分水岭算法（附代码）

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(0);
  return 0;
}

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, 0, 255, THRESH_BINARY | THRESH_OTSU);
  Mat kernel = getStructuringElement(MORPH_RECT, Size(9, 9), Point(-1, -1));
  morphologyEx(grayImage, grayImage, MORPH_CLOSE, kernel);
  distanceTransform(grayImage, grayImage, DIST_L2, DIST_MASK_3, 5);
  normalize(grayImage, grayImage,0,1, NORM_MINMAX);
  grayImage.convertTo(grayImage, CV_8UC1);
  threshold(grayImage, grayImage,0,255, 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(-1, -1));
  for (size_t i = 0; 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+1)), 2);
  }
  Mat k = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
  morphologyEx(src, src, MORPH_ERODE, k);
  watershed(src, showImage);

  //随机分配颜色
  vector<Vec3b> colors;
  for (size_t i = 0; i < contours.size(); i++) {
    int r = theRNG().uniform(0, 255);
    int g = theRNG().uniform(0, 255);
    int b = theRNG().uniform(0, 255);
    colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
  }

  // 显示
  Mat dst = Mat::zeros(showImage.size(), CV_8UC3);
  int index = 0;
  for (int row = 0; row < showImage.rows; row++) {
    for (int col = 0; col < showImage.cols; col++) {
      index = showImage.at<int>(row, col);
      if (index > 0 && index <= contours.size()) {
        dst.at<Vec3b>(row, col) = colors[index - 1];
      }
      else if (index == -1)
      {
        dst.at<Vec3b>(row, col) = Vec3b(255, 255, 255);
      }
      else {
        dst.at<Vec3b>(row, col) = Vec3b(0, 0, 0);
      }
    }
  }
}

 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 = 0; i < newNumSeg; i++)
  {
    Mat sample;
    samples.push_back(sample);
  }
  for (size_t i = 0; i < segments.rows; i++)
  {
    for (size_t j = 0; j < segments.cols; j++)
    {
      int index = segments.at<uchar>(i, j);
      if (index >= 0 && 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, 1, 1));
        }
        else//按行合并
        {
          vconcat(samples[index], image(Rect(j, i, 2, 1)), 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 = 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 hist_base;
  for (size_t i = 1; i < numSeg; i++)
  {
    if (samples[i].dims > 0)
    {
      cvtColor(samples[i], hsv_base, CV_BGR2HSV);
      calcHist(&hsv_base, 1, channels, Mat(), hist_base, 2, histSize, range);
      normalize(hist_base, hist_base, 0, 1, NORM_MINMAX);
      hist_bases.push_back(hist_base);
    }
    else
    {
      hist_bases.push_back(Mat());
    }
  }
  double similarity = 0;
  vector<bool> merged;//是否合并的标志位
  for (size_t i = 0; i < hist_bases.size(); i++)
  {
    for (size_t j = i+1; 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 > 0 && hist_bases[j].dims > 0)//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 = 0; p < segments.rows; p++)
              {
                for (size_t k = 0; 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
}