专利名称：用于图像分割的局部分水岭算子的制作方法
技术领域：
本发明通常涉及医学成像领域，并且尤其涉及使用用于医学结构分割的局部分水岭(watershed)算子。
背景技术：
在影像采集设备中的新近技术进步显著地提高了图像数据的空间分辨率。例如，新的多检测器计算机断层摄影机(“CT”)能够产生大小为512×512×1000的图像。由于可用时间和可用存储空间的限制，对于如此大幅图像的分割算法典型地需要局部地进行以保证计算效率。
分割大幅图像的一种方法是使用用户定义的感兴趣区。“感兴趣区”是指两维(“2D”)或者三维(“3D”)图像的一个选择部分。虽然通过用户定义的感兴趣区对数据剪切可能适用于良好定位的病理学，但用户选择的区域在很多应用中仍然可以非常大(例如，在计算机断层摄影血管造影术(“CTA”)中的血管分割或者骨头移除)。在一种可选的方法中，可以对图像分界来减小需要进行分割和造影算法的区域。当一幅图像被“分界”，如果区域的强度落在提前定义(例如，用户定义)的值之外，则图像的区域不被考虑。然而，图像的典型分界是以从数据中移除解剖学上重要的结构为代价的。
在医学图像分析中，例如，精确检测物体分界线对于量化原因是重要的，使得基于边缘的算法得到普及。虽然边缘检测算法的发展已经增加了边缘检测器的精确度和性能，但由于边缘分组和连接的复杂性，这种算法对于很多实际应用仍然不是非常稳固，尤其在三维中。一个实际应用实施例是医学图像的分割(例如，血管结构分割或者血管结构的病理学)。
与边缘检测算法不同，分水岭变换产生封闭的轮廓并且在汇合处和物体分界线发散的地方具有好的性能。然而，分水岭算法典型地被设计用于整个图像或者切割的图像，使得这种算法相对于大数据组而言非常慢。
发明内容
本发明的一个方面提供了一种分割图像的方法。该方法包括确定图像的梯度以形成梯度图像；通过获得所述梯度图像中用户选择的感兴趣区形成第一层；形成多个直接与所述第一层相邻的第二层；形成多个直接与多个所述第二层相邻的第三层；利用合并准则将所述第一层与多个所述第二层之一合并以形成合并的第一层；和从多个第三层的邻域开始进行填充过程；本发明的另一方面提供了存储有由处理器执行的指令来执行分割图像的方法的机器可读媒体。该方法包括确定所述图像的梯度以形成梯度图像；通过获得所述梯度图像中的用户选择的感兴趣区形成第一层；形成多个直接与所述第一层相邻的第二层；形成多个直接与所述多个第二层相邻的第三层；利用合并准则将所述第一层与所述多个第二层之一合并以形成合并的第一层；和从所述多个第三层的邻域开始进行填充过程。
本发明的另一方面提供了分割图像的系统。该系统包括用于用于确定图像梯度以形成梯度图像的工具；用于通过获得梯度图像中用户选择的感兴趣区形成第一层的工具；用于形成多个直接与所述第一层相邻的第二层的工具；用于形成多个直接与所述多个第二层相邻的第三层的工具；用于利用合并准则将所述第一层与所述多个第二层之一合并以形成合并的第一层的工具；和用于从所述多个第三层的邻域开始进行填充过程的工具。
本发明可以通过结合附图的下列描述来理解，其中相同的参考数字指明相同的元素，并且其中图1描述宽度第一盆地填充的示例性直观表示；图2描述深度第一盆地填充的示例性直观表示；图3a描述注水过程中盆地的示例性直观三层表示；图3b描述合并并且继续注水后的图3a中示例性三层表示的更新；图4描述两个盆地间平顶分割的示例性表示；以及图5描述按照本发明的一种实施方案说明的分割图像方法的示例性流程图。
具体实施例方式
本发明举例说明的实施方案描述如下。为了清楚，本说明书中没有说明所有的实际实施特性。当然应该理解的是在任何这种实际实施方案的改进中，各种具体实现的结果必须达到发明者的具体目标，例如符合制度相关的和商业相关的约束条件，这些约束条件从一种实现到另一种实现中是不同的。另外，应该理解，如此一种改进成就很可能是复杂的并且费时的，然而却是本领域技术人员在获知本发明后所进行的常规程序。
