高光谱影像是一个三维的海量数据立方体，如果对高光谱图像直接进行分割，那么算法运算量会很大；如果对高光谱影像先进行数据降维再进行分割，则会损失图像的部分细节信息，影响分割效果。本文提出一种基于光谱角空间变换的高光谱图像分割方法，首先计算每个像元与其周围领域像元之间的光谱夹角，并把这些光谱角的值作为坐标值，将像元映射到一个低维空间中，计算低维空间中样本点到原点的距离并将其转换为灰度值，从而生成一幅突出了地物区块边缘信息的灰度图像。然后利用分水岭变换对生成的灰度图像进行分割，提取分割后各区块局部极小值点的光谱矢量，进行对比分析，将具有相似光谱矢量的区块合并，以解决分水岭变换的过分割问题。最后采用美国印第安纳州的 AVIRIS高光谱数据对本文算法进行了验证和分析。实验结果表明，相比 SVM、ECHO、SVMMSF等高光谱图像分割方法，本文方法能够获得更高的图像分割精度。

各种改进的分水岭变换是目前应用最广的二维凝胶电泳(2DGE)图像蛋白质点分割算法。其中标记控制分水岭分割效果较好, 但由于忽略了蛋白质点大小和形状, 导致外标记落在部分蛋白质点区域内而无法正确分割。针对该问题, 提出一种结合2DGE先验的分水岭分割方法。首先, 根据2DGE图像蛋白质点中心灰度极小先验提取中心标记, 并通过中心标记膨胀提取距离标记; 然后, 根据2DGE图像背景灰度极大先验, 在距离标记划分的区块内提取原始2DGE图的局部自然分区标记, 并对二者进行融合优化, 获得最佳背景标记; 最后在梯度图像各区块内进行分水岭变换, 提取蛋白质点边缘。通过对四组真实扫描2DGE图像进行实验, 结果表明, 该方法明显改善了蛋白质点边缘检测正确率。

传统分水岭变换图像分割方法容易造成过度分割, 不利于后期的图像分析与处理。采用一种分水岭变换结合区域特征合并的方法, 首先将原始图像进行形态学变换, 获取梯度图像; 再进行分水岭变换, 并将运算后的结果进行基于区域纹理、灰度一致性及区域平滑性等特征的区域合并; 最终获取分割结果。实验结果表明, 与传统分水岭变换方法相比, 该方法能够有效降低因噪声、明暗纹理产生的过分割现象, 方法可行、有效。

利用数学形态学的基本理论,提出了一种基于局部最小代价分水岭算法的图像分割新方法.该方法应用数学形态学的腐蚀、膨胀及坎尼(canny)算子将图像中包含外边沿的部分分割出来;对该局部区域进行最小代价的分水岭变换;提出了解决过度分割问题的一些准则.实验结果表明,该方法不但节省运行时间,而且其能够提取出目标的完整精确的外轮廓边沿,从而在某些特定的应用领域具有独特的优势.