网上摘录的：“分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。
分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5 式中，f(x,y)表示原始图像，grad{.}表示梯度运算。分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。
为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。
Opencv中cvWatershed(const Mat &image , Mat& markers)；函数并不是上述采用传统的方法。markers即是输入矩阵也是输出矩阵，大小与image大小相同。使用该函数的时候，用户在markers矩阵中必须粗略指定两种以上区域，该区域为1个点以上的连通点集，并用不同的正整数(1，2，3…)标记。这些区域可以用cvFindContour(),和cvDrawContour()标记。用户或算法可以通过画一条简单的线，有效地告知分水岭算法把这些点组合起来。markers矩阵其他区域为0。调用cvWatered()函数后，markers矩阵中所有为0的部分被重新标记为正整数，或为-1，-1代表住起来的坝。详细的部分可以参数opencv中自带的Watershed Demo。
Opencv中cvWatershed()函数的原理，可以参考F. Meyer.《Color image segmentation》
分水岭分割技术是一种很优秀的且得到了广泛应用的分割技术，从本质上讲，它属于一种基于区域增长的分割方法，但它得到的确是目标的边界，且是连续、 闭合、但像素宽的边界。在很多领域，这种分割技术都得到了广泛的应用，但分水岭分割却有一个致命的弱点，那就是容易产生过分割，对于噪声和细密纹理非常敏 感，使其常常产生严重的过分割结果。所以，针对这个问题，很多人提出了很多种改进的分水岭分割技术。综合来讲，大概也就三类。其一，分割预处理。既在应用 分水岭分割之前对图像进行一些预处理，诸如除噪，求梯度图像，形态学重建，标记前景背景等等，一个目的，减少小的积水盆，从而减少过分割区域的数量。其 二，分割后处理。既在应用分水岭分割之后对结果图像进行合并处理。如果初始分割产生过多小区域，合并处理会具有很大的运算量，所以后处理的时间复杂度经常 较高，还有合并准则的确定，也是一件比较麻烦的事情，通常有基于相邻区域的平均灰度信息和边界强度信息的合并准则，不同的合并准则会得到不同的分割结果。 其三，就是既有预处理又有后处理的分割技术了，根据具体应用领域的要求，如果只是采取预处理或后处理还不能得到满意的效果，那就把他们都用上试试了。