虽然本发明易于进行各种修改和可选择形式，但是具体实施方案以附图示例的方式示出并且在此进行详细描述。然而，应该理解的是这里具体实施方案的描述不是想要把本发明限制在公开的具体形式，而相反地，本发明涵盖所有在由附加的权利要求书定义的本发明精神和范围之内的修改、等价、或者替代。
将理解的是，在此描述的系统和方法可以以硬件、软件、固件、特殊用途处理器或者上述组合的各种形式实现。尤其，至少本发明的一部分优选地作为一种包括程序指令的应用进行实现，所述程序指令确实包含在一个或者多个程序存储设备中(例如，硬盘、软磁盘、RAM、ROM、CD ROM、等等)和由任一包括适当结构的设备和机器执行，例如包括处理器、存储器和输入/输出接口的普通用途数字计算机。另外还要理解的是，由于一些系统组成元件和附图中描述的过程步骤优选地在软件中执行，系统模块(或者方法步骤的逻辑流程)间的连接可根据编程本发明的方式而有所不同。通过在此给出的教导，相关领域的普通技术人员将可能预料本发明的这种或者相似的实现。
建议采用局部分水岭算子用于结构分割，例如图像的医学结构。分水岭变换是一种将一幅图像分割成很多区域而实际上保留边缘信息的技术。建议的分水岭算子是一种具有计算效率的分水岭局部实现，其在其他的分割技术中，例如种子区域生长，区域竞争和基于标记的分水岭分割，能够用作算子。术语“分水岭”是指沿下坡向最低点排水的图像区域。
种子区域生长是指一种图像分割技术，其中，从一个种子开始，收集具有处于用户定义区间的值的像素以产生一种分割结果。对每个区域进行统计量计算，也就是平均值和标准方差计算。然后，对每一个层-0确定它的相邻区域。随后，确定其中最相似的区域。最相似性准数可以是平均值或者菲希尔试验(Fisher test)结果的绝对差值，如本领域技术人员所预料的那样。再后，把该区域加到层-0上。继续该相加过程直到相似性准数比用户或者自动选择的值大。
在区域竞争中，认为有N个标记，和因此有N个层-0。对于每个区域进行统计量计算，也就是平均值和标准方差。然后，对每一个层-0，确定它的相邻区域。随后，确定其中最相似的区域。最相似性准数可以是平均值或者菲希尔试验(Fisher test)结果的绝对差值，如本领域技术人员所预料的那样。再后，得到每一个零区域的成本值。从其中选择最小的层-0区域，并且确定区域识别和标记。把该区域加到相应的标记(层-0)。继续这种迭代算法直到所有区域在标记间被分割开。
在基于标记的分水岭分割中，认为有N个由用户初始化的标记。首先，确定每个层-0区域的相邻区域(也就是，层-1)。然后，对每一个层-0，确定在层-0和其所有相邻区域之间的最小高度值。对标记Mi，称该最小值为Vi。随后，对每个层-0(表示每个标记)做同样的工作。最后，得到N个Vi。从其中选择最小的Vi并且确定区域识别和标记。把该区域添加到相应的标记(层-0)。继续这种迭代算法直到所有区域在标记间被分割开。
所建议的方法是基于从用户选择的点开始的填充操作。术语“填充”是指利用区域生长算子收集像素。从用户选择的点开始的填充形成第一个内层。同时表示和填充每个区域的两个直接的外层，使得对区域进行正确填充。第一个内层和两个外层形成3-层表示，其保证正确地和局部地计算用户选择的区域(也就是，汇水盆地)和它的分水岭线。应该理解的是，术语“层”，“区域”，“盆地”和“汇水盆地”在本公开中被互换地使用。
所建议的方法可以用作分割算法中的算子。尤其，代替在很多局部分割算法中采用的基于像素生长，通过建议的局部分水岭算子可以使用多个区域。多个区域结合到局部分割算法允许物体分界线的更精确定位，尤其当分界线是发散的情况时。定位是指物体分界线的精确计算。
分水岭分割是一种形态学的基于梯度的技术，其可以被直观地进行如下描述(1)把梯度图像看作高度图，并且把它逐渐沉浸到水中，水漏过最小的梯度点并且均匀地，整体地漫过图像；和(2)在两个不同水体(也就是，汇水盆地)相交的地方建筑“水坝”并且继续该过程直到水到达所有的图像点。
