所謂分水嶺演算法有好多種實現演算法，拓撲學，形態學，浸水模擬和降水模擬等方式。
要搞懂就不容易了。watershed algorithm(分水嶺演算法)，顧名思義，就是根據分
水嶺的構成來考慮影象的分割。現實中我們可以或者說可以想象有山有湖的景象，那
麼那一定是水繞山，山圍水的情形。而區分高山（plateaus）與水的界線，以及湖
與湖之間的間隔或都是連通的關係，就是我們可愛的分水嶺（watershed）。為了得
到乙個相對集中的集水盆，那麼讓水漲到都接近周圍的最高的山頂就可以了，再漲就
要漏水到鄰居了，而鄰居，嘿嘿，水質不同誒，會混淆自我的。那麼這樣的話，我們
就可以用來獲取邊界高度大，中間灰階小的物體區域了，它就是集水盆。
浸水法，就是先通過乙個適當小的閾值得到起點，即集水盆的底；然後是向周圍淹沒
也就是浸水的過程，直到得到分水嶺。當然如果我們要一直淹沒到山頂，即是一直處
理到影象灰階最高片，那麼，當中就會出現築壩的情況，不同的集水盆在這裡想相遇
了，我們要潔身自愛，到這裡為止，因為都碰到邊界了。不再上山。構築屬於自己的分水嶺。
在計算機圖形學中，可利用灰度表徵地貌高。影象中我們可以利用灰度高與地貌高
的相似性來研究影象的灰度在空間上的變化。這是空域分析，比如還可以通過各種
形式的梯度計算以得到演算法的輸入，進行浸水處理。分水嶺具有很強的邊緣檢測能力，
對微弱的邊緣也有較好的效果。
為會麼這麼說呢？為什麼有很強的邊緣檢測能力，而又能得到相對集中的連通的
集水盆？現實中很好辦，我們在往凹地加水的時候，直到它漲到這一塊緊湊的山嶺
邊緣就不加了；但是如果有一條小山溝存在，那沒辦法，在初始閾值分割的時候，
也就是山溝與集水盆有同樣的極小值，而且它們之間是以這個高度一直連線的。
那沒關係，我們將它連通。在影象上呢？如何實現？
看看演算法，演算法思想是這樣的：
首先準備好山和初始的水。這山就是我們的初始影象了，比如用自然獲取的影象
的梯度來表徵山地的每一點的高度吧；而初始的水就是在閾值記為thre底下，
所有的低於這個高度的整個山地都加水，直到這個閾值thre高度。從而有三個
初始量：unsigned char** ori_image、char** seed_image和int** label_image。
最後乙個是為最終的結果做準備的。當然要做好初始化，比如，ora_image賦值為
原影象（256色灰度圖）的梯度值，seed_image則是初始狀態下有水的置位，無水的
復位，而label_image則全初始化為0，最終得到的是各點對應的區域號。
接下來是考慮將已加的水進行記錄，記錄成連通的區域，也就是看看有多少個互
不相關的集水盆，有五個，那麼我們就漲出五個湖，而且盡可能的高，只要大家
想到不溢位。在演算法上，有多少個連通的區域就記錄成多少個資料結構，工夫就
在於如何將這些連通的區域連線成一塊，並由乙個資料結構來表達了。很好，
我們準備用乙個向量容器來實現初始儲存，儲存所有標記區域種子佇列的陣列，
裡面放的是種子佇列的指標vector*> vque，而且這個佇列是由一系列屬於同
乙個區域的影象點組成，我們來自乙個集水盆：）；其儲存方式是這樣的：
queue *pque=new queue[256]；vque.push_back(pque)，這樣便將乙個成員
放進到這個區域來了，即容器－－集水盆的保管都，容器中的每個指標，都指
向乙個集水盆，也就是我們要的連通區域；所以我們可以方便地由這個容器數
據結構直接讀值的方便性進行操作，乙個腳標就可以得到乙個區域（佇列指標）
的指標；而每個佇列還不簡單，並不是一列整形數那麼易搞，所以說啊，這個
演算法，真頭痛，這個佇列的乙個成員是乙個點；而注意到vque裡存放的一256
個佇列的的起始指標，真夠殘忍的。也就是說vque[i][j]就表達了乙個佇列，
這個佇列裡可以儲存操作一系列的點；顯然容量取256是因為所有的初始或者是
最終的區域中可能有0-256之間的不同的灰階的點，那麼我乙個區域分用256個
佇列來記錄這些成員點啦，很有可能，這裡就只有乙個集水盆，那麼，256個灰
階的點都存在乙個區域就有可能了。
統計初始連通區域的方法是，八連通鄰域法，即從逐一掃瞄輸入的seed_image
的每個畫素點，將所有的標記了的初始集水盆一一納入各自的區域，這是整修
影象的掃瞄，形成外迴圈。先建立乙個臨時佇列quetem，用來處理當前初始集
水盆的連通連線，將逐一掃瞄到的屬於乙個特定的初始集水盆區域的可生長點
暫存，並形成乙個內迴圈。對當前掃瞄點的處理是，首先判斷該點是否為某個
初始集水盆的點，如果不是跳過；接下來是，如果是初始集水盆的點，那麼它
的八連通域中是否存在不可生長的點（這裡的不可生長是指seed_image中沒有
標記的點），掃瞄的八連通鄰域中的點是可生長的，即有標記的，則將之加入
