图像是用一维坐标表示的，但是二维和三维绘图比较困难，所以我得用matlab。我可以不要用它，意思可以表达到位。
第一步：找到图像的局部最低点。方法有很多。你可以用一个内核去找，或者一个一个比较。实现起来并不难。
第二步：从最低点开始充水，水开始充互联网(形象的叫梯度法)，其中那些最低点已经做了标记，不会被淹没，而那些中间点被淹没。
第三步：找到局部最高点，也就是图中位置3对应的两点。
步骤4:基于局部最小值和找到的局部最大值，可以分割图像。
分类图
模拟结果图
你觉得上面的方法很好很简单吗？然后看下图：
利用上面的步骤，第一步找到了三个点，然后第二步开始泛滥。所有三个点都被记录下来，并且发现了两个局部极大值。
这是我们想要的吗？
答案是否定的！我们不中间不需要最小值，因为它这只是一点噪音，我们不不需要如此仔细地分割图像。
缺陷暴露了吗？这不没关系。我们下面的opencv已经解决了这个问题。
模拟分类图
模拟结果图
Opencv改进分水岭算法；
针对以上问题，我们想的是，能否把这个小细节标记出来，让它不属于我们要找的最小点？
Opencv采用人工标记的方法对其进行了改进。我们标记了一些点，基于这些点来指导分水岭算法，效果很好！
例如，我们在上图中标记了两个三角形。第一步，我们找到三个局部极小点。第二步，淹没的时候三个点都被淹没了。但是如果中间的一个没有做标记，就淹死了(没有救生圈)，另外两个点保留下来，这样才能达到我们想要的结果。
注意：这里的标记是用不同的标签做的，为了方便我用了同一个三角形。因为标记是用来分类的，所以不同的标记标注不同！这反映在下面的opencv程序中。
模拟分类图
模拟结果图
注意：具体实现没有完成，理解原理就可以用了。需要深入的时候，可以研究算法。当你用的比较浅，明白了原理，就要稍微改一下。它面试后完全没问题！哈哈~ ~
Opencv实现：
#包括
#包括
使用名称空间cv；
使用命名空间std
void water segment(input array _ src，OutputArray _dst，int nooffsegment)；
int main(int argc，char** argv) {
mat input image=im read(coins.jpg );
断言(！input image . data)；
Mat graImage，outputImage
利息抵消；
水分割(输入图像、输出图像、偏移图像)；
wait key(0)；
返回0；
}
void water segment(input array _ src，OutputArray _dst，int noOfSegment)
{
mat src=_ src . getmat()；//dst=_ dst . getmat()；
Mat灰度图像；
cvtColor(src，grayImage，CV _ bgr 2 gray)；
threshold(灰度图像，灰度图像，0，255，THRESH _ BINARY | THRESH _ OTSU)；
mat kernel=getStructuringElement(MORPH _ RECT，Size(9，9)，Point(-1，-1))；
morphologyEx(灰度图像，灰度图像，MORPH_CLOSE，内核)；
distanceTransform(灰度图像，灰度图像，DIST_L2，MASK _面具_3，5)；
normalize(grayImage，grayImage，0，1，NORM _ MINMAX)；
grayImage.convertTo(grayImage，CV _ 8uc 1)；
threshold(灰度图像，灰度图像，0，255，THRESH _ BINARY | THRESH _ OTSU)；
morphologyEx(灰度图像，灰度图像，MORPH_CLOSE，内核)；
向量轮廓；
向量层次结构；
Mat show image=Mat:zeros(gray image . size()、CV _ 32 SC1)；
findContours(grayImage，Contours，hierarchy，RETR树，CHAIN_APPROX_SIMPLE，Point(-1，-1))；
for(size _ t I=0；I contours . size()；我)
{
//这里用static_cast(i 1)来区别标记分水岭。地区1、2、3。只有这样才能分。
drawContours(showImage，Contours，static_cast(i)，Scalar:all(static_cast(i 1))，2)；
}
mat k=getStructuringElement(MORPH _ RECT，Size(3，3)，Point(-1，-1))；
morphologyEx(src，src，MORPH_ERODE，k)；
分水岭(src，show image)；
//随机分配颜色
矢量颜色；
for(size _ t I=0；I轮廓。size()；i ) {
int r=theRNG().制服(0,255);
int g=theRNG().制服(0,255);
int b=theRNG().制服(0,255);
颜色。push _ back(Vec3b((uchar)b，(uchar)g，(uchar)r))；
}
//显示
Mat dst=Mat:zeros(显示图像。size()、CV _ 8uc 3)；
int index=0；
for(int row=0；row showImage.rowsrow ) {
for(int col=0；col show image . cols coll){
index=showImage.at(row，col)；
if(索引0索引=等高线。size()){
dst.at(row，col)=colors[index-1]；
}
else if (index==-1)
{
dst.at(row，col)=Vec3b(255，255，255)；
}
否则{
dst.at(row，col)=Vec3b(0，0，0)；
}
}
}
}
分水岭合并代码：
void segMerge(Mat image，Mat segments，int numSeg)
{
向量样本；
int newNumSeg=numSeg
//初始化变量长度的矢量
for(size _ t I=0；我是纽姆塞格我)
{
垫样；
samples.push_back示例);
}
for(size _ t I=0；我段。行；我)
{
for(size _ t j=0；j segments.colsj)
{
int index=segments.at(i，j)；
if (index=0 index=newNumSeg)//把同一个区域的点合并到一个垫子中
{
如果(!样本[索引]。数据)//数据为空不能合并，否则报错
{
样本[索引]=image(Rect(j，I，1，1))；
}
else//按行合并
{
vconcat(samples[index]，image(Rect(j，I，2，1))，samples[index])；
}
}
//if (index=0 index=newNumSeg)
//样本[索引]。push_back(image(Rect(j，I，1，1))；
}
}
向量历史_基础
Mat hsv _ base
int h _ bins=35
int s _ bins=30
int histSize[2]={ h_bins，s _ bins }；
float h_range[2]={ 0，256 }；
float s_range[2]={ 0，180 }；
const float* range[2]={ h_range，s _ range }；
int channels[2]={ 0，1 }；
Mat历史_基础
for(size _ t I=1；我numSeg我)
{
如果(样本【我】。dims 0)
{
颜色(样本[i]，hsv_base，CV _ bgr 2 HSV)；
calcHist(hsv_base，1，channels，Mat()，hist_base，2，histSize，range)；
normalize(hist_base，hist_base，0，1，NORM _ MINMAX)；
历史基础。push _ back(历史_基础)；
}
其他
{
历史基础。push _ back(Mat())；
}
}
双重相似度=0;
矢量合并；//是否合并的标志位
for(size _ t I=0；我有历史基础。size()；我)
{
for(size _ t j=I 1；j历史_基础。size()；j)
{
如果(!merged[j])//未合并的区域进行相似性判断
{
if (hist_bases[i]).dims 0 hist_bases[j].dims 0)//这里维数判断没必要，直接用个数据就可以了
{
相似度=compareHist(hist_bases[i]，hist_bases[j]，hist CMP _ BHATTACHARYYA)；
如果（相似度0.8)
{
merged[j]=true；//被合并的区域标志位真实的
如果（我！=j)//这里没必要，我不可能等于j
{
newNumSeg-；//分割部分减少
for(size _ t p=0；p段。行；p)
{
for(size _ t k=0；k段. colsk)
{
int index=segments.at(p，k)；
if (index==j) segments.at(p，k)=I；
}
}
}
}
}
}
}
}
numSeg=newNumSeg//返回合并之后的区域数量
}
标签：图像sizej