水坝提供最后分割。在图像范围内水坝可以被解释为种子生长，种子被放置在图像梯度高度图的最小值上，每次与他们的高度成比例地生长并最后聚合到梯度图的顶线。术语“最小值”是指不被具有较小值的像素(例如，较低梯度)包围的点，曲线或者平面。术语“最大值”是指不被具有较大值(例如，较高梯度)包围的点，曲线或者平面。
基于分水岭的分割可以是一种普及的方法，尤其在不能确定局部梯度(例如，具有发散边缘)的情况下。因为大部分结构包含几个汇水盆地，所以典型的分水岭分割甚至对简单的图像可以产生大量的区域。这种过量产生通常被认为是过分割问题。采用非线性平滑过滤可以有效地去除许多区域。采用如本领域技术人员所预料的区域生长技术或者标记方法可以对其他区域分组。
建议一种用于局部计算图像分水岭变换的新颖方法。该方法首要是基于从用户选择的点对区域进行填充。该方法的首要目标是填充图像的盆地并准确和局部地计算它的分界线。该目标通过三层盆地填充方法实现，其同时填充主要区域和多个直接相邻的区域。
在讨论所述三层填充方法之前，首先描述不具有优化特性的其他两个盆地填充方法。
宽度第一盆地填充盆地选取最显著的方法应该是用水填充盆地并且在盆地背脊上建筑水坝。术语“背脊”是指分开两个相邻区域的曲线(在2D或者3D表面上)。第一，利用梯度下降法计算确定用户选择区域的最小值。然后，从最小值开始用水对区域进行填充。当水位到达背脊(也就是，分水岭线)时，建造水坝(也就是，最大值点)以使水停止流向相邻区域。术语“相邻区域”是指主区域附近的区域。当区域由水坝包围时，填充过程终止。第二，也采用梯度下降法从水坝(也就是，最大值点)确定相邻区域的最小值。为用户选择区域的填充和建造水坝所使用的相同手段被递推地应用于填充相邻区域。在相邻区域填充好后，如果满足分割准则，则将相邻区域与用户选择区域合并。分割准则可以来自，例如，区域相似性或者合并后对一定能量进行最小化的能量函数。
宽度第一填充方法的实施例如下所述。采用区域生长类型算子(也就是，像素(或者点)在2D中访问8个邻域或者在3D中检查27个邻域，并且为了获得计算效率采用基于存储桶的排队来实现区域生长)进行填充过程。对于模拟水位增长(也就是，从较小的值到较高的值填充区域)排队是必要的。尤其，从区域最小值点开始，访问它的8个邻域(在2D中，或者在3D中27个邻域)，并且把这些邻域(也就是，像素或者点)放入基于邻域高度函数(也就是，高度值)的存储桶中。存储桶是指存储具有某些值的像素的存储器(例如，在软件中)。然后，从存储桶中移除具有最小值的像素用于进一步生长。检查是否该像素的邻域有较小的强度值。强度值这里是指高度值。存在具有较小强度值的像素表示在附近有分水岭线。标记该点作为最大值，并且不把其邻域放入存储桶中。该生长过程继续直到没有像素留在存储桶中(也就是，盆地被填充且被最大值点包围)。
现在参照图1，来说明这里所述宽度第一填充方法的举例应用100。如图中所示，宽度第一填充方法防止通过狭窄区域，瓶颈或者突起。也就是，水不能流经狭窄区域，因为注水在水坝(最大值)处停止。因此，不能正确地确定盆地。箭头表示引起最大值停止的像素。数字表示高度值。图中1(还有图4，下面进一步描述)的各种阴影表示分离的区域。标记M表示最大值。
图1中所述的问题(也就是，瓶颈问题)可以通过使用微分算子，例如二阶导数解决。然而，这种算子对于噪声和过滤器的大小是灵敏的。理想地，需要有一种没有高阶梯度计算的稳固的盆地填充方法。
深度第一盆地填充上面较详细叙述的宽度第一盆地填充方法是在填充过程中存在较低高度的地方建造水坝。用于计算局部分水岭变换的可替代的方法是，只要水流向相邻区域，则填充相邻区域而不是建造水坝。尤其，当像素访问具有较小的高度值的相邻像素时，计算相邻区域的最小值并且水位降低到它的最小值。该填充过程从新的最小值继续直到用户选择的盆地被充满。
