09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

The Watershed Transform: Strategies for Image Segmentation
By Steve Eddins, MathWorks

The term watershed refers to a ridge that divides areas drained by different river systems. A catchment basin is the geographical area draining into a river or
reservoir.

So how are watersheds and catchment basins related to analyzing biological tissue, studying galaxies, or researching new semiconductor technology? And
what is the connection to image processing?

The connection is through computer analysis of objects in digital images. The objects could be anything: blood cells, stars, toner spots on a printed page, DNA
microarray elements, or even quantum semiconductor dots, as in this image.

Atomic force microscope image of quantum semiconductor dots formed during the deposition of indium arsenide onto gallium arsenide. (Courtesy of Ian Farrer,
Semiconductor Physics Group, University of Cambridge.)

Computer analysis of image objects starts with finding them­deciding which pixels belong to each object. This is called image segmentation, the process of
separating objects from the background, as well as from each other. R. Gonzalez and R. Woods write in their widely used textbook (Digital Image Processing)
that "segmentation of nontrivial images is one of the most difficult tasks in image processing. Segmentation accuracy determines the success or failure of
computerized analysis procedures."

The latest release (Version 3) of the Image Processing Toolbox includes new functions for computing and applying the watershed transform, a powerful tool for
solving image segmentation problems.

Understanding the watershed transform requires that you think of an image as a surface. For example, consider the image below:

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 1/9
09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

Synthetically generated image of two dark blobs.

If you imagine that bright areas are "high" and dark areas are "low," then it might look like the surface (left). With surfaces, it is natural to think in terms of
catchment basins and watershed lines. The Image Processing Toolbox function watershed can find the catchment basins and watershed lines for any grayscale
image. The key behind using the watershed transform for segmentation is this: Change your image into another image whose catchment basins are the objects
you want to identify.

Multidimensional Image Processing
Many of the new Image Processing Toolbox functions support multidimensional image processing. The
surfaces illustrated on the cover expand this binary image example to three dimensions. The graphics show
two spherical touching objects, transparent isosurfaces of the distance transform, and the segmented result
computed with the 3­D watershed transform. The new deblurring, spatial transformation, morphology, and
filtering tools in the Toolbox also support multidimensional image processing.

Example 1: Segmenting a Binary Image
Consider the task of separating the two touching objects in this binary image. How can we modify this image so its catchment basins are two circular objects?

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 2/9
09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

To do this we'll use another new tool in the Image Processing Toolbox:  bwdist , which computes the distance transform. The distance transform of a binary

image is the distance from every pixel to the nearest nonzero­valued pixel, as this example shows.

The distance transform of the binary image, computed using  bwdist(BW) , looks like image A (left).

A small binary image (left) and its distance
This image is not very useful, because there is only one catchment basin spanning the entire image.
transform (right). Instead, try computing the distance transform of the image's complement:

D = bwdist(~BW); % image B (above) 

This image is closer, but we need to negate the distance transform to turn the two bright areas into catchment basins.

D = ‐bwdist(~BW); % image C (above) 

Now there is one catchment basin for each object, so we call the watershed function.  L  =

watershed(D); 

L  is called a label matrix, and it contains positive integers corresponding to the locations of each catchment basin. We can use the zero­valued elements of  L ,
which are located along the watershed lines, to separate the objects in the original image.

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 3/9
09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

BW(L == 0) = 0; 
imshow(BW) % Segmented image D (above) 

Example 2: Segmenting the Quantum Dots

The quantum dots image requires more work to make it suitable for watershed segmentation. First, we convert the image to grayscale and use a morphological
top­hat operator (one of many new grayscale morphological tools) with a disk­shaped structuring element to smooth out the uneven illumination.

I = rgb2gray(RGB); 
I2 = imtophat(I, strel('disk', 10)); 

Second, we use a new function called  graythresh  to determine a good threshold for converting the

image to binary.

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 4/9
09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

level = graythresh(I2); 
BW = im2bw(I2,level); 

Finally, we compute the distance transform of the complemented binary image, modify it to force the background to be its own catchment basin, and compute
the watershed transform. The new function  label2rgb  is used to display the segmented objects using different colors.

D = ‐bwdist(~BW);
D(~BW) = ‐Inf; 
L = watershed(D);
imshow(label2rgb(L,'jet','w')) 

Example 3: Segmenting Steel Grains

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 5/9
09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

Our final example, a microscope image of steel grains, looks like a natural for watershed segmentation, since the light areas are already fairly well separated by
dark lines.

Microscope image of steel grains. (Courtesy of J. C. Russ, author of Image Processing Handbook, CRC Press.)

We could simply compute the watershed of the complemented image.

L = watershed(imcomplement(I)); 

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 6/9
09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

Unfortunately that doesn't work so well, as you can see below:

The result, oversegmentation, is a well­known phenomenon in watershed segmentation. Oversegmentation occurs because every regional minimum, even if
tiny and insignificant, forms its own catchment basin. One solution is to modify the image to remove minima that are too shallow. That is exactly what the h­
minimatransform ( imhmin ) does.

I2 = imcomplement(I); 
I3 = imhmin(I2,20); %20 is the height threshold for suppressing shallow minima
L = watershed(I3); 

Here is the much improved result.

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 7/9
09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

You have read about several ways to segment an image using the watershed transform. Another technique, known as marker­controlled watershed
segmentation, is described on the Image Processing Toolbox example page (www.mathworks.com/products/image/code­examples.html). To learn more about
how to use the watershed transform in your own work, check out For Further Reading.

What's New in Image Processing Toolbox 3
The 63 new toolbox functions substantially extend its capabilities in these major areas:

Grayscale morphology
Spatial transformations
Image registration
Image deblurring
DICOM import
Multidimensional image processing
Integer image arithmetic and filtering
Tools that facilitate instrument control in an easy­to­use graphical environment
Functions for determining your computer's available hardware
Communication with multiple instruments within one MATLAB session

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 8/9
09/12/2016 The Watershed Transform: Strategies for Image Segmentation ­ MATLAB & Simulink

For more information about the new release, see: www.mathworks.com/products/image/whatsnew.html

Published 2002

https://in.mathworks.com/company/newsletters/articles/the­watershed­transform­strategies­for­image­segmentation.html?action=changeCountry 9/9