1、分水嶺算法實(shí)驗(yàn)報(bào)告09通信A班班級(jí)姓名學(xué)號(hào)實(shí)驗(yàn)?zāi)康模?、熟悉分水嶺算法2、熟悉matlab的使用二、實(shí)驗(yàn)原理1把圖像分解為一些特定的性質(zhì)相似的部分（區(qū)域或?qū)ο螅⒂眠@些部分對(duì)圖像進(jìn)行分析和描述。一幅圖像往往包含許多不同類(lèi)型的區(qū)域，如物體、環(huán)境和背景等。圖像分析的一個(gè)重要方法就是用它們作為基本組成成分對(duì)圖像進(jìn)行描述。例如為了在氣泡室圖片中檢出質(zhì)點(diǎn)碰撞形式并判定其發(fā)生位置，就要在圖像中分割出氣泡的軌跡及其端點(diǎn)。為了從輸入的文本中識(shí)別出一串字符，首先就要把各個(gè)字符從背景和其他字符中分離出來(lái)。因此把圖像分割為若干子圖像，并利用各子圖像的特性和它們之間的關(guān)系描述圖像，對(duì)于圖像識(shí)別和解釋、物景分析以及圖

2、像的分塊處理和存儲(chǔ)都有很大的意義。圖像分割基本上是對(duì)像素進(jìn)行分類(lèi)的過(guò)程。例如用某個(gè)灰度閾值把圖像像素分成“黑”和“白”兩類(lèi)，就可以把黑的對(duì)象同白的背景區(qū)分開(kāi)。常用的分割方法有灰度等級(jí)閾值法、譜和空間分類(lèi)法、區(qū)域生長(zhǎng)法和邊緣檢測(cè)法。灰度等級(jí)閾值法在圖像只有兩種組成部分的情況下，圖像灰度的直方圖常常呈現(xiàn)兩個(gè)峰值。用兩個(gè)峰值之間的谷值所對(duì)應(yīng)的灰度作為閾值，把所有像素灰度大于或等于閾值的作為一類(lèi)，小于閾值的作為另一類(lèi)是一種最基本的兩類(lèi)分割方法。實(shí)際應(yīng)用時(shí)為了改善分類(lèi)的可靠性，可以利用某些附加的信息（例如已知兩類(lèi)區(qū)域的面積之比）使閾值的選擇更加合理。在類(lèi)別更多的情況下，可以采用多級(jí)閾值把各類(lèi)分割開(kāi)來(lái)（例

3、如確定兩個(gè)閾值，就可以把細(xì)胞圖像分割為胞核、胞漿和背景三部分）。類(lèi)別越多，圖像直方圖的峰值就越不明顯，分割就更為困難。譜和空間分類(lèi)法對(duì)于彩色和多光譜圖像，可以用像素的幾種性質(zhì)（顏色和譜信號(hào)）對(duì)像素作比較精細(xì)的分類(lèi)。對(duì)于黑白圖像，用包括像素本身灰度在內(nèi)的一組局部性質(zhì)（例如該像素鄰域灰級(jí)的均值）在多維空間中進(jìn)行分類(lèi)。對(duì)于一些復(fù)雜圖像，這種方法比單獨(dú)的灰度閾值法效果更好。區(qū)域生長(zhǎng)法這是一種從圖像中提取區(qū)域或?qū)嶓w的序貫分割法。根據(jù)灰度、紋理的均勻性、同背景的對(duì)比度以及區(qū)域、形狀、尺寸等準(zhǔn)則，把性質(zhì)大致相同的鄰近像素組合在一起以形成分割區(qū)域。邊緣檢測(cè)法用于獲取圖像內(nèi)物體輪廓的分割方法。一般采用曲線擬合、

4、輪廓跟蹤或邊緣點(diǎn)連接等技術(shù)求出物體的邊界。此外，若對(duì)像素的類(lèi)別給以某種概率度量或隸屬度，則可以對(duì)像素反復(fù)進(jìn)行分類(lèi)，這就成為松弛迭代分割算法。這種算法有較好的效果，在圖像分析中已得到廣泛應(yīng)用。2分水嶺算法分水嶺分割方法，是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞孛?，圖像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)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(guò)模擬浸入過(guò)程來(lái)說(shuō)明。在每一個(gè)局部極小值表面，刺穿一個(gè)小孔，然后把整個(gè)模型慢慢浸入水中，隨著浸入的加深，每一個(gè)局部極小值的影響域慢慢向外擴(kuò)展，在兩個(gè)集水盆匯合處

