分水岭算法

引言：它是基于拓扑理论的形态学处理方法。将一张图像假想成为一张地貌特征图。

原理理解：灰度图被看作拓扑平面，灰度高看成山峰，灰度低看成山谷。从山谷开始注水，随着水位升高水流会相遇汇合。为了防止汇合，需要在汇合的地方建立堤坝。不停灌水，不停建堤坝，直到所有的山峰都被水淹没。堤坝就是对图像的分割，这就是分水岭算法背后的原理。

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那些山谷点会汇合，那些不会。我们要做的是，给我们已知的对象打上不同的标签（颜色或灰度值）。前景一个标签，背景一个标签，不确定是前景还是背景的区域用0标记。。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。

计算原图像的每个像素到最近的 0 像素的距离。

计算每个二值图像像素到最近的零像素之间的近似或精确距离。 对于零图像像素，该距离将为零。

一般二值图像中前景为白色（255），背景为黑色（0），距离变换即计算前景与背景的距离。所以前景目标中的像素点距离背景越远，则距离越大，那么距离变换后的图像距离背景越远就越亮。

---

海拔高度：不同灰度。灰度图像就可以变换成为三维图形。

集水盆：局部最小值

分水岭：每个相邻集水盆之间的边界，即真实图像的分割边界

---

距离变换：计算图像中非零像素点到最近的零像素点的距离，也就是到零像素点的最短距离。

常见的距离变换算法：通过连续腐蚀操作实现，腐蚀操作的停止条件是所有前景像素都被完全腐蚀。根据腐蚀的先后顺序，我们就得到各个前景像素点到前景中心骨架像素点的距离。

根据各个像素点的距离值，设置为不同的灰度值。这样就完成了二值图像的距离变换

基于距离变换的分水岭分割流程：

---

总结：1.对局部最小值和噪声敏感度高，准确性难保证。
2.很难界定淹没过程应该在什么时候停止。停的早，过分割，分割结果支离破碎；停的晚，欠分割，大部分边界被淹没。   极端情况是整幅图的边界都被淹没，只剩下一个分割块。
3.所以，分水岭算法会趋向于得到过分割的结果。

解决分水岭的过分割情况：1.利用图像先验知识，去除不相关边界的信息，从而去除分割结果中无关抖动边界
2.修改梯度函数，使算法对灰度变化（灰度变化大=是边界）变得迟钝，仅对探测物体可产生较强响应