话不多说，上代码，看结果。
import cv2 # 导入库
import numpy as np
'''
cv2.imread(filename,flags)
# filename为文件名，图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型，默认为1，灰度图像为0
'''
img = cv2.imread('84.jpg')
'''
np.copy()
# 数组拷贝，理解成备份原图像就行
# 原图像img， 备份图像img1
# 原图像随便改，备份图像还是初始的原图像
'''
temp = img.copy()
'''
cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像，后者为转换的格式
# 颜色空间有很多种，最常见的就是RGB颜色空间
# R红色，G绿色，B蓝色，OpenCV中顺序是BGR！！！！！！！
# [255, 0,0]是蓝色，[0, 255, 0]表示绿色，[0， 0， 255]表示红色
HSV颜色空间
# 也挺常用的，H是色调，S是饱和度，V是明度，具体百度就行
'''
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
'''
cv2.namedWindow(winname,flags)
# winname是窗口名字
# flags为窗口显示方式，cv2.WINDOW_NORMAL为正常显示，可以调整大小
# cv2.WINDOW_AUTOSIZE显示原图片的大小，用户不能调整大小
'''
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
'''
cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow("img", img) # 显示图片
"""
完成分水岭算法步骤：
1、加载原始图像
2、阈值分割，将图像分割为黑白两个部分
3、对图像进行开运算，即先腐蚀在膨胀
4、对开运算的结果再进行 膨胀，得到大部分是背景的区域
5、通过距离变换 Distance Transform 获取前景区域
6、背景区域sure_bg 和前景区域sure_fg相减，得到即有前景又有背景的重合区域
7、连通区域处理
8、最后使用分水岭算法
"""
'''
cv2.threshold(src, thresh, maxval, type, dst)
给定阈值，可以过滤灰度值过大或过小的点
# src 要滤波的图像 dst 输出图像
# thresh 给定阈值 咋判断选取的这个数的好坏呢？不停尝试。
# 用Otsu 不停尝试
# 多加一个参数：cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化，返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY 二值化阈值，大于阈值的部分被置为255，小于部分被置为0
# cv2.THRESH_BINARY_INV 反向二值化阈值，大于阈值部分被置为0，小于部分被置为255
# cv2.THRESH_TOZERO 大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV 大于阈值部分被置为0，小于部分保持不变
# cv2.THRESH_TRUNC 截断阈值化，大于阈值部分被置为threshold，小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
cv2.imshow("thresh", thresh) # 显示图片
'''
cv2.morphologyEx(src, op, kernel, dst, anchor, iterations, borderType, borderValue)
# src 要开运算的图像 dst 输出图像
# op 表示形态学运算的类型, 可以取如下值
# cv2.MORPH_OPEN 先腐蚀后膨胀的过程。开运算可以用来消除小黑点，在纤细点处分离物体、平滑较大物体的边界的 同时并不明显改变其面积。
# cv2.MORPH_CLOSE 先膨胀后腐蚀的过程。闭运算可以用来排除小黑洞。
# cv2.MORPH_GRADIENT 形态学梯度是膨胀图与腐蚀图之差, 对二值图可以将团块(blob)边缘凸显出来, 可以用其来保留边缘轮廓。
# cv2.MORPH_TOPHAT 顶帽(top-hat)：将突出比原轮廓亮的部分。
# cv2.MORPH_BLACKHAT 将突出比原轮廓暗的部分。
# kerenl 腐蚀操作的核, 当为NULL时, 表示使用参考点位于中心的3x3的核
# 一般使用cv2.getStructuringElement获得指定形状和尺寸的结构元素(核)
# kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) # 椭圆结构
# kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3)) # 十字结构
# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) # 矩形结构
# kernel = NULL时, 表示使用参考点位于中心的3x3的核
# anchor 锚的位置, 默认值Point(-1,-1), 表示位于中心
# interations: 开运算的次数
# borderType: 边界模式, 一般采用默认值
# borderValue: 边界值, 一般采用默认值
'''
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) # 椭圆结构
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
cv2.imshow("opening", opening) # 显示图片
# 对“开运算”的结果进行膨胀，得到大部分都是背景的区域
sure_bg = cv2.dilate(opening, kernel, iterations=3)
cv2.imshow("sure_bg", sure_bg)
# 通过distanceTransform获取前景区域
'''
cv2.distanceTransform(src,distanceType, maskSize, dst, dstType)
# src 输入图像 dst 输出图像
# distanceType 选取距离的类型, 可为CV_DIST_L1等，具体如下：
DIST_L1 = 1 //!< distance = |x1-x2| + |y1-y2|
DIST_L2 = 2 //!< the simple euclidean distance
DIST_C = 3 //!< distance = max(|x1-x2|,|y1-y2|)
DIST_L12 = 4 //!< L1-L2 metric: distance =2(sqrt(1+x*x/2) - 1))
DIST_FAIR = 5 //!< distance = c^2(|x|/c-log(1+|x|/c)),c = 1.3998
DIST_WELSCH = 6 //!< distance = c^2/2(1-exp(-(x/c)^2)), c= 2.9846
DIST_HUBER = 7 //!< distance = |x|
结果如下图。
就先这样，遇到别的再补充。
