1.几种算子图像边缘提取:
程序代码如下:
运行结果:
原图为一堆苹果(彩图),各算子处理后的边缘提取图:
分水岭算法实现:
a.直接对图像进行分水岭算法处理
代码如下：（原图还是上题一堆苹果）
运行结果如右图：
很明显，属于过度分割了。

下面有改进算法：
b.改进算法代码如下：
实现包括下列步骤：
(1)读图像。

读入图像
(2)对比度最大化。

注意到图像中有许多彼此连通的
不同大小的对象。

为使通过watershed变换找到的低
谷数目最小，我们使感兴趣的对象的对比度达到最
大。

对比度增强的一个常用的技术是综合应用top—
hat和bottom—hat变换。

top—hat变换定义为原图像和它的开之差。

图像的
开是一与特定结构元素匹配的图像前景部分的集合。

bottom—hat变换定义为在原图像和它的闭之间的
差。

图像的闭是一与特定结构元素匹配的图像背景
的集合。

通用的结构元素是正方形，长方形，圆盘，菱
形，球和线。

既然图像中我们感兴趣的目标对象看
起来像圆盘，我们用strel函数建立一个半径为15个
像素的圆盘形结构元素。

这个圆盘尺度是图像中的
目标对象的平均半径的一个估计。

(3)图像相加减。

为使目标对象与分隔它们的间隙之
间的对比达到最大，用“原图top—hat图像+bottom
—hat图像”得到增强的结果图。

(
4)转换感兴趣的对象。

调用watershed变换找出图像
的亮度”低谷”，把imcomplement作用
增强过的图像上，将感兴趣的目标对象转换为亮度低谷，得到增强图的补图。

(5)检测亮度低谷。

对所得补图运用imextendedmin函数检测低于某特别阈值的所有亮度低谷。

imextendedmin函数的输出是一个二值(逻辑值)图像。

二值图像中重要的是区域的位置而非区域的大小。

用imimposemin函数把补图改为只含有那些由imtendedmin函数找到的低谷，并将低谷的像素值变为O(8位图像可能的深谷)。

(6)watershed分割。

通过watershed变换，可找出来所有含有强加给最小值的区域。

用watershed函数实现watershed分割。

watershed函数返回一个标记矩阵，它含有对应于watershed区域的非负数。

凡未落入任何watershed区域的像素均被赋予像素值0。

用
label2rgb把一个标记矩阵变为一幅图像。

运行结果：
对于改进后的算法，过度分割的现象不明显或者根本觉察不出。