分水岭算法 一种图像区域的分割法，在分割的过程中，他会把临近的像素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近（求梯度）的像素点互相连接起来构成一个封闭的轮廓。 想了解具体的细节请参考 特别详细，很容易理解 但是在代码上会有一些差异
在这里还需要了解图像的腐蚀与膨胀 在这里我只会说他们的意义以及作用，具体的细节请查看（以实际运用为主） 特别容易理解
图像的腐蚀 作用：极大的消除图像中的白噪点，会减少图像中的前景区域 cv.erode(img, kernel, iterations) { img 为图像 kernel 为卷积核 iterations为迭代次数（默认值为1） }
import cv2 as cv water = cv.imread("img3.jpg") kernel = np.ones((5,5), np.uint8) erodtion = cv.erode(water, kernel, iterations) cv.imshow('erode',erodtion) cv.imshow('source',water) cv.waitKey(0) cv.destroyAllWindows()让我们看看效果 图像膨胀 效果与图像腐蚀相对，他是去掉图像中的小黑点，扩大前景区域
import cv2 as cv kernel = np.ones((5,5), np.uint8) dilation = cv.dilate(water, kernel, iterations=1) cv.imshow('dilate',dilation) cv.imshow('source',water) cv.waitKey(0) cv.destroyAllWindows()操作是类似的
接下来我们就用这些实现一下分水岭算法，其中包含一个重要的函数，cv.watershed()
water = cv.imread('D:\QQPCmgr\Desktop\opencv-4.1.0\samples\data\pic1.png') gray = cv.cvtColor(water, cv.COLOR_BGR2GRAY) ret, thresh = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV + cv.THRESH_OTSU)#将图像转变为二值图 kernel = np.ones((3, 3), np.uint8) opening = cv.morphologyEx(thresh, cv.MORPH_OPEN, kernel,iterations=2)#采用腐蚀膨胀操作去掉图中的一些噪点 sure_bg = cv.dilate(opening, kernel, iterations=3)#通过膨胀操作获取到图中的背景区域 distance = cv.distanceTransform(opening, cv.DIST_L2, 5) ret, sure_fg = cv.threshold(distance, 0.1 * distance.max(), 255, 0)#获取图像的前景区域 sure_fg = np.uint8(sure_fg) unknown = cv.subtract(sure_bg, sure_fg)#确定图像中前景与背景重合的区域 ret, markers = cv.connectedComponents(sure_fg)#增加围栏 markers = markers + 1#在背景区域加1，让unknown区域变成0 markers[unknown == 255] = 0 markers = cv.watershed(water, markers)#以下就是绘制区域 water[markers == -1] = [0, 255, 255] plt.imshow(water) plt.show()