一、前言
使用分水岭分割来分离图像中相互接触的对象。分水岭变换通过将图像视为一个曲面，其中亮像素表示较高处，暗像素表示较低处，从而找出图像中的“汇水盆地”和“分水岭脊线”。
如果您能够标识或“标记”前景对象和背景位置，使用分水岭变换的分割效果会更好。标记控制的分水岭分割遵循以下基本过程。
二、实现步骤
步骤 1：读入彩色图像并将其转换为灰度
步骤 2：使用梯度幅值作为分割函数
计算梯度幅值。对象边界处的梯度较高，对象内部的梯度较低（大多数情况下）。
能通过直接对梯度幅值使用分水岭变换来分割图像吗？不能。如果没有额外的预处理，例如以下标记计算，直接使用分水岭变换通常会导致“过度分割”。
步骤 3：标记前景对象
此处可以应用多种过程来找到前景标记，这些标记必须是每个前景对象内部的连通像素斑点。在此示例中，您将使用称为“开运算重构”和“闭运算重构”的形态学方法来“清理”图像。这些运算将在每个对象内创建最大值平面，使用 imregionalmax 可以找出这些最大值。
开运算是先腐蚀后膨胀，而开运算重构是先腐蚀后进行形态学重构。让我们对两者进行比较。首先，使用 imopen 进行开运算。
接下来，使用 imerode 和 imreconstruct 进行开运算重构。
在开运算后闭运算可以去除暗点和针状标记。对常规形态学闭运算和闭运算重构进行比较。
现在使用 imdilate，然后使用 imreconstruct。请注意，您必须对 imreconstruct 的输入和输出进行补充。
通过比较 Iobrcbr 和 Ioc 可以看到，在去除小瑕疵而不影响对象整体形状方面，基于重构的开运算和闭运算比标准的开运算和闭运算更高效。计算 Iobrcbr 的局部最大值，以获得良好的前景标记。
为了帮助解释结果，可将前景标记图像叠加在原始图像上。
请注意，一些大部分被遮挡和遮蔽的对象未被标记，这意味着在最终结果中不会正确分割这些对象。此外，一些对象中的前景标记一直延伸到对象的边缘。这意味着您应清理标记斑点的边缘，然后将它们缩小一点。您可以通过先闭运算再腐蚀来实现这一点。
此过程往往会留下一些必须删除的杂散孤立像素。您可以使用 bwareaopen 来实现这一点，它可以删除像素少于特定数量的所有斑点。
步骤 4：计算背景标记
现在您需要标记背景。在清理后的图像 Iobrcbr 中，暗像素属于背景，因此您可以首先进行阈值化运算。
背景像素为黑色，但理想情况下，我们不希望背景标记太靠近我们尝试分割的对象的边缘。我们将通过计算 bw 前景的“影响区骨架”（即 SKIZ）来“精简”背景。通过计算 bw 的距离变换的分水岭变换，然后寻找结果的分水岭脊线 (DL == 0)，可以实现这一目标。
步骤 5：计算分割函数的分水岭变换。
函数 imimposemin 可用于修正图像，使其仅在特定所需位置具有局部最小值。在此处，您可以使用 imimposemin 来修正梯度幅值图像，使其局部最小值只出现在前景和背景标记像素上。最后，计算基于分水岭的分割。
步骤 6：可视化结果
一种可视化方法是在原始图像上叠加前景标记、背景标记和分割的对象边界。您可以根据需要使用膨胀来使某些方面（如对象边界）更明显可见。对象边界位于 L == 0 的位置。二值前景和背景标记缩放为不同整数值，以便对它们分配不同标签。
此可视化图像说明前景和背景标记的位置如何影响结果。在一些位置，部分被遮挡的较暗对象与其较亮的相邻对象已合并，因为被遮挡的对象没有前景标记。
另一种有用的可视化方法是将标签矩阵显示为彩色图像。标签矩阵，如 watershed 和 bwlabel 生成的矩阵，可通过使用 label2rgb 转换为真彩色图像，以实现可视化目的。
使用透明方式将此伪颜色标签矩阵叠加到原始强度图像上。
