Python OpenCV 分水岭算法（Watershed）详解与实战

在工业视觉中，经常会遇到多个目标粘连在一起的问题，例如：

元器件粘连

药片粘连

细胞分割

水滴分割

螺丝统计

颗粒计数

普通轮廓检测通常只能找到一个整体轮廓，而 Watershed（分水岭算法） 可以将相互接触的目标重新分离，因此成为 OpenCV 中最经典的图像分割算法之一。

一、什么是分水岭算法

1.1 什么是分水岭算法

分水岭算法（Watershed Algorithm）是一种基于拓扑理论的图像分割方法，其核心思想来源于地理学中的地形概念。想象一幅灰度图像是一个三维地形图，其中像素的灰度值代表海拔高度：亮区域对应高山，暗区域对应山谷。

当我们从最低点（局部极小值）开始注水，水会逐渐淹没整个地形。当来自不同山谷的水即将汇合时，我们在汇合处修建"堤坝"，这些堤坝就构成了图像的分割边界。最终形成的各个"集水盆地"就是分割后的不同区域。

在图像分割中，分水岭算法特别擅长处理粘连对象的分离问题，例如细胞计数、硬币分割等场景。

1.2 传统分水岭的问题

经典的分水岭算法存在一个严重缺陷------过分割（Over-segmentation）。这是因为：

噪声会产生大量虚假的局部极小值，导致形成过多的小区域
图像纹理和细节也会被误识别为独立的山谷
最终可能将单个对象分割成数十甚至数百个小块，失去实用价值
因此，实际应用中几乎都采用标记控制的分水岭算法（Marker-controlled Watershed），通过人工或自动方式指定哪些区域应该是前景、哪些是背景，从而引导算法产生合理的分割结果。

1.3 标记控制分水岭原理

标记控制分水岭的核心是将图像划分为三个部分：

前景标记（Foreground Markers）：确定属于对象的内部区域
背景标记（Background Markers）：确定属于背景的区域
未知区域（Unknown Region）：前景和背景之间的过渡区域，由分水岭算法决定归属

距离变换（Distance Transform）在这一过程中起到关键作用。它计算每个前景像素到最近背景像素的距离，距离越大的像素越可能是对象的中心。通过对距离变换结果设定阈值，可以准确提取出前景标记。

分水岭（Watershed）最初来源于地形学。

可以把一幅灰度图理解成一座山：

灰度值高 → 山峰
灰度值低 → 山谷

如果向山谷不断灌水：

不同山谷的水最终会相遇。

OpenCV 就会在两股水相遇的位置建立一道"堤坝"。

这条堤坝就是：

目标之间真正的分割线。

因此称为：

Watershed（分水岭）

示意图

复制代码

山峰

      /\

     /  \

____/____\____

 ↑       ↑
两个山谷开始灌水

↓

最后相遇

↓

██████████
分割线

二、为什么需要分水岭

例如两个圆：

复制代码

○○

使用轮廓检测：

复制代码

findContours()

↓

一个轮廓

结果：

复制代码

██████

实际上我们需要：

复制代码

○   ○

分水岭可以自动完成这一过程。

三、算法流程

OpenCV Watershed 的标准流程如下：

复制代码

原图
   │
   ▼
灰度化
   │
   ▼
二值化
   │
   ▼
形态学去噪
   │
   ▼
距离变换
   │
   ▼
寻找前景
   │
   ▼
寻找背景
   │
   ▼
未知区域
   │
   ▼
连通域标记
   │
   ▼
Watershed
   │
   ▼
得到分割结果

四、OpenCV API

4.1 整体流程概述

完整的分水岭分割流程包含以下步骤：

图像预处理：使用高斯模糊或中值滤波去除噪声
阈值化：将灰度图像转换为二值图像，初步分离前景和背景
形态学操作：通过开运算去除小的噪声点，闭运算填充小孔洞
距离变换：计算每个前景像素到背景的距离
确定前景标记：对距离变换结果阈值化，获取对象的核心区域
确定背景标记：通过膨胀操作扩展背景区域
创建标记图像：合并前景和背景标记，标记未知区域为0
应用分水岭：调用cv2.watershed()执行分割
可视化结果：用不同颜色标注分割边界

