基于深度学习的分水岭算法
文章目录
前言
在2018 Kaggle Data Science Bowl竞赛中，分水岭算法成功应用于细胞核的实例分割，用于解决相邻细胞体的分割问题。本博文将简单来介绍这个方法。
基于标记的分水岭算法
分水岭算法（watershed）,又名模拟浸水法，它是以拓扑学中的数学形态学的图像处理作为基础的图像分割算法。其基本的思想是将图像看作为地理学中的拓扑地形图，这其中由“山谷”和“山峰”，通过模拟自底向上浸水来实现整个算法过程。
但是上述方法非常容易造成过分割，如下图所示。
基于标记（mark）的分水岭算法可以较好地处理过度分割的现象，其实就是 利用先验知识，来引导分水岭算法，以便获得较好的分割效果。一般的标记影像， 都是先定义了一些灰度层级在某个区域，然后在洪水淹没该区域的过程中，水平 面都是从预先标定的高度开始，这样可避免分割一些较小的噪声极值区域。如下图所示，通过指定标记的区域，可以得到较好的分割效果。
分水岭算法在深度学习上的应用
如下热力图所示，就 遥感影像建筑物个体而言，从其几何中心往外，其概率值一般都是由高到低，大体呈现金字塔状，边缘表现不自信，这就为基于标签的分水岭算法提供了条件。
处理过程中，部分效果图展示。