分水岭算法（Watershed algorithm）与OpenCV实现

前言

         分水岭算法主要用于图像的分割！

         这个算法需要输入一个灰度图，在接下来的洪水漫堤过程中，相邻的积水盆地之间的分水岭便慢慢构建起来。一般情况下，这会引起过分割，尤其是具有噪声的图像。

         图像必须要预处理，以消除噪声；分割结果必须要基于一些根据进行区域合并，以减小过分割造成的影响！

技术
         假设我们要将下面这幅图像进行分割，需要几步？分三步，第一步，冰箱门打开，第二步。。。打住，- -| 进入正题，我们要用OpenCV来实现，不就一步么？调用那个watershed函数不就行了？实际上，可没那么简单！且听我细细道来 ~-~！

OpenCV实现了一个基于标记图层的分水岭算法，所谓基于标记图层，就是不用手动选择种子点了，直接输入一个包含标记点（种子点）的图像即可。函数原型如下：

C++: void watershed(InputArray image, InputOutputArray markers)

其中，image代表输入图像（必须是8-bit3通道图像，也就是说是灰度图像），这也就是说，要对一个彩色图像进行分割，就要先将image转换为灰度图，幸运的是这可以通过cvtColor()（原型为C++: void cvtColor( InputArray src,OutputArray dst, int code, int dstCn=0 )，code代表转换类型，具体的所有代码在这里可以找到）做到；markers是输入的标记图层（包含标记点的图层，这些标记点就是进行洪水的入口，一般是区域极小值点）。

利用cvtColor将原图转换为灰度图如下：

这就是说要利用分水岭算法对一幅图像进行分割，必须提供其对应的标记图层。那么问题来了？挖掘机技术哪家强？。。。额，串词了 - -|  那么markers图层从哪里来呢？不用怕，需要的markers图层可以通过findContours（）函数勾勒出来，findContours（）函数的原型如下：

C++: void findContours( InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point())
C++: void findContours( InputOutputArray image, OutputArrayOfArrays contours, int mode, int method, Point offset=Point())

其中，image参数输入的图像必须是8-bit单通道的图像。可以使用compare() , inRange(), threshold() , adaptiveThreshold() , Canny() 从彩色或者灰度图转换成二值图。
这里我们使用adaptiveThreshold()方法转化一个灰度图到二值图，以使用findContours（）方法。adaptiveThreshold()的原型是：

C++: void adaptiveThreshold(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C)

src是8-bit 单通道的图像；dst和src是同一类型的图像；maxValue是条件满足时的赋值；adaptiveMethod是确定合适的阈值的算法，有两个选项：ADAPTIVE_THRESH_MEAN_C 或者ADAPTIVE_THRESH_GAUSSIAN_C，分别对应于均值和高斯算法；thresholdType是指阈值分割类型，必须是THRESH_BINARY或者THRESH_BINARY_INV，如果是THRESH_BINARY，那么大于阈值的将会赋值为maxValue（一般为255），否则就赋值为0，THRESH_BINARY_INV是相反的规则！

利用以上思路转换为二值图后的结果如下：

findContours结果如下：

OK，将markers文件传入watershed函数的参数，最终结果如下：

代码我给附上：

/**
* 定义一个使用分水岭算法的辅助类
*/
class WatershedSegmenter{
private:
    cv::Mat markers;
public:
    void setMarkers(cv::Mat& markerImage)
    {
        markerImage.convertTo(markers, CV_32S);
    }

    cv::Mat process(cv::Mat &image)
    {
        cv::watershed(image, markers);
        markers.convertTo(markers,CV_8U);
        return markers;
    }
};

/**
* 接受一个图像参数，显示出分水岭算法分割的结果
*/
void watershedSegment (Mat img){
	Mat gray(img.rows, img.cols,CV_8UC1);
	cvtColor(img, gray, CV_BGR2GRAY);	//转换为8-bit，3通道的灰度图
	Mat binary = Mat::zeros(gray.rows, gray.cols, CV_8UC1);
	adaptiveThreshold(gray, binary, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 5, 10);		//将灰度图转换为二值图
	Mat markers = Mat::zeros(gray.rows, gray.cols, CV_8UC1);

	//使用findContour()函数找出图像的轮廓
	vector > contours;
	vector hierarchy;
	findContours(binary, contours, hierarchy, CV_RETR_LIST, CV_CHAIN_APPROX_NONE);

	//将contours结果放入到markers中，便于访问
	int idx = 0;
	for( ; idx >= 0; idx = hierarchy[idx][0]){
		Scalar color(rand()&255, rand()&255, rand()&255);
		drawContours(markers, contours, idx, color, CV_FILLED, 8, hierarchy);
	}

	//调用分水岭算法分割图像
	WatershedSegmenter segmenter;
        segmenter.setMarkers(markers);
        cv::Mat result = segmenter.process(img);

	//显示分割结果
	namedWindow("segmentation_result", 0);
	imshow("segmentation_result", result);
}

总结

Watershed是一个很好的算法，效率也很高。在图像分割中，应用的比较广泛，据说很多商业软件都有实现！

但是其缺点也很明显——过分割现象。怎么办呢？可以有两种思路，从源头或者过后收拾残局：从源头？就是在分割过程中控制分割行为，这个好复杂的说！要修改算法，以兄弟我现在的水平，可是力不从心，哈哈；那么我们可以采取第二种思路，将过分割的地物对象进行合并分类，听起来好像很有道理的样子哦，我们下次讨论一下哈。