最近被图像分割整的天昏地暗的，在此感谢老朋友周洋给我关于分水岭算法的指点！本来打算等彩色图像分割有个完满的结果再写这篇文章，但是考虑到到了这一步也算是一个阶段，所以打算对图像分割做一个系列的博文，于是先写这篇。
啰嗦了这么多！先看效果：
效果一般，存在着很多过分割现象，但比没使用滤波之前的效果好很多，过分割是分水岭算法的通病。这个后续博文会继续解决。
本文用java实现的是基于自动种子区域的分水岭算法，注意本文是基于单色的分割，所以将输入图片首先进行灰度化处理，这个比较简单，不多提了；因此，对于彩色图像，会存在一些偏差，这个在后续博文里我会去解决。关于分水岭算法的概念，请自行百度，本系列主讲如何实现以及实现效果。
算法大致分为四步：图像预处理、 种子区域获取、浸水过程（区域增长）、分割结果的合并处理。另外，算法在分水岭过程中的区域表示上，采用并查集的数据结构表示区域块，这样做的好处在于简化生长过程中的合并处理，关于并查集，参见我这篇博文： http://blog.csdn.net/abcd_d_/article/details/40316455。
本文采用二维高斯滤波进行图像（sigma=3.0）的平滑操作，经验证去操平滑效果好于中值滤波，读者可以自己实验其它的滤波。另外，为了简化操作，二维高斯模板可近似为两个一维的高斯模板，也就是在下图中，左边的滤波过程近似为右边的滤波过程。
核心代码为：
/**
* * 将图像进行高斯模糊：先利用模糊函数计算高斯模板矩阵，然后进行卷积运算。
*
* @高斯模糊 :高斯模糊是一种图像滤波器，它使用正态分布(高斯函数)计算模糊模板，并使用该模板与原图像做卷积运算，达到模糊图像的目的。
* 在实际应用中，在计算高斯函数的离散近似时，在大概3σ距离之外的像素都可以看作不起作用，这些像素的计算也就可以忽略。
* 通常，图像处理程序只需要计算的矩阵就可以保证相关像素影响。
*
* @param source
* @param index 表示不同的sigma对应的模板
* @return double[][] 模糊后的图像信息矩阵
*/
public static double[][] gaussTran(double[][] source,int index){
int height=source.length;
int width=source[0].length;
///保存高斯过滤后的结果
double[][] result=new double[height][width];
double[] template=GaussTemplate1D.gettemplateX_Y(index);
int tWH=template.length;///模板维数
for(int i=0;i<height;i++){
for(int j=0;j<width;j++){
///进行模糊处理——————卷积运算
double sum=0.0;///卷积结果
for(int m=0;m<tWH;m++){
///计算与模板对应的图像上的位置
int x=j-(int)tWH/2+m;
int y=i;//-(int)tWH/2+m;
//如果模板数据没有超过边界
if(x>=0&&x<width){
sum=sum+source[y][x]*template[m];
}
}
for(int m=0;m<tWH;m++){
///计算与模板对应的图像上的位置
int x=j;
int y=i-(int)tWH/2+m;//-(int)tWH/2+m;
//如果模板数据没有超过边界
if(y>=0&&y<height){
sum=sum+source[y][x]*template[m];
}
}
result[i][j]=sum/2;
}
}
int i=0;
i++;
return result;
}效果为（左边是原图）：
首先，获取梯度图像：高斯滤波图像使用sobel算子求取梯度图像。
然后，种子区域获取以及标记：梯度图像中，将梯度值小于预先设置的阈值THRESHOLD的像素点的灰度值设置为0，而其他像素点的灰度值等于其梯度值。这样每个像素都标记之后就开始进行区域增长，采用同一区域属于一个并查集的方法，将灰度值为0的区域进行分类标记（这些信息存储在blockData里）。如图，每一个黑色块属于一个类（也就是一个种子区域）。
参照周洋告诉我的方法：三层循环，第一层是梯度值从阈值到最大值，里面两层是二维图像数据的遍历。采用八领域的判断方法，如果某个未被标记为0（未知）的点周围只有一个被标记为零的点（种子），则该点归并到该种子区域中，如果有两个以上被标记的点，并且属于不同的区域，那么该点标记为山脊（轮廓线）。对于外层循环的每一个梯度值，区域生长的停止条件：没有新的点被并入到某个区域。这样其实就有四层循环，因为需要一层来判断是否有新点被并入到种子区域。
效果图如下：
可以看出，分水岭算法的好处在于可以得到一个个封闭区域，这个一般的二值化的轮廓图像是得不到的。
另外，经过对比发现，高斯滤波对减少过分割有着比较理想的作用，但是也不能消除过分割，因此需要有第四步——区域合并。这部分在后续博文中我会继续讲。
因为还未写完，所以代码可能显得比较乱，比如程序中有个map成员变量，实际没多大意义，但考虑到测试用，还望见谅！
附上第一版程序的源码：http://download.csdn.net/detail/abcd_d_/8169869
原文地址：http://blog.csdn.net/abcd_d_/article/details/41218549
