新手学，java使用分水岭算法进行图像切割（一）

近期被图像切割整的天昏地暗的，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切割有个完满的结果再写这篇文章，可是考虑到到了这一步也算是一个阶段，所以打算对图像切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，存在着非常多过切割现象，但比没使用滤波之前的效果好非常多，过切割是分水岭算法的通病。这个兴许博文会继续解决。

本文用java实现的是基于自己主动种子区域的分水岭算法，注意本文是基于单色的切割，所以将输入图片首先进行灰度化处理，这个比較简单，不多提了；因此，对于彩色图像，会存在一些偏差，这个在兴许博文里我会去解决。关于分水岭算法的概念，请自行百度，本系列主讲怎样实现以及实现效果。

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）、切割结果的合并处理。另外，算法在分水岭过程中的区域表示上，採用并查集的数据结构表示区域块，这样做的优点在于简化生长过程中的合并处理，关于并查集，參见我这篇博文： http://blog.csdn.net/abcd_d_/article/details/40316455。

1、图像预处理过程：

本文採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，读者能够自己实验其他的滤波。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距离之外的像素都能够看作不起作用，这些像素的计算也就能够忽略。
	 *	通常，图像处理程序仅仅须要计算的矩阵就能够保证相关像素影响。
	 *
	 * @param source
	 * @param index 表示不同的sigma相应的模板
	 * @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++){
						///计算与模板相应的图像上的位置
						int x=j-(int)tWH/2+m;
						int y=i;//-(int)tWH/2+m;

						//假设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++){
					///计算与模板相应的图像上的位置
					int x=j;
					int y=i-(int)tWH/2+m;//-(int)tWH/2+m;

					//假设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）：

2、种子区域选取：

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，而其它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開始进行区域增长，採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，每个黑色块属于一个类（也就是一个种子区域）。

3、浸水过程（也就是区域生长过程）：

參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。採用八领域的推断方法，假设某个未被标记为0（未知）的点周围仅仅有一个被标记为零的点（种子），则该点归并到该种子区域中，假设有两个以上被标记的点，而且属于不同的区域，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。这样事实上就有四层循环，由于须要一层来推断是否有新点被并入到种子区域。

效果图例如以下：

能够看出，分水岭算法的优点在于能够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，经过对照发现，高斯滤波对降低过切割有着比較理想的作用，可是也不能消除过切割，因此须要有第四步——区域合并。这部分在兴许博文中我会继续讲。

由于还未写完，所以代码可能显得比較乱，比方程序中有个map成员变量，实际没多大意义，但考虑到測试用，还望见谅！

附上第一版程序的源代码：http://download.csdn.net/detail/abcd_d_/8169869