分水岭算法

分水岭算法

1. 获得sobel算子边缘滤波器：--函数fspecial，用于生成滤波器矩阵
2. 采用sobel算子边缘检测：----函数imfilter，包括两个方向上的检测

• 水平方向边沿检测
• 垂直方向边沿检测

　　　Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的 ，另一个是检测垂直平边沿的 。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性，我们可以发现，处理该类型图像轮廓时，并不需要对梯度方向进行运算，所以程序并没有给出各向同性Sobel算子的处理方法。

　　由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数， 简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。 在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。

　　.NET代码如下

　　for(Times=0;Times<128&&iThreshold!=iNewThreshold;Times++)

　　{

　　iThreshold=iNewThreshold;

　　lP1=0;

　　lP2=0;

　　lS1=0;

　　lS2=0;

　　for(i=iMinGray;i

　　{

　　lP1+=Histogram*i;

　　lS1+=Histogram;

　　}

　　iMean1Gray=lP1/lS1;

　　for(i=iThreshold;i

　　{

　　lP2+=Histogram*i;

　　lS2+=Histogram;

　　}

　　iMean2Gray=lP2/lS2;

　　iNewThreshold=(iMean1Gray+iMean2Gray)/2;

　　}

　　补充Sobel算子的矩阵表达式：

　　Sobel1=[-1 -2 -1; %检测水平边沿的Sobel算子

　　 0 0 0;

　　 1 2 1];

　　Sobel2=[-1 0 1; %检测垂直平边沿的Sobel算子

　　 -2 0 2;

　　 -1 0 1];

  3. watershed

   查找图像的分水岭区域。