4.2 关键函数详解

cv2.distanceTransform() - 距离变换
计算二值图像中每个非零像素到最近零像素的距离。参数distanceType指定距离度量方式（DIST_L2为欧氏距离，DIST_L1为曼哈顿距离），maskSize指定掩模大小（3或5）。
cv2.connectedComponents() - 连通分量标记
为二值图像中的每个连通区域分配唯一的标签ID。返回标记数量和标记矩阵，标记矩阵中每个像素的值即为其所属区域的ID。
cv2.watershed() - 分水岭算法
执行标记控制的分水岭分割。输入为原始彩色图像和标记图像（int32类型），输出中标记为-1的像素即为分割边界。注意：该函数会直接修改输入的标记矩阵。
cv2.morphologyEx() - 形态学操作
支持多种形态学变换：MORPH_OPEN（开运算，先腐蚀后膨胀，去除小噪声）、MORPH_CLOSE（闭运算，先膨胀后腐蚀，填充小孔洞）、MORPH_GRADIENT（形态学梯度，突出边缘）。

python 复制代码

cv2.watershed(image, markers)

参数：

参数	说明
image	原始彩色图像
markers	标记图（int32）

复制代码

markers

其中：

复制代码

-1

表示：

分割边界。

其它数字表示不同目标。

例如：

复制代码

分别表示不同区域。

五、完整代码

5.1基础代码

python 复制代码

import cv2
import numpy as np

img = cv2.imread("coin.png")

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

_, binary = cv2.threshold(
    gray,
    0,
    255,
    cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU
)

kernel = np.ones((3,3),np.uint8)

opening = cv2.morphologyEx(
    binary,
    cv2.MORPH_OPEN,
    kernel,
    iterations=2
)

sure_bg = cv2.dilate(
    opening,
    kernel,
    iterations=3
)

dist = cv2.distanceTransform(
    opening,
    cv2.DIST_L2,
    5
)

_, sure_fg = cv2.threshold(
    dist,
    0.5 * dist.max(),
    255,
    0
)

sure_fg = np.uint8(sure_fg)

unknown = cv2.subtract(
    sure_bg,
    sure_fg
)

num_labels, markers = cv2.connectedComponents(
    sure_fg
)

markers = markers + 1

markers[unknown == 255] = 0

markers = cv2.watershed(
    img,
    markers
)

img[markers == -1] = [0,0,255]

cv2.imshow("Result", img)

cv2.waitKey(0)

5.2 基础示例：硬币分割

以下代码演示如何使用分水岭算法分割粘连的硬币图像：

python 复制代码

import numpy as np
import cv2
from matplotlib import pyplot as plt

# 读取图像
img = cv2.imread('coins.png')
if img is None:
    print("错误：无法读取图像文件")
    exit()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 步骤1: 阈值化 - 使用Otsu自动阈值
ret, thresh = cv2.threshold(gray, 0, 255, 
                            cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 步骤2: 形态学开运算去除噪声
kernel = np.ones((3,3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)

# 步骤3: 距离变换 - 计算每个前景像素到背景的距离
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)

# 步骤4: 确定前景标记 - 取距离较大的区域作为对象中心
# 阈值设为最大距离的70%，可根据实际情况调整
ret, sure_fg = cv2.threshold(dist_transform, 
                              0.7*dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)

# 步骤5: 确定背景标记 - 通过膨胀扩展背景区域
sure_bg = cv2.dilate(opening, kernel, iterations=3)

# 步骤6: 确定未知区域 - 背景减去前景
unknown = cv2.subtract(sure_bg, sure_fg)

# 步骤7: 创建标记图像
# connectedComponents为每个连通区域分配唯一ID
ret, markers = cv2.connectedComponents(sure_fg)
# ID从1开始，0保留给背景
markers = markers + 1
# 未知区域标记为0
markers[unknown == 255] = 0

