1.一种基于优化标记和边缘约束分水岭算法的泡沫图像分割方法，其特征在于，包括以下步骤：

1)对摄像机拍摄的浮选泡沫视频进行等间隔地截取一帧图像构成原始样本集f＝(f1,f2,...,f50)，样本集中包含50张具有大、中、小三种不同尺寸泡沫的泡沫图像，每幅图像的大小为692像素值×518像素值；

2)从步骤1)得到的数据集中选取待分割图像Gw进行预处理，在预处理过程中，首先使用多尺度Retinex算法对待分割图像Gw进行图像对比度增强，得到图像增强后的泡沫图像fie，然后使用双边滤波对泡沫图像fie进行滤波操作，减少泡沫图像fie中的纹理噪声，得到滤波后的泡沫图像fdf；

3)新建一幅与预处理后图像大小一致的图像作为复制图像f′df，将预处理后的图像fdf进行形态学处理，首先，使用尺度为3的圆形结构元素对图像fdf进行膨胀和腐蚀操作，其次，对图像fdf进行顶帽和底帽操作得到顶帽操作结果ftop和底帽操作结果fbot，再使用图像fdf加上顶帽操作结果ftop并减去底帽操作结果fbot得到变换后的图像fo，最后，使用形态学操作来平滑图像fo，具体为：首先，采用开操作得到模板go，再使用fo图像作为标记图像进行重建操作得到foc，最后使用闭操作得到模板goc进行重建操作得到图像focr；

4)对形态学处理后的图像focr进行前景标记的提取，使用模糊C均值算法、形态学重构法和自适应阈值法分别对图像focr提取前景标记，在模糊C均值算法中，设置聚类数量C为3，在3类聚类中选择面积最小的聚类区域作为前景标记提取结果，并将前景标记提取结果作为第一标记区域S1init，然后使用形态学重构法对图像focr提取前景标记作为第二标记区域S2init，采用最大类间方差法实现两种尺度的阈值，并将第二标记区域分为两个区域S2Sinit和S2Minit，分别对应低深度和高深度阈值提取的前景标记区域，S2Sinit用来提取大部分大泡沫中心亮点，其中含有粘连泡沫亮点，S2Minit用来提取大部分泡沫中心亮点，包含较少的粘连泡沫，最后使用最大类间方差法直接对图像focr进行提取，得到第三标记区域S3init；

5)将步骤4)中三种不同方法提取的前景标记区域进行组合优化，首先将第一标记区域S1init和第二标记低深度区域S2Sinit进行合并，然后与第三标记区域S3init求交集，得到小泡沫区域组合标记Ssmall，Ssmall计算公式如下：Ssmall＝(S1init∪S2Sinit)∩S3init     (1)再将第三标记区域S3init中面积大于面积阈值Sthre的部分提取出来与第二标记高深度区域S2Minit求交集，得到大泡沫组合标记Sbig，Sbig计算公式如下：最后将小泡沫组合标记和大泡沫组合标记进行合并，得到最终的组合前景标记Sopt；

6)对步骤3)中复制的图像f′df使用高斯拉普拉斯算子和形态学算子进行边缘提取，在高斯拉普拉斯算子提取边缘得到图像f′lap后，使用尺寸为3的圆形形态学算子对泡沫图像f′df进行边缘提取得到图像f′shape，将两种边缘图像进行融合得到合并边缘图像f′tog，然后使用自适应阈值法将图像f′tog转换为边缘二值图像f′out；

7)将预处理后的图像fdf取反得到梯度图fgrad，并在梯度图fgrad上将步骤5)中提取的组合前景标记Sopt设置为最低梯度区域，即为分水岭算法的种子点，同时将步骤6)中提取的边缘二值图像f′out设置为最高梯度值，即为边缘约束，最后得到变换后的梯度图f′grad；

8)对变换后的梯度图f′grad使用分水岭算法进行分割，得到最终的分割图像flast，为了验证本发明通过组合标记和边缘约束解决分水岭算法分割数量错误和分割线偏移问题的可行性，从数据集中选取包含大、中、小3种不同尺寸的泡沫图片，并与另外两种最新的改进分水岭算法进行对比，通过比较三者在相同图片上分割的定性评价和定量评价来判别本发明提出方法的有效性。