首先將圖像\(\mbox{RGB}\longrightarrow\mbox{GRAY}\)（也就是灰度化圖像），然後通過中值濾波去除窗口內的極大極小值（統稱爲噪聲點），達到平滑圖像的效果；
接着對圖像進行形態學重構，消除物體內部和外部的空洞（也就是尺度更大一點兒的噪聲點）；
再對圖像進行兩次分水嶺分割算法提取出物體之間的分界線：
通過極大值變換獲取前景標記
- 首先對灰度圖像進行形態學腐蝕，相當於\(\mbox{floor}\)平滑，即將局部較大像素削平；
- 然後獲取平滑後的局部極大值區域，並對其進行形態學重建開操作（保留原始圖像的邊緣信息，去除周圍的毛刺）、形態學重建閉操作（保留原始圖像的邊緣信息，填補內部的空洞）；
- 由於有些物體中前景標記到了其邊緣，故應該向內收縮一點，即進行形態學腐蝕；
- 最後進行極大值修正（變換），去除掉小面積的極大值區域（自定義閾值）；
第一次分水嶺分割獲取背景標記（有標記矩陣）
- 首先使用\(\mbox{OTSU}\)（最大類間方差法）將圖像進行二值化處理，初步分離出物體與背景；
- 然後獲取距離轉換圖像（\(\mbox{DT}\)），並對其進行歸一化（\(\mbox{normalize}\)），作爲實際前景的一部分；
- 將原始二值化圖進行形態學膨脹，得到的黑色區域便爲實際背景的一部分；
- 現在已知前景和背景的部分分佈，剩下的一部分便是未知區域（\(\mbox{unknown}\)）；
- 最後進行分水嶺分割，得出各個前景、背景以及分割線（分水嶺線），但只需要背景標記；
第二次分水嶺分割（沒有標記矩陣）
將上兩步得到的前景標記和背景標記通過按位或融合爲一張圖；
對融合後的圖進行強制最小技術（\(\mbox{minima}\) \(\mbox{imposition}\)）；
強制最小技術：將梯度圖中的感興趣區域設置爲-∞，這樣可以忽略掉已知區域的細枝末節；
然後對其進行不含標記的分水嶺分割，得到最終的前景、背景以及分割線（分水嶺線）；
由於CV只能檢測表面的物料分佈，對於堆疊的物料無能爲力，所以利用反向傳播神經網絡（\(\mbox{BP}\) \(\mbox{CNN}\)）構建出CV檢測表面分佈爲輸入、實際篩分整體分佈爲輸出的模型；