# 步骤8: 应用分水岭算法
# 注意：此函数会直接修改markers矩阵
markers = cv2.watershed(img, markers)

# 步骤9: 可视化结果 - 将边界标记为红色
img[markers == -1] = [255, 0, 0]

# 显示结果
plt.figure(figsize=(12, 8))
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('Watershed Segmentation Result')
plt.axis('off')
plt.tight_layout()
plt.savefig('watershed_result.png', dpi=150, bbox_inches='tight')
plt.show()

print(f"检测到 {ret} 个硬币对象")

代码说明：

• THRESH_BINARY_INV + THRESH_OTSU：反转二值化并使用Otsu方法自动选择最佳阈值

• iterations=2：开运算迭代2次，充分去除小噪声

• 0.7*dist_transform.max()：取距离最大的70%作为前景，这个比例需要根据图像调整

• markers == -1：分水岭算法将边界像素标记为-1

5.3 高级示例：细胞图像分割

细胞图像通常具有更高的粘连度和更复杂的形态，需要更精细的参数调整：

python 复制代码

import numpy as np
import cv2

def segment_cells(image_path, output_path='cells_result.png'):
    """
    细胞图像分割函数
    
    参数:
        image_path: 输入图像路径
        output_path: 输出结果路径
    """
    # 读取图像
    img = cv2.imread(image_path)
    if img is None:
        raise FileNotFoundError(f"无法读取图像: {image_path}")
    
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 步骤1: 自适应阈值 - 适合光照不均匀的显微图像
    # 块大小11，常数C=2
    thresh = cv2.adaptiveThreshold(gray, 255, 
                                    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                    cv2.THRESH_BINARY_INV, 11, 2)
    
    # 步骤2: 形态学操作
    kernel = np.ones((3,3), np.uint8)
    # 开运算去噪
    opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
    # 闭运算填充细胞内部小孔
    closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel, iterations=2)
    
    # 步骤3: 距离变换 - 使用L2距离，5x5掩模
    dist_transform = cv2.distanceTransform(closing, cv2.DIST_L2, 5)
    
    # 步骤4: 归一化距离变换结果以便可视化
    dist_normalized = cv2.normalize(dist_transform, None, 0, 255, 
                                     cv2.NORM_MINMAX)
    dist_normalized = np.uint8(dist_normalized)
    
    # 步骤5: 确定前景标记 - 降低阈值以捕获更多细胞中心
    # 对于粘连严重的细胞，可以降低到0.5或更低
    ret, sure_fg = cv2.threshold(dist_transform, 
                                  0.5*dist_transform.max(), 255, 0)
    sure_fg = np.uint8(sure_fg)
    
    # 步骤6: 确定背景标记
    sure_bg = cv2.dilate(closing, kernel, iterations=3)
    
    # 步骤7: 未知区域
    unknown = cv2.subtract(sure_bg, sure_fg)
    
    # 步骤8: 创建标记
    ret, markers = cv2.connectedComponents(sure_fg)
    markers = markers + 1
    markers[unknown == 255] = 0
    
    # 步骤9: 分水岭分割
    markers_copy = markers.copy()  # 备份用于统计
    markers = cv2.watershed(img, markers)
    
    # 步骤10: 统计细胞数量（排除背景和边界）
    unique_labels = np.unique(markers)
    cell_count = len(unique_labels) - 2  # 减去背景(-1)和未知区域(0)
    
    # 步骤11: 可视化 - 为每个细胞分配随机颜色
    result_img = img.copy()
    colors = np.random.randint(0, 255, (len(unique_labels), 3))
    
    for label in unique_labels:
        if label <= 1:  # 跳过背景和未知区域
            continue
        mask = (markers == label)
        color = colors[label]
        result_img[mask] = color
    
