 表示阈值。
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
分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变 化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良 好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集 水盆，为分析图像的区域特征提供了可能。
为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用 先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目 标。
/
void Watershed(const int **OriginalImage, char** SeedImage, int
**LabelImage, int row, int col)
{
using namespace std;
//标记区域标识号，从 1 开始 int Num=0; int i,j;
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。
#include <queue> #include <vector> #include <windows.h>
/*===================================================================
=
函数名
： Watershed
功能
： 用标记-分水岭算法对输入图像进行分割
// DAMAGES WHATSOEVER RESULTING FROM LOSS OF USE, DATA OR PROFITS, // WHETHER OR NOT ADVISED OF THE POSSIBILITY OF DAMAGE, AND ON ANY // THEORY OF LIABILITY, ARISING OUT OF OR IN CONNECTION WITH THE USE // OR PERFORMANCE OF THIS SOFTWARE. // ===================================================================== ======
算法实现
：无
输入参数说明 ： OriginalImage --输入图像（灰度图，0~255）
SeedImage --标记图像（二值图，0-非标记，1-标记）
LabelImage --输出图像（1-第一个分割区域，2-第二
个分割区域，...）
row
--图像行数
col
--图像列数
返回值说明
Βιβλιοθήκη Baidu
：无
====================================================================*
分水岭分割算法源代码:
//Image Watershed Segmentation //This is the implementation of the algorithm based on immersion model. // ===================================================================== ====== // ===== Module: Watershed.cpp // ===== -------------------------------------------------------------- ====== // ===== Version 01 Date: 04/21/2003 // ===== -------------------------------------------------------------- ====== // ===================================================================== ====== // ===== Written by Foxhole@smth.org // ===== e-mail: gong200@china.com // ===================================================================== ====== // Permission to use, copy, or modify this software and its documentation // for educational and research purposes only is hereby granted without // fee, provided that this copyright notice appear on all copies and // related documentation. For any other uses of this software, in original // or modified form, including but not limited to distribution in whole // or in part, specific prior permission must be obtained from // the author(s). // // THE SOFTWARE IS PROVIDED "AS-IS" AND WITHOUT WARRANTY OF ANY KIND, // EXPRESS, IMPLIED OR OTHERWISE, INCLUDING WITHOUT LIMITATION, ANY // WARRANTY OF MERCHANTABILITY OR FITNESS FOR A PARTICULAR PURPOSE. // // IN NO EVENT SHALL RUTGERS UNIVERSITY BE LIABLE FOR ANY SPECIAL, // INCIDENTAL, INDIRECT OR CONSEQUENTIAL DAMAGES OF ANY KIND, OR ANY
//保存每个队列种子个数的数组 vector<int*> SeedCounts; //临时种子队列 queue<POINT> que; //保存所有标记区域种子队列的数组 vector<queue<POINT>* > qu;
int* array;
queue<POINT> *uu; POINT temp;
for(j=0;j<col;j++) {
//如果找到一个标记区域 if(SeedImage[j]==1) {
//区域的标识号加一 Num++; //分配数组并初始化为零 array=new int[256]; ZeroMemory(array,256*sizeof(int)); // SeedCounts.push_back(array); //分配本标记的优先队列 uu=new queue<POINT>[256]; //加入到队列数组中 qu.push_back(uu); //当前点放入本标记区域的临时种子队列中 temp.x=i; temp.y=j; que.push(temp); //当前点标记为已处理 LabelImage[j]=Num; SeedImage[j]=127;
for(i=0;i<row;i++) for(j=0;j<col;j++) LabelImage[j]=0;
int m,n,k=0; int up,down,right,left,upleft,upright,downleft,downright;
//预处理,提取区分每个标记区域，并初始化每个标记的种子队列 //种子是指标记区域边缘的点，他们可以在水位上升时向外淹没（或者说生 长） for(i=0;i<row;i++) {
{ temp.x=m-1; temp.y=n-1; que.push(temp); //新种子点标记为已淹没区域 LabelImage[m-1][n-1]=Num; SeedImage[m-1][n-1]=127;
}else//否则左上方为不可生长 {
upleft=1; } }
if(m<row-1) {
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。
if(SeedImage[m+1][n]==1)//下方若为可生长点则加
{ temp.x=m+1;
加为新种子 为新种子
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。
if(m>0) {
//上方若为可生长点则加为新种子 if(SeedImage[m-1][n]==1) {
temp.x=m-1; temp.y=n; que.push(temp); //新种子点标记为已淹没区域 LabelImage[m-1][n]=Num; SeedImage[m-1][n]=127; }else//否则上方为不可生长 { up=1; } } if(m>0&&n>0) { if(SeedImage[m-1][n-1]==1)//左上方若为可生长点