分水岭算法（理论+opencv实现）

分水岭算法理论

　　从意思上就知道通过用水来进行分类，学术上说什么基于拓扑结构的形态学。。。其实就是根据把图像比作一副地貌，然后通过最低点和最高点去分类！

---

原始的分水岭：

　　就是上面说的方式，接下来用一幅图进行解释---->>>

　　　　　　把图像用一维坐标表示，二维和三维不好画，必须用matlab了，我不会用，意思可以表述到位

• 　　　　　　第一步：找到图像的局部最低点，这个方法很多了，可以用一个内核去找，也可以一个一个比较，实现起来不难。
• 　　　　　　第二步：从最低点开始注水，水开始网上满（图像的说法就是梯度法），其中那些最低点已经被标记，不会被淹没，那些中间点是被淹没的。
• 　　　　　　第三步：找到局部最高点，就是图中3位置对应的两个点。
• 　　　　　　第四步：这样基于局部最小值，和找到的局部最大值，就可以分割图像了。

分类图

模拟结果图

　　是不是感觉上面的方法很好，也很简单？接着看下面的图：

　　　　　　利用上面的步骤，第一步找到了三个点，然后第二步开始漫水，这三个点都被记录下来了，又找到两个局部最大值。

　　　　   这是我们想要的吗？

　　　　   回答是否定的！其中中间那个最小值我们不需要，因为只是一个很少并且很小的噪点而已，我们不需要图像分割的那么细致。

　　　　　缺陷显露出来了吧？没关系，下面我们的opencv把这个问题解决了。

模拟分类图

模拟结果图

---

 opencv改进的分水岭算法：

　　

　　针对上面出现的问题，我们想到的是能不能给这种小细节一个标记，让它不属于我们找的最小的点呢？

　  opencv对其改进就是使用了人工标记的方法，我们标记一些点，基于这些点去引导分水岭算法的进行，效果很好！　

　　　　　　比如我们对上面的图像标记了两个三角形，第一步我们找到三个局部最小点，第二步淹没的时候三个点都被淹没了，然而中间那个没被标记，那就淹死了（没有救生圈），其余两个点保留，这样就可以达到我们的想要的结果了。

　　注释：这里的标记是用不同的标号进行的，我为了方便使用了同样的三角形了。因为标记用来分类，所以不同的标记打上不同的标号！这在下面opencv程序中体现了。。。

模拟分类图

模拟结果图

---

注释：具体的实现没有完成，感觉原理懂了会使用了这样就可以了，当你需要深入的时候再去研究实现的算法，当你浅浅的使用懂了原理应该会改一点，面试过了完全可以啊！哈哈哈~~

opencv实现：

 #include <opencv2/opencv.hpp>
 #include <iostream>

 using namespace cv;
 using namespace std;

 void waterSegment(InputArray& _src, OutputArray& _dst, int& noOfSegment);

 int main(int argc, char** argv) {

     Mat inputImage = imread("coins.jpg");
     assert(!inputImage.data);
     Mat graImage, outputImage;
     int offSegment;
     waterSegment(inputImage, outputImage, offSegment);

     waitKey();
     return ;
 }

 void waterSegment(InputArray& _src,OutputArray& _dst,int& noOfSegment)
 {
     Mat src = _src.getMat();//dst = _dst.getMat();
     Mat grayImage;
     cvtColor(src, grayImage,CV_BGR2GRAY);
     threshold(grayImage, grayImage, , , THRESH_BINARY | THRESH_OTSU);
     Mat kernel = getStructuringElement(MORPH_RECT, Size(, ), Point(-, -));
     morphologyEx(grayImage, grayImage, MORPH_CLOSE, kernel);
     distanceTransform(grayImage, grayImage, DIST_L2, DIST_MASK_3, );
     normalize(grayImage, grayImage,,, NORM_MINMAX);
     grayImage.convertTo(grayImage, CV_8UC1);
     threshold(grayImage, grayImage,,, THRESH_BINARY | THRESH_OTSU);
     morphologyEx(grayImage, grayImage, MORPH_CLOSE, kernel);
     vector<vector<Point>> contours;
     vector<Vec4i> hierarchy;
     Mat showImage = Mat::zeros(grayImage.size(), CV_32SC1);
     findContours(grayImage, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(-, -));
     for (size_t i = ; i < contours.size(); i++)
     {
         //这里static_cast<int>(i+1)是为了分水岭的标记不同，区域1、2、3。。。。这样才能分割
         drawContours(showImage, contours, static_cast<int>(i), Scalar::all(static_cast<int>(i+)), );
     }
     Mat k = getStructuringElement(MORPH_RECT, Size(, ), Point(-, -));
     morphologyEx(src, src, MORPH_ERODE, k);
     watershed(src, showImage);