    # 绘制边界
    result_img[markers == -1] = [255, 255, 255]  # 白色边界
    
    # 保存结果
    cv2.imwrite(output_path, result_img)
    print(f"分割完成！检测到 {cell_count} 个细胞")
    print(f"结果已保存至: {output_path}")
    
    return result_img, cell_count

# 使用示例
if __name__ == '__main__':
    result, count = segment_cells('cells.png')

关键改进点：

• 自适应阈值：处理光照不均匀的显微图像效果更好

• 增加闭运算：填充细胞内部的染色不均造成的小孔洞

• 降低前景阈值至0.5：捕获更多可能的细胞中心，避免漏检

• 随机颜色可视化：便于区分相邻的细胞

5.4 交互式分水岭

当自动方法效果不佳时，可以使用鼠标交互手动指定标记点：

python 复制代码

import cv2
import numpy as np

class InteractiveWatershed:
    """交互式分水岭分割器"""
    
    def __init__(self, image_path):
        self.img = cv2.imread(image_path)
        if self.img is None:
            raise FileNotFoundError(f"无法读取图像: {image_path}")
        
        self.output = self.img.copy()
        self.markers = np.zeros(self.img.shape[:2], dtype=np.int32)
        self.drawing = False
        self.current_marker_id = 1
        self.marker_colors = {}
        
        # 创建显示窗口
        cv2.namedWindow('Interactive Watershed')
        cv2.setMouseCallback('Interactive Watershed', self.on_mouse)
        
        print("=" * 50)
        print("交互式分水岭工具使用说明：")
        print("左键拖动 - 绘制前景标记（红色）")
        print("右键拖动 - 绘制背景标记（蓝色）")
        print("'s' 键   - 执行分水岭分割")
        print("'r' 键   - 重置所有标记")
        print("'q' 键   - 退出程序")
        print("=" * 50)
        
    def on_mouse(self, event, x, y, flags, param):
        """鼠标事件回调"""
        if event == cv2.EVENT_LBUTTONDOWN:
            self.drawing = True
            self.current_marker_id += 1
            self.marker_colors[self.current_marker_id] = (0, 0, 255)  # 红色
            
        elif event == cv2.EVENT_RBUTTONDOWN:
            self.drawing = True
            self.current_marker_id -= 1
            if self.current_marker_id < 1:
                self.current_marker_id = 1
            self.marker_colors[self.current_marker_id] = (255, 0, 0)  # 蓝色
            
        elif event == cv2.EVENT_MOUSEMOVE:
            if self.drawing:
                # 在标记矩阵上绘制
                cv2.circle(self.markers, (x, y), 5, 
                          self.current_marker_id, -1)
                # 在显示图像上绘制
                color = self.marker_colors.get(self.current_marker_id, 
                                              (0, 0, 255))
                cv2.circle(self.output, (x, y), 5, color, -1)
                
        elif event in [cv2.EVENT_LBUTTONUP, cv2.EVENT_RBUTTONUP]:
            self.drawing = False
            
        cv2.imshow('Interactive Watershed', self.output)
        
    def segment(self):
        """执行分水岭分割"""
        if np.max(self.markers) == 0:
            print("警告：未绘制任何标记，请先绘制前景和背景标记")
            return
        
        # 确保至少有一个前景和一个背景标记
        unique_markers = np.unique(self.markers)
        if len(unique_markers) < 3:  # 包括0（未标记）
            print("警告：需要同时绘制前景和背景标记")
            return
        
        # 执行分水岭
        markers_copy = self.markers.copy()
        result_markers = cv2.watershed(self.img, markers_copy)
        
        # 可视化结果
        result_img = self.img.copy()
        result_img[result_markers == -1] = [0, 255, 0]  # 绿色边界
        
        # 为每个区域填充半透明颜色
        for marker_id in np.unique(result_markers):
            if marker_id <= 0:
                continue
            mask = (result_markers == marker_id)
            color = np.random.randint(50, 200, 3).tolist()
            overlay = result_img.copy()
            overlay[mask] = color
            cv2.addWeighted(overlay, 0.5, result_img, 0.5, 0, result_img)
        
