分水嶺的計算過程

分水嶺的計算過程是壹個叠代標註過程。分水嶺比較經典的計算方法是L. Vincent提出的。在該算法中，分水嶺計算分兩個步驟，壹個是排序過程，壹個是淹沒過程。首先對每個像素的灰度級進行從低到高排序，然後在從低到高實現淹沒過程中，對每壹個局部極小值在h階高度的影響域采用先進先出(FIFO)結構進行判斷及標註。

分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點，即為分水嶺。顯然，分水嶺表示的是輸入圖像極大值點。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像，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)表示原始圖像，grad{.}表示梯度運算。

分水嶺算法對微弱邊緣具有良好的響應，圖像中的噪聲、物體表面細微的灰度變化，都會產生過度分割的現象。但同時應當看出，分水嶺算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。另外，分水嶺算法所得到的封閉的集水盆，為分析圖像的區域特征提供了可能。

為消除分水嶺算法產生的過度分割，通常可以采用兩種處理方法，壹是利用先驗知識去除無關邊緣信息。二是修改梯度函數使得集水盆只響應想要探測的目標。

為降低分水嶺算法產生的過度分割，通常要對梯度函數進行修改，壹個簡單的方法是對梯度圖像進行閾值處理，以消除灰度的微小變化產生的過度分割。即

g(x,y)=max(grad(f(x,y)),gθ)

式中，gθ表示閾值。

程序可采用方法：用閾值限制梯度圖像以達到消除灰度值的微小變化產生的過度分割，獲得適量的區域，再對這些區域的邊緣點的灰度級進行從低到高排序，然後在從低到高實現淹沒的過程，梯度圖像用Sobel算子計算獲得。對梯度圖像進行閾值處理時，選取合適的閾值對最終分割的圖像有很大影響，因此閾值的選取是圖像分割效果好壞的壹個關鍵。缺點：實際圖像中可能含有微弱的邊緣，灰度變化的數值差別不是特別明顯，選取閾值過大可能會消去這些微弱邊緣。