分水岭算法是一种基于区域的图像分割方法，而图像分割方法，是一个很大的类别，其中有很多值得研究的东西。wiki上给出的图像分割方法的内容包含很多，这一篇我不准备讨论，放到后面去（->图像分割wiki）。20世纪70年代，Beucher和Lantuejoul提出了分水岭算法，实现了分水岭算法的模拟浸入过程，并成功应用于灰度图像。

最原始的思想，来自于地理学，把一幅图像想象成一个立体的地形表面，上面有山川起伏，在灰度图中，最小值点作为山谷的谷底，往里面注水，每一个局部极小值都是一座山谷，这样随着水不断的往上涨，在两座山谷的水达到一个高度时，我们筑起堤坝，这样隔开水，这个堤坝就是分水岭。目前比较著名的使用较多的有两种算法“

（1）自下而上的模拟泛洪的算法；

（2）自上而下的模拟降水的算法。

原来的颗粒分布的处理，我使用的是voronoi图的方法，该方法基于的是每个斑的质心坐标。对两两相邻的质心坐标进行连接，垂直平分线形成polygons，最终的polygon，如果以原图贴合上去的话，很可能会出现划分的polygon把原来的斑割裂的情况。且，相关评价指标，都是建立在将所有的颗粒定义为点的基础上，则与实际的斑不符合。

以分水岭算法作为划分手段，好处在于以下几点：

（1）所有的划分，都会将颗粒或者原来的斑包含在内，这种划分是基于实际情况的。

（2）由于基于灰度图，可通过开闭运算，以及膨胀腐蚀重建等手段，使得颗粒的粘附或者团聚情况改善，可把团聚隔开

分水岭算法的缺陷：

（1）对图像中的噪声极度敏感，因为灰度图像实际上要经过梯度处理，最后才能用于watershed（）。原图如果噪声很多，即会恶化灰度图以及梯度图，最终形成梯度图中的轮廓偏差。

（2）如果没有标记，很容易过分割，将图片分割太细。因为噪声，误差，纹理等的影响，是的图中有太多局部极小值，则形成太多的分水岭脊线。