到臨時佇列中quetem；如果掃瞄到的連通鄰域中有不可生長的至少乙個點存在，
那麼加入到種子佇列，記當前區域號為num，當前掃瞄點為(m，n)，從而當前的
灰階為ori_image[m][n]，將當前點新增到種子佇列：vque[num－1]
[ori_image[m][n]].push(point(m,n))。這裡有兩個迴圈，乙個是quetem，
另乙個是seed_image。直到兩個迴圈完整結束，那麼就得到了各個連通初始集
水盆的記錄，儲存標記是區域號num；而我們同時得到了初始的分水嶺，那就放
在了儲存地點vque，這裡面標識了它們對應的區域號，和區域裡面對應的點的
灰階，即是特定區域特定灰階對應的點的集合；我們可以獲取這些分水嶺的點
所在的區域號，可以得到該區域的所有的灰階的點資訊。一句話，統計連通區
域的功能有兩個，一是標記初始區域，二是找分水嶺。
初始的區域標記好了，分嶺也找到了，那麼可以開始「水漫梁山」了。這就是
淹沒過程。淹沒過程由也是由乙個內嵌迴圈的迴圈來實現的：外迴圈是做水位
上公升（這裡迴圈次數一定要256以內），waterlevel的上公升，原來是已經做過
了初始的水位分割，那麼現在可以從thre開始了，讓水位慢慢上公升，讓它原本
的湖慢慢擴張，盡量利用其應有的空間，而又不至於淹沒到其它的鄰居湖泊。
內迴圈是掃瞄每個初始區域（當前num，從而有num個迴圈）的分水嶺的點
（在vque中），按照給定的水位進行擴張。擴張過程是這樣的：掃瞄到
的分水嶺的當前點，對其進行四連通鄰域進行逐一檢查，如果四連通域中有點
沒有標記的（那這一定是高度較高的點，較低的前面一定掃瞄過），那麼先對
該點以本區域號做標記num（注意是當前的num）；再判斷它在當前水位下是否
可生長（灰階是否小於等於waterlevel），如果可生長那麼加入
到vque[num][waterlevel]種子佇列中，將會再次進入內迴圈，否則如果在
當前水位下不可生長，則加入到這個鄰域點的分水嶺集合中vque[num][ori_image[鄰域點]]
佇列中。如此往復迴圈，直到對應區域完成，乙個水位，掃瞄所有的區域的分
水嶺，這樣各自同時在乙個水位下擴張，保證了不出現跳躍的情況出現
（就是乙個水位乙個區域全域性擴張）。
最終，所有的區域在每個水位都擴張完畢，得到了分割圖，我們的大湖泊形成了。
這是分水嶺演算法的一種實現方式。仔細考察不難發現這種實現方式不能產生新
的集水盆，也就是說，由於初始集水盆的侷限性，很可能會浪費大部分沒有發
掘出來的起始點較高的集水盆地。這樣，我們就要對演算法進行修改了。實現方
式是：在淹沒的過程中，我們是由閾值thre的水位開始淹沒的，那麼我們可以
對初始區域之外的沒有標記的點（從seed_image中考察），對之進行標記，條
件是先把這一輪的內迴圈做好，然後在剩下的沒標記區域中發掘新的集水盆，
並加入到我們的種子佇列中，下乙個水位開始，就又多了乙個新成員了，讓它
們不斷膨脹，成長，擁有自己的小天的成員就會逐一的被分割出來。不過話說
回來，我們這裡是採用梯度影象，一般情況下，閾值初始分割能夠滿足我們的
要求，把灰階變化平滑的先擷取出來，梯度資訊已然足夠強大；而如果採用了
新盆地擴張，則比較適用於原始影象。
分水嶺演算法主要的分割目的在於找到影象的連通區域。利用梯度資訊作為輸入
影象，會有乙個矛盾點，如果對原始影象進行梯度計算時不作濾波平滑處理，
很容易將物體分割成多個物體，那是因為雜訊的影響；而如果進行濾波處理，
又容易造成將某些原本幾個的物體合成乙個物體。當然這裡的物體主要還是指
影象變化不大或者說是灰度值相近的目標區域。
分水嶺演算法
分水嶺變換是一種流行的影象處理演算法，用於快速將影象分割成多個同質區域。分水嶺演算法的思想是 把影象看成乙個拓撲地貌，那麼同類區域就相當於陡峭邊緣內相對平坦的盆地。分水嶺演算法通過逐步增加水位，把地貌分割成多個部分 目前比較著名的有模擬泛洪和降水 降水 水先是匯集到海拔低的地區，慢慢填充這每乙個盆地...
分水嶺演算法
在許多實際應用中，我們需要分割影象，但無法從背景影象中獲得有用資訊。分水嶺演算法在這方面往往是非常有效的。此演算法可以將影象中的邊緣轉化成 山脈 將均勻區域轉化為 山谷 這樣有助於分割目標。分水嶺演算法，是一種基於拓撲理論的數學形態學的分割方法，其基本思想是把影象看作是測地學上的拓撲地貌，影象中每一...
分水嶺分割演算法
如果影象中的目標物體是連在一起的，則分割起來會更困難，分水嶺演算法經常用於處理這類問題，通常會取得比較好的效果。分水嶺分割演算法把影象看成一副 地形圖 其中亮度比較強的地區畫素值較大，而比較暗的地區畫素比較小，通過尋找 匯水盆地 和 分水嶺界限 對影象進行分割。步驟 1.讀取影象 2.求取影象的邊界...