分水嶺的迭代計算具體過程解釋
阿新 • • 發佈：2019-02-04
分水嶺的計算過程是一個迭代標註過程。分水嶺比較經典的計算方法是L.
Vincent提出的。在該演算法中，分水嶺計算分兩個步驟，一個是排序過程，一個是淹沒過程。首先對每個畫素的灰度級進行從低到高排序，然後在從低到高實現淹沒過程中，對每一個區域性極小值在h階高度的影響域採用先進先出(FIFO)結構進行判斷及標註。
分水嶺變換得到的是輸入影象的集水盆影象，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影象極大值點。因此，為得到影象的邊緣資訊，通常把梯度影象作為輸入影象，即
g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5
式中，f(x,y)表示原始影象，grad{.}表示梯度運算。
分水嶺演算法對微弱邊緣具有良好的響應，影象中的噪聲、物體表面細微的灰度變化，都會產生過度分割的現象。但同時應當看出，分水嶺演算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。另外，分水嶺演算法所得到的封閉的集水盆，為分析影象的區域特徵提供了可能。
為消除分水嶺演算法產生的過度分割，通常可以採用兩種處理方法，一是利用先驗知識去除無關邊緣資訊。二是修改梯度函式使得集水盆只響應想要探測的目標。
為降低分水嶺演算法產生的過度分割，通常要對梯度函式進行修改，一個簡單的方法是對梯度影象進行閾值處理，以消除灰度的微小變化產生的過度分割。即
g(x,y)=max(grad(f(x,y)),gθ)
式中，gθ表示閾值。
程式可採用方法：用閾值限制梯度影象以達到消除灰度值的微小變化產生的過度分割，獲得適量的區域，再對這些區域的邊緣點的灰度級進行從低到高排序，然後在從低到高實現淹沒的過程，梯度影象用Sobel運算元計算獲得。對梯度影象進行閾值處理時，選取合適的閾值對最終分割的影象有很大影響，因此閾值的選取是影象分割效果好壞的一個關鍵。缺點：實際影象中可能含有微弱的邊緣，灰度變化的數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。
分水嶺變換得到的是輸入影象的集水盆影象，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影象極大值點。因此，為得到影象的邊緣資訊，通常把梯度影象作為輸入影象，即
g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5
式中，f(x,y)表示原始影象，grad{.}表示梯度運算。
分水嶺演算法對微弱邊緣具有良好的響應，影象中的噪聲、物體表面細微的灰度變化，都會產生過度分割的現象。但同時應當看出，分水嶺演算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。另外，分水嶺演算法所得到的封閉的集水盆，為分析影象的區域特徵提供了可能。
為消除分水嶺演算法產生的過度分割，通常可以採用兩種處理方法，一是利用先驗知識去除無關邊緣資訊。二是修改梯度函式使得集水盆只響應想要探測的目標。
為降低分水嶺演算法產生的過度分割，通常要對梯度函式進行修改，一個簡單的方法是對梯度影象進行閾值處理，以消除灰度的微小變化產生的過度分割。即
g(x,y)=max(grad(f(x,y)),gθ)
式中，gθ表示閾值。
程式可採用方法：用閾值限制梯度影象以達到消除灰度值的微小變化產生的過度分割，獲得適量的區域，再對這些區域的邊緣點的灰度級進行從低到高排序，然後在從低到高實現淹沒的過程，梯度影象用Sobel運算元計算獲得。對梯度影象進行閾值處理時，選取合適的閾值對最終分割的影象有很大影響，因此閾值的選取是影象分割效果好壞的一個關鍵。缺點：實際影象中可能含有微弱的邊緣，灰度變化的數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。