     //随机分配颜色
     vector<Vec3b> colors;
     for (size_t i = ; i < contours.size(); i++) {
         int r = theRNG().uniform(, );
         int g = theRNG().uniform(, );
         int b = theRNG().uniform(, );
         colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
     }

     // 显示
     Mat dst = Mat::zeros(showImage.size(), CV_8UC3);
     int index = ;
     for (int row = ; row < showImage.rows; row++) {
         for (int col = ; col < showImage.cols; col++) {
             index = showImage.at<int>(row, col);
             if (index >  && index <= contours.size()) {
                 dst.at<Vec3b>(row, col) = colors[index - ];
             }
             else if (index == -)
             {
                 dst.at<Vec3b>(row, col) = Vec3b(, , );
             }
             else {
                 dst.at<Vec3b>(row, col) = Vec3b(, , );
             }
         }
     }
 }

分水岭合并代码：

 void segMerge(Mat& image, Mat& segments, int& numSeg)
 {
     vector<Mat> samples;
     int newNumSeg = numSeg;
     //初始化变量长度的Vector
     for (size_t i = ; i < newNumSeg; i++)
     {
         Mat sample;
         samples.push_back(sample);
     }
     for (size_t i = ; i < segments.rows; i++)
     {
         for (size_t j = ; j < segments.cols; j++)
         {
             int index = segments.at<uchar>(i, j);
             if (index >=  && index <= newNumSeg)//把同一个区域的点合并到一个Mat中
             {
                 if (!samples[index].data)//数据为空不能合并，否则报错
                 {
                     samples[index] = image(Rect(j, i, , ));
                 }
                 else//按行合并
                 {
                     vconcat(samples[index], image(Rect(j, i, , )), samples[index]);
                 }
             }
             //if (index >= 0 && index <= newNumSeg)
             //    samples[index].push_back(image(Rect(j, i, 1, 1)));
         }
     }
     vector<Mat> hist_bases;
     Mat hsv_base;
     int h_bins = ;
     int s_bins = ;
     int histSize[] = { h_bins , s_bins };
     float h_range[] = { , };
     float s_range[] = { , };
     const float* range[] = { h_range,s_range };
     int channels[] = { , };
     Mat hist_base;
     for (size_t i = ; i < numSeg; i++)
     {
         if (samples[i].dims > )
         {
             cvtColor(samples[i], hsv_base, CV_BGR2HSV);
             calcHist(&hsv_base, , channels, Mat(), hist_base, , histSize, range);
             normalize(hist_base, hist_base, , , NORM_MINMAX);
             hist_bases.push_back(hist_base);
         }
         else
         {
             hist_bases.push_back(Mat());
         }
     }
     double similarity = ;
     vector<bool> merged;//是否合并的标志位
     for (size_t i = ; i < hist_bases.size(); i++)
     {
         for (size_t j = i+; j < hist_bases.size(); j++)
         {
             if (!merged[j])//未合并的区域进行相似性判断
             {
                 if (hist_bases[i].dims >  && hist_bases[j].dims > )//这里维数判断没必要，直接用个data就可以了
                 {
                     similarity = compareHist(hist_bases[i], hist_bases[j], HISTCMP_BHATTACHARYYA);
                     if (similarity > 0.8)
                     {
                         merged[j] = true;//被合并的区域标志位true
                         if (i != j)//这里没必要，i不可能等于j
                         {
                             newNumSeg --;//分割部分减少
                             for (size_t p = ; p < segments.rows; p++)
                             {
                                 for (size_t k = ; k < segments.cols; k++)
                                 {
                                     int index = segments.at<uchar>(p, k);
                                     if (index == j) segments.at<uchar>(p, k) = i;
                                 }
                             }
                         }
                     }
                 }
             }
         }
     }
     numSeg = newNumSeg;//返回合并之后的区域数量
 }

参考：

　　　　http://blog.csdn.net/iracer/article/details/49225823

　　　　http://www.cnblogs.com/mikewolf2002/p/3304118.html

　　　　http://lib.csdn.net/article/opencv/22776

　　　　《opencv图像处理编程实例》

　　　　代码参考贾老师视频，原理早就看了毛星云的书本，但是当时一知半解，现在从头看一下子就懂了。