图像处理领域中,图像分割是图像后续处理的一个至关重要的技术。图像分割能够将图像中感兴趣的区域分割出来,是图像分析、提取图像特征以及图像理解的基础步骤,得到了图像处理领域中研究者们对其越来越多的关注,并提出了很多的图像分割方法。其中在图像分割方法中应用数学形态学是近几年图像分割的热点之一,较为典型的是基于形态学的分水岭分割算法。分水岭算法因自身具有的优点被广泛应用于各个领域,其优点是对图像中目标轮廓提取较好并且操作简单。但同时也具有过分割的缺点,使得图像分割结果并不理想。主要原因是分水岭算法对图像中存在的噪声和其它的干扰因素具有较强的响应,所以在对图像直接进行分水岭算法时容易产生过分割现象,造成感兴趣区域不能被很好的提取出来。研究者们虽然提出了分水岭分割前处理和分水岭分割后处理的解决办法,但过分割问题仍然存在。本文针对现有的分水岭算法引起的过分割问题进行研究,主要研究内容如下:(1)解决分水岭算法引起的过分割问题是使用分水岭算法进行分割的前提。为了解决过分割问题,本文提出了将SLIC算法和分水岭算法结合的方法,首先对输入图像计算图像复杂度,以及与图像的大小计算预分割的超像素个数,并利用SLIC对原始图像进行超像素分割预处理,使得后续处理中的数据冗余信息减少;然后为了能够消除图像中的噪声,得到较完整的轮廓信息,提出了一种能够自适应获得阈值的方法,并对预处理后图像的梯度图像进行阈值处理;最后,对进行极小值标记提取得到的图像经过分水岭分割算法减少过分割现象获得更佳的分割结果。实验结果表明,该算法有效的解决了过分割问题,获得了较理想的分割结果。(2)为了更好地解决过分割现象,将深度学习和分水岭算法结合,但现存算法对图像边缘分割不佳。为了解决此问题,提出了一种基于改进的深度分水岭算法的实例分割方法,首先将原图像转换为RGB、HSV和Lab颜色空间图像,获得三种颜色空间的图像;其次基于Color Net的思想利用Deep Lab V3+网络对三种颜色空间图像进行训练,获得三种语义分割结果图,并将分割图像进行像素级融合,得到具有丰富像素信息的图像,改善图像语义分割结果;最后将所得语义分割结果图和RGB原图像同时作为基于深度学习的分水岭算法网络的输入,进而提高图像分割的精确度。(3)为了更好的在基于改进的深度分水岭算法的实例分割算法中融入更丰富的上下文信息,提出了改进的Deep Lab V3+网络,将位置注意力模块加入网络中,更好的考虑图像中各个位置的联系和相关性,减少误分割,获得更好的实例分割结果。首先将转换颜色空间后的图像用改进的Deep Lab V3+网络进行训练,将语义分割结果进行融合;然后将融合图像和RGB原图像共同作为方向网络和分水岭变换网络的输入,更好地利用图像语义细节信息获得改善的实例分割,最后将语义分割结果和实例分割结果通过加权预测获得全景分割。