5、構(gòu)筑大壩，即形成分水嶺。對(duì)于分水嶺變換，目前存在著幾種定義，我們這里所采用的定義是基于沉浸的離散圖像的分水嶺變換(watershedbyimmersion)。令f：D是一幅灰度圖像，它的最大和最小灰度值為h_max和h_min。定義一個(gè)從h_min到h_max的水位h不斷遞增的遞歸過(guò)程。在這個(gè)過(guò)程中每個(gè)與不同的局部最小相關(guān)的匯水盆地都不斷擴(kuò)展，定義X(h)記作在水位h時(shí)候匯水盆地的集合的并。在h+1層，一個(gè)連通分量T(h+1)或者是一個(gè)新的局部最小，或者是一個(gè)已經(jīng)存在的X(h)中的一個(gè)盆地的擴(kuò)展。對(duì)于后者，按鄰接關(guān)系計(jì)算高度為h+1的每一個(gè)點(diǎn)與各匯水盆地的距離。如果一個(gè)點(diǎn)與兩個(gè)以上的盆地等距離

6、，則它不屬于任何盆地，否則它屬于與它距離最近的盆地。這樣從而產(chǎn)生新的X(h+1)。把在高度h出現(xiàn)的局部最小記作MIN(h)。把Y(h+l,X(h)記作高度為h+1同時(shí)屬于X(h)的點(diǎn)的集合。X(h_min)二peDIf(p)二h_min二T(h_min)IX(h+1)二MIN(h+1)匕X(h)匕Y(h+1,X(h)分水嶺變換Watershed(f)就是X(h_max)的補(bǔ)集：Watershed(f)=D(h_max)分水嶺變換由于它以下優(yōu)點(diǎn)被用在圖像處理的許多領(lǐng)域：直觀，快速并且可以并行計(jì)算，總是產(chǎn)生完整的邊界，這樣就避免了邊界連接的后處理。而且不少研究人員把分水嶺嵌入到多尺度框架中。然而，

7、分水嶺算法還是有一些致命的缺點(diǎn)，下面列出了最重要的幾點(diǎn)。過(guò)度分割。由于大部分圖像的梯度圖都有許許多多的局部最小，所以分水嶺變換的結(jié)果是無(wú)數(shù)的小區(qū)域邊界，這樣的結(jié)果毫無(wú)意義。通常的解決辦法是使用標(biāo)記的圖片來(lái)減少局部最小的數(shù)量，即使用帶標(biāo)記的分水嶺變換。對(duì)噪聲的敏感。局部的一些改變會(huì)引起分割結(jié)果的明顯改變，強(qiáng)烈的噪聲有時(shí)候使得分水嶺變換無(wú)法找出真正的邊界。其中的一個(gè)解決辦法是使用各項(xiàng)異性的濾波器。難以準(zhǔn)確檢測(cè)出低對(duì)比度的邊界。由于對(duì)比度低所以使得信噪比高。所以由于前一個(gè)原因，對(duì)這種圖片分水嶺變換仍然無(wú)法很好的工作。3解決過(guò)分割問(wèn)題的方法針對(duì)分水嶺算法的過(guò)分割問(wèn)題，已經(jīng)提出了許多有效的解決方法。利用

8、門(mén)限的分水嶺算法。當(dāng)兩個(gè)匯水盆地即將連通時(shí)，首先判斷，只有儲(chǔ)水量和高度達(dá)到一定的閾值才判定為邊界，否則把他們?nèi)诤辖o與其相鄰的最大的盆地?；趨^(qū)域合并和分水嶺的圖像分割方法。根據(jù)定義的相似區(qū)域合并算法，對(duì)分割結(jié)果進(jìn)行處理，合并相似區(qū)域來(lái)減小過(guò)分割?；谀：鼵均值聚類(lèi)和分水嶺的圖像分割方法。對(duì)分割結(jié)果利用模糊C均值聚類(lèi)的方法進(jìn)行相似小區(qū)域的合并，改善分割結(jié)果。三、實(shí)驗(yàn)內(nèi)容1、在圖像中對(duì)前景對(duì)象和背景對(duì)象進(jìn)行標(biāo)注區(qū)別，再應(yīng)用分水嶺算法會(huì)取得較好的分割效果。其中過(guò)程用到了許多matlab圖像處理工具箱的函數(shù)，例如fspecial、imfilter、watershed、label2rgb、imopen、

