基于图像梯度的标记点生成算法是什么？

分水岭算法分割结果的好环依赖于注水点(标记点)的位置选取，Vincent将每个局部极小值作为标记，由于地物目标本身的纹理以及噪声的存在等原因，同一目标仍然会有多个极小值点，仍将产生严重的过分割现象，许多研究者提出了不同的算法改进标记的选取。

Shafarenko等通过对原图像进行形态学“闭”运算来对伪谷底进行填充，以获取更有意义的局部极值点作为标记； Lezoray 和Cardot从贝叶斯分类器分类的结果中选取标记:席英采用Canny算子对原始图像进行边缘检测，用边缘检测得到的二值图像作为标记图像，用标记图像限制修改梯度图像，然后再对修改后的梯度图像进行分水岭分割。巫兆聪等利用高斯低通滤波和概率统计相结合的方法，对梯度图像进行区域自适应阈值分割，提取分割标记，然后采用Meyer算法进行标记分水岭分割。

这些改进方法的思想都是在进行分水岭分割时，既要保证区域内的均质性，又能使区域间的异质性得到充分体现，所以在变化较小的区域有较少的标记点，在变化较大的区域有较多的标记点。为此目的，借鉴已有研究，本书提出一个较为简单的种子点生成算法:以梯度图像为依据，通过多阈值限定，自动生成适合的标记点。具体算法如下。

(1)对原图像img0进行高斯低通滤波，消除噪声。

(2)将去噪后的图像转换为灰度图像img1,利用Sobel 算子计算每个像元的梯度，得到梯度图像img2。

(3)将梯度图像中平缓区域选为标记点，即对img2做阈值分割(小于threshold1)得到标记点图像img3。

(4)利用数学形态学腐蚀运算，将img3中的零散标记点去除，得到图像img4=img3B,腐蚀算子。

(5)对img4中的非标记点区域，按一定密度随机插入标记点，得标记点图像ing.

(6)由于边界上的标记点生成的区域不会被合并到相邻对象中，而这些区域又不应出现，所以需要将边界上的标记点去除，即img2中大于theshold2 的标记点去除，得到最终的标记点图像img6。

(7)以ing6作为标记点，进行分水岭分制，得到标记的分制图像img7，该图像中以记号标记每个像元所属区域，并形成1像素宽的分水岭。

(8)最后，根据光谱最邻近原则将img7中的分水岭划分到区域中。