分水岭算法简单实现

一直没看分水岭，vc图像处理的书对该算法的介绍也很少，cximage也找到相关的算法。就看了matlab何opencv。matlab对分水岭的算法是封装的也就没看源码，而opencv的写的实在太高升了，水平差在加没有过opencv，没办法看懂。网上找了几个算法的源码，一个老外用template写的，一个是国人写的。老外写的是NB，看不动，国人写的看了一些也是云里雾里的，最后么办法自己想办法写了个。

 

首先声明，这个只是简单的实现，仅仅针对一些简单的情况。效果还可以但有不足，一些地方的分割有可能将原本的单一前景给分割掉。和我一样的菜鸟，可以看看。高人路过可以指导。

 

先介绍下什么叫分水岭，

定义：

所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性

本代码，没有完全的实现，只能满足现行对工作的需要。

分水岭的原理网上有很多，我仅仅说明下我对这个算法的简单理解：该算法可以解决针对，你可以用分割成前景，但有些干扰或者其他原因，分割出来的前景可以连成一片，无法区分那个前景是那个。这个时候，就可以用这个分水岭算法来帮忙。

（先看几张分水岭原理的图片，这个打字太麻烦，直接看图片吧）

 

算法的理解我花了半天多的时间才看明白。我的理解（可能有错误或者不足）就是M为灰度值最小（或者最大相对背景）为最低的盆地，其实也就是各个前景最为远离背景的地方（这个肯定有不足的理解，希望各位看客指导一下）。根据这个盆地我们不断的加水，使得盆地的水位不断的提升（也就是不断的靠近背景），在个提升地盘的时候，可能会出现和其他盆地相冲突的地方。这个时候我们需要本着和谐的态度来防止这种事情的发生，就是在冲突的地方建设堤坝。这个堤坝其实就是我们需要寻找的东西。

提升盆地水位的时候有三种可能

1：盆地上方实力，也就说这个区域的灰度和该盆地相邻，和其他势力没关系。这种情况，肯定是被吞并的。

2：盆地相邻实力，也就说这个区域的灰度不仅仅和该盆地相邻，也和其他的盆地有关系。这种情况，就是我们需要寻找的堤坝。

3：当水位提到一定高度的时候出现的新盆地，该地区和原始的盆地均不关。该水位点为该区域最低水位。这个时候就有新的盆地生成，也就是新的恶势力出现了。

针对上面的理解，我写了个依据图像距离变化的分水岭，适合一些小部分区域相交叉的情况。

首先我们需要对图像进行二值化，分割出感兴趣的位置区域。二值化，大家随便，只要能分割进行。

第二进行距离变换，代码来自一个vc图像算法原理和实现，大概这个书名吧

//计算二值化图像的距离值 bool processing::distance(BYTE *&pdata) { // 存储象素值的数组 if (pdata!=NULL) { return false; } int * pnBinary = new int[m_size]; int * pnStore = new int[m_size]; pdata = new BYTE[m_size]; // 将图象二值化 for (int j = 0; j < m_height; ++j) { for(int i = 0; i < m_biwidth; ++i) { // 白色象素为背景，存成0 if(m_pbinary[i+j*m_biwidth]) { pnBinary[i+j*m_biwidth] = 0; pnStore [i+j*m_biwidth] = 0; } // 黑象素存成1 else { pnBinary[i+j*m_biwidth] = 1; pnStore [i+j*m_biwidth] = 1; } } } int s = 1; while(s == 1) { s = 0; // 进行距离的累加 for (int j = 1; j < m_height - 1; ++j) { for(int i = 1; i < m_biwidth - 1; ++i) { // 如果是背景，进行下一个循环 if(pnBinary[i+j*m_biwidth]== 0) continue; // 如果当前象素值和四周的值一样，象素值增加一 if(pnBinary[i+j*m_biwidth]==pnBinary[m_biwidth* (j-1) + i] && pnBinary[i+j*m_biwidth]==pnBinary[m_biwidth * (j+1) + i]) if(pnBinary[i+j*m_biwidth]==pnBinary[m_biwidth * j + i-1] && pnBinary[i+j*m_biwidth]==pnBinary[m_biwidth* j + i+1]) { pnStore[m_biwidth * j + i]++; s=1; } } } // 在进行下一轮循环前将当前的结果储存 for (int j = 0; j < m_height; j++) for(int i = 1; i < m_biwidth; i++) pnBinary[m_biwidth * j + i] = pnStore[m_biwidth * j + i]; } for (int j = 0; j < m_height; ++j) { for(int i = 0; i < m_biwidth; ++i) { //pdata[i+j*m_biwidth] =max(0,((25 - pnStore[j * m_biwidth + i]) * 10 + 5)); // pdata[i+j*m_biwidth]=max(0,255 - min(255,pnBinary[i+j*m_biwidth])); } } delete pnStore; delete pnBinary; return true; }

