将图像中有价值的区块分割出来,这是机器视觉和模式识别技术的基础环节和重要部分。因为彩色图像具有更多的内容,所以其包含的信息量会多于灰度图像,随着彩色图像的多样化,呈现方式的复杂化,彩色图像被人们更多地应用于各种场合。本文提出了一种新的基于HSV彩色空间模型的标记分水岭分割算法,将基于最大梯度值的多尺度结构元素的标记分水岭变换和自动种子区块增长算法结合使用,具体内容如下:首先将原始彩色图像由RGB彩色模型变换为HSV彩色模型,依次针对H、S、V三个分量,选取最大半径为m的“disk”结构元素,采用基于最大梯度值的多尺寸结构元素实现形态学开闭重建,并标记出各梯度图像的深局部极小值,而后进行分水岭变换。改进分水岭方法结合了多尺寸结构元素对图像的影响,如此可以改善过分割现象。通过自动阈值选择种子区块进行区块增长,本文选择的方法是一种基于色调平均值差的方法来选取种子区块,假如当前选定的种子区块与其相邻区块的相对欧式距离不超过一个阂值T,那么将这两个区块实现和并。这不仅使得计算量减轻,还能取得较好的效果。最后进行极小区块的合并。本文方法通过VC++6.0+matlab实现仿真计算,通过和直观定义的分水岭分割方法对比,结论显示本文方法效果更好。为了准确地评价图像分割的有效性,对150幅样本图片进行了分割实验,结果显示分割成功率为92%,说明本文算法是有效可行的。