        cv2.imshow('Segmentation Result', result_img)
        cv2.imwrite('interactive_result.png', result_img)
        print("分割完成！结果已保存")
        
    def reset(self):
        """重置所有标记"""
        self.markers = np.zeros(self.img.shape[:2], dtype=np.int32)
        self.output = self.img.copy()
        self.current_marker_id = 1
        self.marker_colors = {}
        cv2.imshow('Interactive Watershed', self.output)
        print("已重置所有标记")
        
    def run(self):
        """主循环"""
        while True:
            key = cv2.waitKey(1) & 0xFF
            
            if key == ord('s'):
                self.segment()
            elif key == ord('r'):
                self.reset()
            elif key == ord('q'):
                break
                
        cv2.destroyAllWindows()

# 使用示例
if __name__ == '__main__':
    segmenter = InteractiveWatershed('image.jpg')
    segmenter.run()

交互功能说明：

• 左键绘制前景标记（对象内部）

• 右键绘制背景标记

• 按"s"执行分割并查看结果

• 按"r"清除所有标记重新开始

• 按"q"退出程序

六、基础代码代码详解

1、灰度化

python 复制代码

gray = cv2.cvtColor(
    img,
    cv2.COLOR_BGR2GRAY
)

作用：

去掉颜色信息。

后续二值化更加稳定。

2、OTSU自动阈值

python 复制代码

binary = cv2.threshold(
    gray,
    0,
    255,
    cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU
)[1]

作用：

自动寻找最佳阈值。

无需人工设置。

3、形态学开运算

python 复制代码

opening = cv2.morphologyEx(
    binary,
    cv2.MORPH_OPEN,
    kernel
)

作用：

去除噪点。

复制代码

原图

■■■

■□■

■■■

↓

■■■

■■■

4、膨胀得到背景

python 复制代码

sure_bg = cv2.dilate(
    opening,
    kernel,
    iterations=3
)

作用：

得到：

复制代码

确定背景

5、距离变换

python 复制代码

dist = cv2.distanceTransform(
    opening,
    cv2.DIST_L2,
    5
)

距离变换表示：

每个像素距离背景有多远。

中心距离最大。

边缘距离最小。

例如：

复制代码

越亮说明越靠近中心。

6、寻找前景

python 复制代码

cv2.threshold(
    dist,
    0.5 * dist.max(),
    255,
    0
)

得到：

复制代码

真正属于目标内部的区域

称为：

复制代码

Sure Foreground

7、未知区域

python 复制代码

unknown = sure_bg - sure_fg

得到：

复制代码

██████

□□□□

██████

中间：

复制代码

□□□□

就是：

未知区域。

之后交给 Watershed 判断。

8、连通域

python 复制代码

cv2.connectedComponents(
    sure_fg
)

得到：

复制代码

每个目标一个编号。

9、Watershed

python 复制代码

markers = cv2.watershed(
    img,
    markers
)

最终：

复制代码

-1：

表示：

复制代码

分割边界

七、参数说明

DistanceTransform

复制代码

DIST_L1

曼哈顿距离。

复制代码

DIST_L2

欧式距离。

最常用。

复制代码

DIST_C

棋盘距离。

maskSize

复制代码

3

5

一般：

复制代码

效果最好。

前景阈值

复制代码

0.3

0.4

0.5

0.6

0.7

越小：

前景越大。

越大：

前景越小。

工业中：

复制代码

0.4~0.6

最常用。

八、实际效果

原图：

复制代码

○○○

普通轮廓：

复制代码

██████

Watershed：

复制代码

○ ○ ○

每个目标独立编号。

九、工业视觉应用

9.1 医学图像分析

细胞计数：在血液涂片、组织切片中自动计数红细胞、白细胞或癌细胞。分水岭能有效分离粘连的血细胞，准确率可达90%以上。
组织分割：病理图像中将肿瘤区域与正常组织分离，辅助医生诊断。常结合染色信息（如H&E染色）提高分割精度。
神经元追踪：神经科学中分离重叠的神经元突起，重建神经网络结构。