现在参照图2，来说明这里所述的深度第一盆地填充的举例应用200。只要水到达水坝，水便开始从相邻区域的最小值填充相邻区域。该填充过程迭代地应用于所有相邻区域，如果相邻区域的最小值以单调递减的顺序排列则导致检查太多的区域。黑体箭头205表示水流的开始点。图2中的曲线箭头210(还有图3中，下面更进一步描述)表示水的方向流。
在深度第一盆地填充方法中，被来自不同盆地的水流经多于一次的像素被标记为“分水岭像素”，其对于两个或者多个区域是等距的。如果选择的盆地被具有较大最小值的区域包围，则该方法效果非常好。然而，当区域与几个具有较小最小值的区域(其接下来也与具有较小最小值的区域相邻)相邻时，深度第一盆地填充方法将要填充相当大数量的区域。因此，当局部生长过程极其重要时该方法不是理想的。
三层盆地填充现在提出一种三层盆地填充分水岭方法，其结合了上面较详细叙述的宽度第一盆地填充和深度第一盆地填充。现在参照图3，用户选择的感兴趣区分配给“层-0”，并且将用户选择区的直接相邻层标记为“层-1”和与将层-1区域的直接相邻区域标记为“层-2”。
由传统的分水岭算法已经表明，如果同时填充盆地的相邻区域(也就是说，水同时到达背脊)，则可以正确地计算盆地和它的分水岭线。恰恰在两个相邻区域共有最低水平背脊之前，足可以开始或者继续该填充过程。然后，三层盆地填充方法仿真这两个相邻区域之间的区域竞争，并正确地构造这两个相邻区域共有的所有分水岭线。这种特性(也就是，区域竞争特性)被用于层-1对层-0区域和层-1对层-2区域之间的三层盆地填充方法。换句话说，只要层-0和层-1达到与他们的相邻区域共有的第一分水岭线，层-0和层-1便初始化相邻区域，从而允许同时填充和对这些层之间的分水岭线进行正确的确定。另一方面，层-2区域在其检测到新区域的地方建造水坝。因而，可能会出现由于瓶颈问题层-2盆地不能被填满的情况。“瓶颈”问题是指物体经常由狭小的区域连接。当层-0和所有层-1区域完全被填满(也就是，形成所有分水岭线)时，该三层盆地填充过程停止。
分水岭方法在水到达平顶(也就是，局部平面区域)时典型地应用了特殊处理。如果平顶完全在盆地内部，则它不会引起任何问题。然而，当平顶位于两个或者更多盆地之间时，必须额外注意正确分割区域之间的平顶。距离变换被用于三层盆地填充方法来分割区域之间的平顶。特别假设像素Pi访问它的相邻像素Pj。在Pj点的距离值被定义为 其中g(P)为在P点的高度函数。上述方程采用简单的距离公制。如本领域技术人员所预料的那样，可以采用更精确的距离公制，例如欧几里得公制。然而，这样做通常要花费更多的计算时间。
方程(1)中的距离变换允许两个区域之间平顶的正确分割。然而，当层-0或层-1从平顶初始化一个区域时，出现特殊情况。现在参照图4，其示出了两个区域即区域A和区域B，它们由虚线405分离开。区域A在平顶410(水平20)上扩展直到它检测到新的区域B(也就是，它看见空的较低水平(水平18))。在扩展过程中，所有平顶点和与该平顶相邻的像素标记为区域A。当水从B初始化时，通过采用距离变换，水校正在平顶处的像素。然而，与平顶相邻的像素被标记为分水岭像素(W)，因为在这些像素上标记出区域A和区域B的冲突。特别地，区域B访问这些像素但是区域B不能改变这些像素的区域标记，因为它如区域A一样得出一个距离值。这在该方法中引起误差，当分水岭像素的像素从存储桶中被选择时，该误差被修正。特别地，如果像素的源不同，则他们被正确地标记为分水岭像素。否则，正确的区域标记被分配给这些像素并且水从这些像素开始上升。箭头指示距离扩展。
一旦层-0和层-1区域被正确填满(也就是，在存储桶中不存在像素)，该填充过程终止。现在，区域合并可以应用于层-1盆地和层-0盆地之间。当通过某些合并准则(例如，分界)将层-1区域合并到层-0盆地时，将层-1区域也标记为层-0并且层-0的区域信息相应被更新，如图3所示。图3a说明在注入过程中盆地的三层表示，图3b说明在合并和继续注水后层的更新。
