最近要考试了，所以现在不写，怕这段时间都没空写了。（算法的效率暂时不考虑，有时间了再来解决彩色信息和效率问题）
继上一篇的算法：http://blog.csdn.net/abcd_d_/article/details/41218549，本文对分水岭算法进行了区域合并，合并准则采用hsv颜色空间的区域特征的直方图相似度进行合并。且看效果：图一是原图，图二是采用之前的文章算法的效果，图三为进行了区域合并后的效果。（大小被我调整过）
（图一）
（图二）
（图三）
在第一篇的基础之上，增加了区域合并算法，也就是下图中划横线的两个关键方法。可以从上图中看出，区域合并能有效去除过分割问题。
第一个方法相对简单，遍历图像找出领域关系，并存储在hashMap的一个对象nodes中。关键在第二个方法arearCombine（）,它需要遍历nodes中的区域，并根据合并准则（这里是面积大小和区域相似度），判断是否把该区域合并到合适的领域中，这样两个区域就变为一个新区域。（这里涉及到邻接图的合并） 这样一遍一遍下来，直到没有区域被合并为止。
问题看似简单，但是问题来了，就是nodes这个数据结构每一次遍历后都会被修改，因此涉及到hashMap等集合不同在遍历的同时，又对其进行修改的问题。本文的方法比较笨，就是采用先记录下要修改的信息，然后在遍历完成之后再进行修改（这个麻烦，有更好的方法的朋友，请不吝赐教^_^）。
最后说明一下，本文要根据区域特征进行合并，所以添加了一个辅助类Img_Area_Feature ,该类记录下区域特征，并且进行区域的一些合并或者添加像素点操作。另外，文章的区域合并算法的关键在于合并准则的选择，修改size（面积）、similarity（相似度）的判断标准则，以及修改相似的判断方法均对效果产生直接影响，这也是这个合并算法的不足之处。
/**
* ///此处的合并准则直接影响合并效果！！！！！！！！！！！！！！！！！！！！
*/
if(size<30){
////少于10个像素，则合并到其中一个临域中
simMap.put(similarity, child.getKey());
}else if(similarity<0.1&&similarity!=-1&&size<500){
///大于10个像素，则根据与临域的饱和度差和色调差选择性合并
simMap.put(similarity, child.getKey());
}else if(similarity<0.2&&similarity!=-1&&size<200){
///大于10个像素，则根据与临域的饱和度差和色调差选择性合并
simMap.put(similarity, child.getKey());
}
例如，将上面的判断条件size<30改为size<100则效果如下图（图四），可以发现效果变化很明显：
：
（图四）
最后附上代码地址：http://download.csdn.net/detail/abcd_d_/8223951 （要一个积分：最近要下载，积分紧张，所以。。。）