首頁 > 資訊 > 問答 > 分水嶺算法，分水嶺算法的介紹

分水嶺算法，分水嶺算法的介紹

來源：整理時間：2023-08-29 22:18:33 編輯：智能門戶手機版

本文目錄一覽

1，分水嶺算法的介紹
2，分水嶺圖像分割中常常用梯度圖像代替原始圖像作為分水嶺算法的輸
3，標記分水嶺圖像分割算法實際生產(chǎn)生活中有什么樣的應用前景問
4，圖像分割中分水嶺算法的流程是什么我論文答辯要做10分鐘左右的

1，分水嶺算法的介紹

所謂分水嶺算法有好多種實現(xiàn)算法，拓撲學，形態(tài)學，浸水模擬和降水模擬等方式。要搞懂就不容易了。Watershed Algorithm(分水嶺算法)，顧名思義，就是根據(jù)分水嶺的構(gòu)成來考慮圖像的分割?，F(xiàn)實中我們可以或者說可以想象有山有湖的景象，那么那一定是水繞山，山圍水的情形。當然在需要的時候，要人工構(gòu)筑分水嶺，以防集水盆之間的互相穿透。而區(qū)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系，就是我們可愛的分水嶺（watershed）。為了得到一個相對集中的集水盆，那么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(zhì)不同誒，會混淆自我的。那么這樣的話，我們就可以用來獲取邊界灰階大，中間灰階小的物體區(qū)域了，它就是集水盆。

分水嶺算法的介紹

2，分水嶺圖像分割中常常用梯度圖像代替原始圖像作為分水嶺算法的輸

分水嶺算法是數(shù)學形態(tài)學分割方法中的經(jīng)典算法，它將圖像看作是地形學上被水覆蓋的自然地貌，圖像中的每一像素的灰度值表示該點的海拔高度，其每一個局部極小值及其影響區(qū)域稱為集水盆，集水盆的邊界則是分水嶺，在各極小區(qū)域的表面打一個小孔，同時讓水從小孔中涌出，并慢慢淹沒極小區(qū)域周圍的區(qū)域，那么各極小區(qū)域波及的范圍，即是相應的集水盆，對應圖像中的區(qū)域；不同區(qū)域的水流相遇時的界限，就是期望得到的分水嶺，對應區(qū)域的邊緣。分水嶺變換可以保證分割區(qū)域的連續(xù)性和封閉性。分水嶺變換是從局部極小點開始，即只能是在梯度圖中用，原始圖是轉(zhuǎn)換后才能用于分水嶺變換的一般圖像中存在多個極小值點，通常會存在過分割現(xiàn)象，可以采用梯度閾值分割改進或者采用標記分水嶺算法將多個極小值區(qū)域連在一起opencv提供分水嶺的代碼可以找來看一下

搜一下：分水嶺圖像分割中，常常用梯度圖像代替原始圖像作為分水嶺算法的輸入的原因

分水嶺圖像分割中常常用梯度圖像代替原始圖像作為分水嶺算法的輸

3，標記分水嶺圖像分割算法實際生產(chǎn)生活中有什么樣的應用前景問

分水嶺分割方法，是一種基于拓撲理論的數(shù)學形態(tài)學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然后把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構(gòu)筑大壩，即形成分水嶺。

標記分水嶺圖像分割算法實際生產(chǎn)生活中有什么樣的應用前景問

4，圖像分割中分水嶺算法的流程是什么我論文答辯要做10分鐘左右的

分水嶺算法的概念及原理　　分水嶺分割方法，是一種基于拓撲理論的數(shù)學形態(tài)學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然后把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構(gòu)筑大壩，即形成分水嶺。　　分水嶺的計算過程是一個迭代標注過程。分水嶺比較經(jīng)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，一個是排序過程，一個是淹沒過程。首先對每個像素的灰度級進行從低到高排序，然后在從低到高實現(xiàn)淹沒過程中，對每一個局部極小值在h階高度的影響域采用先進先出(FIFO)結(jié)構(gòu)進行判斷及標注?！　》炙畮X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))=　　式中，f(x,y)表示原始圖像，grad　　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(chǎn)生過度分割的現(xiàn)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(xù)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(qū)域特征提供了可能?！　橄炙畮X算法產(chǎn)生的過度分割，通?？梢圆捎脙煞N處理方法，一是利用先驗知識去除無關邊緣信息。二是修改梯度函數(shù)使得集水盆只響應想要探測的目標。　　為降低分水嶺算法產(chǎn)生的過度分割，通常要對梯度函數(shù)進行修改，一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(chǎn)生的過度分割。即　　g(x,y)=max(grad(f(x,y)),gθ)　　式中，gθ表示閾值?！　〕绦蚩刹捎梅椒ǎ河瞄撝迪拗铺荻葓D像以達到消除灰度值的微小變化產(chǎn)生的過度分割，獲得適量的區(qū)域，再對這些區(qū)域的邊緣點的灰度級進行從低到高排序，然后在從低到高實現(xiàn)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一個關鍵。缺點：實際圖像中可能含有微弱的邊緣，灰度變化的數(shù)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。

我給個推薦吧

來賺點分

文章TAG：分水嶺算法分水嶺算法的介紹