9、imclose、imreconstruet、imcomplement、imregionalmax、bwareaopen、graythresh和imimposemin函數(shù)等。具體標(biāo)注過(guò)程為：首先對(duì)原圖像進(jìn)行形態(tài)學(xué)開(kāi)操作或腐蝕后形態(tài)學(xué)重建，去除圖片中的毛刺和小物體；接下來(lái)進(jìn)行形態(tài)學(xué)關(guān)操作或膨脹后形態(tài)學(xué)重建，目的是填洞補(bǔ)溝，合并小的物體；關(guān)操作，然后腐蝕來(lái)收縮邊緣，計(jì)算局部最大值就能得到較好的前景標(biāo)記；去噪后選取合適的閾值轉(zhuǎn)化為二值圖像；為了不是背景標(biāo)記太靠近目標(biāo)對(duì)象邊緣，通過(guò)“骨骼化”進(jìn)行細(xì)化，對(duì)二值圖像的距離進(jìn)行分水嶺變換，進(jìn)而的到最終結(jié)果。流程圖實(shí)驗(yàn)結(jié)果及分析可以直觀看到，直接對(duì)梯度圖像運(yùn)用分

10、水嶺算法結(jié)果并不理想，過(guò)分割現(xiàn)象嚴(yán)重梯度團(tuán)像的分.水嶺變換邊畀Gg）使用形態(tài)學(xué)重建技術(shù)對(duì)前景對(duì)象進(jìn)行標(biāo)記，標(biāo)記的每個(gè)對(duì)象內(nèi)部的像素值是連接在一起的。左圖是用半徑為20的圓形結(jié)構(gòu)元素進(jìn)行開(kāi)操作。右圖先對(duì)圖像進(jìn)行腐蝕然后形態(tài)學(xué)重建。下圖對(duì)圖像先膨脹后形態(tài)學(xué)重建:開(kāi)撫作Ho）腐蝕后形.態(tài)學(xué)童建佃b）比較兩幅圖像Iobrcbr和Ioc，以重建為基礎(chǔ)的開(kāi)關(guān)操作（結(jié)果為Iobrcbr）比一般的開(kāi)關(guān)操作（結(jié)果為Ioc）在去除小的污點(diǎn)時(shí)會(huì)更有效，并且不會(huì)影響這個(gè)圖像的輪廓。在原來(lái)圖像的基礎(chǔ)上，顯示局部極大值，對(duì)前景圖像進(jìn)行標(biāo)記。少部分前景目標(biāo)物體已經(jīng)擴(kuò)展到邊緣，因此應(yīng)該收縮一下邊緣，可以先對(duì)圖像進(jìn)行關(guān)操作，然

11、后再進(jìn)行腐蝕來(lái)達(dá)到這樣的效果。然后去除孤立像素點(diǎn)。二值團(tuán)像修改后白懈大値區(qū)域13)對(duì)二值圖像的距離進(jìn)行分水嶺變換，然后得到分水嶺的界限竊水嶺邊界(bgin仃c仃mnq_rn_i/x在原圖像中分別標(biāo)記前景對(duì)象、背景對(duì)象和邊界。前景和背曇邊界為了使分割的邊界更清楚，可以對(duì)圖像進(jìn)行膨脹操作?？梢钥闯?，效果好了很多,基本反映出物體的邊界信息。實(shí)驗(yàn)程序%*%直接對(duì)梯度圖像進(jìn)行分水嶺變換rgb=imread(l.png);%讀取原圖像I=rgb2gray(rgb);%轉(zhuǎn)化為灰度圖像imshow(I),title(原始灰度圖像)hy=fspecial(sobel);%sobel算子hx=hy;Iy=imfi