另外，合并的层-1区域的所有相邻的层-2区域被更新成层-1状态。合并后，填充过程从先前水平-2区域的最大值列表中的最小值点重新开始。这可能引起层-2区域的一些部分被重复处理，但重要的是，把水位降低到标记第一个最大值的地方。水位降低到第一个最大值点允许算法对先前水平-2区域(合并后转化为层-1)的邻域初始化为新的水平-2区域，从而，避免如图1所示的瓶颈问题。填充过程继续直到在存储桶中不再有像素(也就是，所有新的层-1区域也被填充)。通过合并、更新和注水，三层盆地填充方法继续直到满足用户定义的会聚准则或者几个准则的组合，如本领域技术人员所预料的那样。在该生长过程中，层-1区域合并到层-0区域。该合并引起对其他区域的某些更新。然后重新开始填充或者注水过程。
采用分水岭算子的医学图像分割现在建议一种新的方法用于局部地和正确地计算分水岭变换。该新方法包括填充和合并过程。该填充和合并过程被称为分水岭算子。类似的，也可以轻易定义一个删减算子。这些分水岭算子(也就是，增加和删减)可以用作分割过程的基础。增加是合并、更新和填充的组合。删减被定义为从层-0删除一个区域并且标记它为层-1区域。
建议区域可以代替像素用于生长/删减算子。特殊地，我们来说明种子区域生长和区域竞争方法的思想。
与形态学运算结合，种子区域生长由于它的简单实现和近似实时的执行可以被看作医学图像应用中最实际的分割算法之一。从用户选择的点开始将像素典型地加到生长区域直到不再满足分水岭准则。如果对区域良好地隔离并且确定一个好的分水岭值(也就是，用户定义的值)，则该方法效果良好。然而，区域生长方法不能定位边缘，尤其当分界线发散时。
建议采用分水岭算子实现区域生长。不是将像素而是将盆地加到生长区域。从溢出准则中确定分水岭。特别地，溢出准则监控生长区域的大小和分割区域的直方图。如果新加的盆地在分割中明显地改变了直方图和像素的数量，则溢出发生并且终止扩展。该方法的首要优点是甚至在发散边缘的情况下能较好地定位边缘。图5示出通过这种方法的脉管和部分肾的分割。
图像分割应用分水岭算子的第二个实施例是区域竞争。区域竞争通常效果良好。然而，由于不容易合并边缘信息，所以区域竞争不能保证边缘点的分界线检测。另外，区域竞争要求高级的可变形的模型演变。
现在参照图5，结合本发明的一种实施方案，来说明分割图像的示例方法500。确定图像梯度(在505)以形成渐进图像。通过获得渐进图像中用户选择的感兴趣区形成第一层(在510)。形成多个直接与第一层相邻的第二层(在515)。形成多个直接与多个第二层相邻的第三层(在520)。利用合并准则将第一层与多个第二层之一合并(在525)以形成合并的第一层。从多个第三层的邻域开始进行填充过程(在530)。
上面较详细描述的三层盆地填充方法局部地和精确地计算分水岭变换。在其他的实现中，三层盆地填充方法可以用于大量数据集的医学结构的半自动化分割(例如，从多检测器CT机中获得CTA数据)。另外，分水岭算子可以有效地用于分割算法。
上面公开的具体实施方案只是图例说明，因为可以以不同但是等价的、在这里对本领域技术人员具有教导意义的方式对本发明进行修改和实践。另外，与下面在权利要求中所述的不同，对这里所示的构建或者设计的细节没有限制。因此明显地，对上面公开的具体实施方案可以进行改变或者修正，并且认为所有的类似方案都处于本发明的范围和精神之内。所以，所要寻求的保护在下面权利要求书中给出。
权利要求
1.分割图像的方法，包括确定图像的梯度以形成梯度图像；通过获得所述梯度图像中用户选择的感兴趣区形成第一层；形成多个直接与所述第一层相邻的第二层；形成多个直接与多个所述第二层相邻的第三层；利用合并准则将所述第一层与多个所述第二层之一合并以形成合并的第一层；和从多个第三层的邻域开始进行填充过程。
2.按照权利要求1所述的方法，其中确定图像梯度包括把Sobel算子应用于所述图像以形成所述梯度图像。
