分水岭算法：图像分割的浸水原理

分水岭算法：基于拓扑地貌的边界提取

核心原理
分水岭算法将图像视为拓扑地貌，灰度值代表海拔高度。通过模拟浸水过程：

1. 局部极小值：对应集水盆（区域内部）。
2. 分水岭线：集水盆之间的山脊（区域边界）。
3. 淹没过程：从最低点开始注水，水位上升时在不同集水盆汇合处构建堤坝（分水岭）。

关键步骤

1. 预处理：
   • 梯度计算：使用Sobel、Canny等算子提取边缘（如 gradient = cv2.Laplacian(image, cv2.CV_64F)）。
   • 降噪：高斯模糊或形态学开运算去除微小噪声。
2. 标记控制：
   • 前景标记：通过阈值分割或距离变换提取确定区域（如 cv2.distanceTransform）。
   • 背景标记：膨胀操作扩展背景区域。
3. 分水岭变换：使用 cv2.watershed 函数，标记区域边界为 -1。

import cv2  # OpenCV库，用于图像处理
import numpy as np  # NumPy库，用于数值计算def watershed_segmentation(image):"""使用分水岭算法对输入图像进行分割，并标记边界:param image: 输入的BGR彩色图像:return: 标记了分水岭边界的图像（边界显示为红色）"""# 1. 转换为灰度图像# 分水岭通常基于灰度图像的梯度计算，因此先将彩色图像转为灰度图gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 2. 阈值分割（二值化）# 使用Otsu算法自动确定阈值，并反转二值图像（背景为白色，前景为黑色）# cv2.THRESH_BINARY_INV：反转二值化，使前景为白色（255），背景为黑色（0）ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)# 3. 形态学开运算（去噪）# 定义3x3的全1结构元素（核）kernel = np.ones((3, 3), np.uint8)# 开运算 = 先腐蚀后膨胀，用于去除小的噪声点（如孤立白点）opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)# 4. 确定背景区域# 对开运算结果进行膨胀操作，扩展背景区域，确保背景完全覆盖噪声sure_bg = cv2.dilate(opening, kernel, iterations=3)# 5. 距离变换（提取确定的前景）# 计算每个前景像素到最近背景像素的距离（欧式距离，L2范数）dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)# 对距离变换结果进行阈值化，提取确定的前景区域（距离较大的像素）ret, sure_fg = cv2.threshold(dist_transform, 0.5 * dist_transform.max(), 255, 0)# 将结果转换为8位无符号整数（0-255）sure_fg = np.uint8(sure_fg)# 6. 确定未知区域（边界区域）# 未知区域 = 背景区域 - 确定的前景区域unknown = cv2.subtract(sure_bg, sure_fg)# 7. 标记连通区域# 对确定的前景区域进行连通组件标记（每个连通区域分配一个唯一标签）ret, markers = cv2.connectedComponents(sure_fg)# 分水岭算法要求标记从1开始（0表示未知区域），因此对所有标记+1markers = markers + 1# 将未知区域（unknown）的标记设为0markers[unknown == 255] = 0# 8. 应用分水岭算法# 输入原始图像和标记矩阵，分水岭算法会修改标记矩阵# 边界区域的标记会被设为-1markers = cv2.watershed(image, markers)# 9. 标记边界（可视化）# 将分水岭边界（markers == -1）在原图上标记为蓝色image[markers == -1] = [255, 0, 0]  # BGR格式的蓝色return image# 主程序
if __name__ == "__main__":# 读取输入图像（确保路径正确）image = cv2.imread('input.jpg')# 调用分水岭分割函数result = watershed_segmentation(image)# 保存结果图像cv2.imwrite('output.jpg', result)

 分水岭算法主要是用于标记前景和背景的分界线，最终的处理结果如下：