9.2 工业检测

零件缺陷检测：在金属表面检测裂纹、气孔等缺陷。分水岭可将缺陷区域从背景中分离出来，便于后续分类。
产品计数：流水线上计数瓶装饮料、药片等物品。即使物品部分遮挡也能准确计数。
质量分拣：根据分割出的区域大小、形状等特征，自动分级产品质量。

9.3 农业应用

果实计数：果园中估算苹果、橙子等果实的数量，预测产量。需处理树叶遮挡和果实重叠问题。
叶片分割：植物病害检测中分离病斑与健康组织，计算病害面积占比。
种子分析：测量种子的大小、形状分布，评估种子质量。

9.4 文档处理

字符分割：手写文字识别中分离粘连的字符。比传统投影法更鲁棒。
表格单元格识别：扫描文档中提取表格结构，分隔相邻单元格。
印章提取：从复杂背景中分离公章、签名等印章区域。

十、常见问题与解决方案

10.1 过分割问题

症状：分割出过多的小区域，单个对象被分成多块。

原因分析：

图像噪声未充分去除，产生虚假局部极小值
前景标记提取阈值过高，遗漏了部分对象中心
形态学开运算强度不足
解决方案：

增强预处理：增加开运算迭代次数或使用更大的核
降低距离变换阈值：从0.7降至0.5或更低
添加高斯模糊：cv2.GaussianBlur(gray, (5,5), 0)平滑图像
使用后处理：合并面积过小的区域

10.2 欠分割问题

症状：应该分开的粘连对象被合并为一个区域。

原因分析：

前景标记不足，未能识别出所有对象中心
距离变换参数不当，峰值不明显
对象间粘连过于紧密
解决方案：

降低前景阈值：让更多像素成为前景标记
使用距离变换的局部极大值：cv2.dilate配合比较提取峰值
尝试不同的距离度量：DIST_L1有时能更好分离特定形状
结合边缘检测：先用Canny找到边界，再辅助标记

10.3 边界不精确

症状：分割边界偏离真实对象边缘，出现锯齿或偏移。

原因分析：

图像对比度低，边缘模糊
预处理过度平滑，丢失细节
原始图像分辨率不足
解决方案：

减少平滑强度：降低高斯模糊的sigma值
使用原图而非平滑图进行分水岭：仅用平滑图提取标记
后处理优化：用形态学细化边界
提高输入图像质量：使用更高分辨率的图像

10.4 内存溢出

症状：处理大尺寸图像（如4K以上）时程序崩溃或极慢。

解决方案：

图像降采样：cv2.resize(img, (width//2, height//2))
ROI处理：只处理感兴趣区域
数据类型优化：使用np.float32而非float64
分块处理：将大图分成小块分别处理再拼接

十一、优缺点

优点

✅ 能分离粘连目标

✅ OpenCV自带

✅ 运算速度快

✅ 与距离变换结合效果优秀

✅ 工业视觉应用广泛

缺点

❌ 对噪声敏感

❌ 标记区域不准确时容易过分割

❌ 光照变化较大时效果下降

因此通常需要配合：

高斯滤波
中值滤波
开闭运算
距离变换
连通域分析

共同使用。

十二、总结

Watershed 是 OpenCV 中经典的图像分割算法，其核心思想是将灰度图视为地形，通过模拟"灌水"过程，在不同区域相遇的位置建立分割边界，从而实现粘连目标的自动分离。

标准流程如下：

复制代码

原图
    ↓
灰度化
    ↓
二值化
    ↓
形态学去噪
    ↓
距离变换
    ↓
前景提取
    ↓
背景提取
    ↓
未知区域
    ↓
连通域标记
    ↓
Watershed
    ↓
目标分割

在工业视觉、医学图像、颗粒分析、水滴测量、目标计数等领域，Watershed 依然是一种稳定且高效的经典分割方法。合理结合形态学处理与距离变换，可以显著提升复杂场景下粘连目标的分割效果。