3.按照权利要求1所述的方法，其中形成第一层包括如果需添加的像素的高度值比在所述梯度图像中发现的用户选择区的高度值大，则将像素添加到所述用户选择区；和如果所述高度值较小，则初始化所述第二层。
4.按照权利要求1所述的方法，其中形成多个第二层包括如果需添加的像素的高度值比在所述梯度图像中发现的当前像素的高度值大，则将像素添加到所述用户选择区；和如果所述高度值较小，则初始化第三层。
5.按照权利要求1所述的方法，其中形成多个第三层包括当看见时，如果所述值小于所述第二层，则在第三层上建造水坝。
6.按照权利要求1所述的方法，其中利用合并准则将所述第一层与多个第二层进行合并包括利用区域竞争将所述第一层与多个第二层之一合并。
7.按照权利要求6所述的方法，其中利用区域竞争将所述第一层与多个第二层之一合并包括计算所述多个第二层之间的平均强度值；确定所述多个第二层的每个的邻域；选择领域中具有最小平均强度值的一个；并且将所述邻域的一个添加到所述第一层。
8.按照权利要求1所述的方法，其中利用合并准则将所述第一层与所述多个第二层合并包括利用种子区域生长将所述第一层与多个第二层之一合并。
9.按照权利要求8所述的方法，其中利用种子区域生长将所述第一层与多个第二层之一合并包括计算所述多个第二层之间的相似性的统计量；确定所述多个第二层的每个的邻域；基于所述统计量选择一个具有最高相似性的邻域；和将所述邻域之一添加到所述第一层。
10.按照权利要求9所述的方法，其中计算所述多个第二层之间的相似性统计量包括计算每个所述多个第二层的平均值和标准方差。
11.按照权利要求9所述的方法，其中基于所述统计量选择一个具有最高相似性的邻域包括基于平均值之间的绝对差值选择一个具有最高相似性的邻域。
12.按照权利要求9所述的方法，其中基于所述统计量选择一个具有最高相似性的邻域包括基于菲希尔精确试验选择一个具有最高相似性的邻域。
13.按照权利要求1所述的方法，其中利用合并准则将所述第一层与所述多个第二层合并包括利用基于标记的分水岭分割将所述第一层与所述多个第二层之一合并。
14.按照权利要求13所述的方法，其中利用基于标记的分水岭分割将所述第一层与所述第二层之一合并包括确定所述多个第二层的每个的邻域；确定一个在多个所述第二层的每个与所述多个第二层的每个的相应邻域之间的最小高度值V；和将所述多个第二层中具有最小值V的一个添加到所述第一层；
15.按照权利要求1所述的方法，另外包括分割位于至少两个所述第一层、所述第二层和所述第三层之间的平顶，包括给定一个访问其相邻像素Pj的像素Pi，计算Pj处的距离值 其中g(P)是P处的高度函数。
16.存储有由处理器执行的指令来执行分割图像的方法的机器可读媒体，所述方法包括确定所述图像的梯度以形成梯度图像；通过获得所述梯度图像中的用户选择的感兴趣区形成第一层；形成多个直接与所述第一层相邻的第二层；形成多个直接与所述多个第二层相邻的第三层；利用合并准则将所述第一层与所述多个第二层之一合并以形成合并的第一层；和从所述多个第三层的邻域开始进行填充过程。
17.分割图像的系统，包括用于确定图像梯度以形成梯度图像的工具；用于通过获得梯度图像中用户选择的感兴趣区形成第一层的工具；用于形成多个直接与所述第一层相邻的第二层的工具；用于形成多个直接与所述多个第二层相邻的第三层的工具；用于利用合并准则将所述第一层与所述多个第二层之一合并以形成合并的第一层的工具；和用于从所述多个第三层的邻域开始进行填充过程的工具。
全文摘要
建议局部分水岭算子用于图像中的结构分割，例如医学结构。分水岭变换是一种用于将图像分割成很多区域而实际上保留边缘信息的技术。该建议的分水岭算子是一种具有计算效率的分水岭局部实现，所述分水岭可以用作其他分割技术，例如种子区域生长、区域竞争和基于标记的分水岭分割中的算子。
文档编号G06K9/34GK1670768SQ20051005278
公开日2005年9月21日 申请日期2005年3月11日 优先权日2004年3月12日
发明者H·德 申请人:西门子共同研究公司