这个函数是写在一个类里面的所以，一些图像的基本参数为类的成员。对这个函数我就不再说明了。

//分水岭处理二值化距离图像 bool processing::Watershed(BYTE* Data,int * hist) { //修改成try机制 if (Data==NULL||hist==NULL) { return false; } queue *statistic = new queue[255];//记录同级盆地队列，背景点不处理 int * wdata = new int[m_size]; memset(wdata,255,m_size*sizeof(int)); bool cue = true;//变化标记 int start_queue=0;//标记起始队列 int lab_cout=256;//盆地标号 POINT pt; const int WSHED = 255;//水坝 //所有数据压入队列//边间点不进行处理 for (int i=1;i0) { pt=statistic[start_queue].front(); statistic[start_queue].pop(); wdata[pt.x+pt.y*m_biwidth] = lab_cout; --hist[start_queue]; cue = true; while(cue) { cue = false; int size = (int)statistic[start_queue].size(); for (int i=0;i255) { wdata[pt.x+pt.y*m_biwidth]=lab_cout; --hist[start_queue]; cue = true; continue; } t = wdata[pt.x-1+(pt.y-1)*m_biwidth]; if (t>255) { wdata[pt.x+pt.y*m_biwidth]=lab_cout; --hist[start_queue]; cue = true; continue; } t = wdata[pt.x-1+pt.y*m_biwidth]; if (t>255) { wdata[pt.x+pt.y*m_biwidth]=lab_cout; --hist[start_queue]; cue = true; continue; } t = wdata[pt.x-1+(pt.y+1)*m_biwidth]; if (t>255) { wdata[pt.x+pt.y*m_biwidth]=lab_cout; --hist[start_queue]; cue = true; continue; } t = wdata[pt.x+(pt.y+1)*m_biwidth]; if (t>255) { wdata[pt.x+pt.y*m_biwidth]=lab_cout; --hist[start_queue]; cue = true; continue; } t = wdata[pt.x+1+(pt.y+1)*m_biwidth]; if (t>255) { wdata[pt.x+pt.y*m_biwidth]=lab_cout; --hist[start_queue]; cue = true; continue; } t = wdata[pt.x+1+(pt.y)*m_biwidth]; if (t>255) { wdata[pt.x+pt.y*m_biwidth]=lab_cout; --hist[start_queue]; cue = true; continue; } t = wdata[pt.x+1+(pt.y-1)*m_biwidth]; if (t>255) { wdata[pt.x+pt.y*m_biwidth]=lab_cout; --hist[start_queue]; cue = true; continue; } statistic[start_queue].push(pt);//没有处理到继续压入队列 } } ++lab_cout; } //完成寻找盆地和涨水过程//背景不处理 for (int k=start_queue+1;k<255;++k) { while (hist[k]>0) { cue = true; while(cue) { cue = false; int size = (int)statistic[k].size(); for (int i=0;i255) { if (lab == 0) lab = t; else if( t != lab ) lab = WSHED; } t = wdata[pt.x-1+(pt.y-1)*m_biwidth]; if (t>255) { if (lab == 0) lab = t; else if( t != lab ) lab = WSHED; } t = wdata[pt.x-1+pt.y*m_biwidth]; if (t>255) { if (lab == 0) lab = t; else if( t != lab ) lab = WSHED; } t = wdata[pt.x-1+(pt.y+1)*m_biwidth]; if (t>255) { if (lab == 0) lab = t; else if( t != lab ) lab = WSHED; } t = wdata[pt.x+(pt.y+1)*m_biwidth]; if (t>255) { if (lab == 0) lab = t; else if( t != lab ) lab = WSHED; } t = wdata[pt.x+1+(pt.y+1)*m_biwidth]; if (t>255) { if (lab == 0) lab = t; else if( t != lab ) lab = WSHED; } t = wdata[pt.x+1+(pt.y)*m_biwidth]; if (t>255) { if (lab == 0) lab = t; else if( t != lab ) lab = WSHED; } t = wdata[pt.x+1+(pt.y-1)*m_biwidth]; if (t>255) { if (lab == 0) lab = t; else if( t != lab ) lab = WSHED; } if (lab == WSHED) { --hist[k]; wdata[pt.x+pt.y*m_biwidth]=WSHED; continue; } else { if (lab == 0) { statistic[k].push(pt);//没有处理到继续压入队列 } if (lab>255) { wdata[pt.x+pt.y*m_biwidth]=lab; --hist[k]; cue = true; } } } } if (!statistic[k].size()) { pt=statistic[k].front(); statistic[k].pop(); wdata[pt.x+pt.y*m_biwidth] = ++lab_cout;; --hist[k]; } } } for (int i=0;i255) { Data[i+j*m_biwidth] = 0; } else Data[i+j*m_biwidth] = wdata[i+j*m_biwidth]; } } delete []statistic; return true; }

这个分水岭有二个参数，第一是有二值得到的距离数据，第二个是这个距离数据的直方图统计。

对直方图的统计来决定循环的次数，当一个灰度被处理，如被水位吞没或者成为堤坝，均认为被处理。

说明1：首先找到直方图统计中最低的灰度做为起点水位

说明2：根据这个水位来寻找所以的盆地。此时的盆地就2中情况。一独立，二和相关的盆地相连接。由于是根据直方图统计来做的所以不知道是否连通。所以会出现如下情况，第一在8个方向能找到起始的盆地，那么我们将这个点淹没做为盆地，并将记录标记设置为真。二8方向没有盆地标记，那么其有可能是此刻盆地的势力范围，但暂时没有发展过来，或者和此刻的盆地无关。那么当标记为真的情况均处理完毕的时候，说明低水位的第一个盆地已经找完了。剩下的是这个水位下的其他盆地。此时我们增加一个盆地标记，开始寻找第二个盆地。如何循环直到所有的初始水位盆地均被找出来。

...（太晚了明天再接着写）