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
}