12、lter(double(I),hy,replicate);%濾波求y方向邊緣Ix=imfilter(double(I),hx,replicate);%濾波求x方向邊緣gradmag=sqrt(Ix.2+Iy.2);%求模L=watershed(gradmag);%直接應(yīng)用分水嶺算法Ig=L=0;figure;imshow(Ig),%顯示分割后的圖像邊界title(梯度圖像的分水嶺變換邊界(Ig)%*%通過(guò)對(duì)圖像進(jìn)行一系列預(yù)處理，解決過(guò)分割問(wèn)題se=strel(disk,20);%圓形結(jié)構(gòu)元素Io=imopen(I,se);%形態(tài)學(xué)開(kāi)操作figure;subplot(121)imshow(Io)

13、,%顯示執(zhí)行開(kāi)操作后的圖像title(開(kāi)操作(Io)Ie=imerode(I,se);%對(duì)圖像進(jìn)行腐蝕Iobr=imreconstruet(Ie,I);%形態(tài)學(xué)重建subplot(122);imshow(Iobr),%顯示重建后的圖像title(腐蝕后形態(tài)學(xué)重建(Iobr)Ioc=imclose(Io,se);%形態(tài)學(xué)關(guān)操作figure;subplot(121)imshow(Ioc),%顯示關(guān)操作后的圖像title(關(guān)操作(Ioc)Iobrd=imdilate(Iobr,se);%對(duì)圖像進(jìn)行膨脹Iobrcbr=imreconstruct(imcomplement(Iobrd),.imcompl

14、ement(Iobr);%形態(tài)學(xué)重建Iobrcbr=imcomplement(Iobrebr);%圖像求反subplot(122);imshow(Iobrcbr),%顯示重建求反后的圖像title(膨脹后形態(tài)學(xué)重建求反(Iobrcbr)fgm=imregionalmax(Iobrcbr);%局部極大值figure;imshow(fgm),%顯示重建后局部極大值圖像title(重建后局部極大值圖像(fgm)=I;I2(fgm)=255;%局部極大值處像素值設(shè)置為255figure;imshow(I2),%在原圖上顯示極大值區(qū)域title(圖上顯示極大值區(qū)域(I2)se2=strel(ones(5

15、,5);%結(jié)構(gòu)元素fgm2=imclose(fgm,se2);%關(guān)操作fgm3=imerode(fgm2,se2);%腐蝕fgm4=bwareaopen(fgm3,20);%開(kāi)操作=I;I3(fgm4)=255;%前景處設(shè)置為255figure;subplot(121)imshow(I3)%顯示修改后的極大值區(qū)域title(修改后的極大值區(qū)域(13)bw=im2bw(Iobrcbr,graythresh(Iobrcbr);%轉(zhuǎn)化為二值圖像subplot(122);imshow(bw),%顯示二值圖像title(二值圖像(bw)D=bwdist(bw);%計(jì)算距離DL=watershed(D);

16、%分水嶺變換bgm=DL=0;%求取分割邊界figure;imshow(bgm),%顯示分割后的邊界title(分水嶺邊界(bgm)gradmag2=imimposemin(gradmag,bgm|fgm4);%設(shè)置最小值L=watershed(gradmag2);%分水嶺變換I4=I;I4(imdilate(L=0,ones(3,3)|bgm|fgm4)=255;%前景及邊界處設(shè)置為255figure;imshow(I4)%突出前景及邊界title(前景和背景邊界)四、討論本算法較好的解決了分水嶺算法的過(guò)分割問(wèn)題，使得分割邊界能夠大致反映物體的邊界信息，并且程序較為簡(jiǎn)單，處理速度較快，實(shí)時(shí)性好。分水嶺算法存在如下缺點(diǎn)：(1)對(duì)圖像中的噪聲極敏感。輸入圖像通常是圖像梯度，原始圖像中的噪聲能直接惡化圖像的梯度，易于造成分割輪廓偏移。(2)易于產(chǎn)生過(guò)分割。由于受噪聲、量化誤差以及區(qū)域內(nèi)紋理細(xì)節(jié)的影響，因此會(huì)產(chǎn)生很多局部最小值，在后續(xù)分割中將出現(xiàn)大量細(xì)小區(qū)域。3)對(duì)低對(duì)比度圖像易丟失重要輪廓