有人知道从二值化图像中去除幽灵对象的后处理算法吗？问题:
当我使用例如 niblack 方法或 bernsen 对图像进行二值化时，
它会产生很多噪音。我在红书或者网络上写过关于二值化的文章，都说Niblack等人的二值化方法需要后期处理，
但是他们没有说它是什么，后处理操作。所以请，如果有人知道，请告诉我。
编辑:
原图:
alt text http://i.piccy.info/i4/20/63/b970ab2ca66e997f421e969a1657.bmp
Bernsen 阈值 winsize 31，对比度差 15:
alt text http://i.piccy.info/i4/32/55/2f1e0293311119986bd49529e579.bmp
Bernsen 阈值 winsize 31，对比度差 31:
alt text http://i.piccy.info/i4/2a/13/774508890030b93201458986bbd2.bmp
Niblack 方法窗口大小为 15，k_value 为 0.2:
alt text http://i.piccy.info/i4/12/4f/fa6fc09bcba7a7e3245d670cbfa5.bmp
Niblack 方法窗口 size-31，k_value 0.2:
alt text http://i.piccy.info/i4/c0/fd/1f190077abba2aeea89398358fc0.bmp
编辑2:
如您所见，Niblack 阈值产生了很多噪音。
如果我缩小窗口大小，黑色方块内部会变得有点白。
Bernsen 更好 - 噪音更少，但即使我将对比度差异更大，
但是有一个问题，我现在无法生成图像，换句话说，问题是:
如果图像包含一些颜色接近白色的物体，并且背景为白色，
所以如果有一个区域(例如线)是黑色的，那么这个方法会忽略对象并且结果是错误的。
那是因为 Bernsen 方法使用这个公式:
在每个像素计算对比度差异
差异=maximum_grayscale_value - minimum_grayscale_value
然后用diff计算阈值，
但在我上面写的情况下，我们的最大值为 255
和最小值为 0。
所以阈值为 128，
但实际物体颜色在 128 以上(接近白色)。
所以我需要使用一些后处理操作来正确地进行二值化。
有什么想法吗？
最佳答案
使用 K-means 完成 Python 程序，K-means 是一种用于寻找最佳量化间隔的工具:
from scipy.misc import imread, imsave
def kmeans(file_in, file_out, maxiter):
X = imread(file_in)
thresh = X.mean()
for iter in range(maxiter):
thresh = (X[X<thresh].mean() + X[X>=thresh].mean())/2.0
X[X<thresh] = 0
X[X>=thresh] = 255
imsave(file_out, X)
return X, thresh
在每次迭代期间，K-means 计算每个“集群”的中心，然后根据重新计算的中心将元素重新分配给集群。在每个元素(即像素)是一维的并且只需要两个簇的简单情况下，阈值只是两个簇中心的平均值。
我应该补充一点，此方法适用于您发布的示例图像，但可能不适用于其他图像(例如您在另一个问题中发布的图像)。但没有进一步的信息，我认为这个解决方案有效。
输出:
binary.bmp http://up.stevetjoa.com/binary.bmp
关于image-processing - 自适应阈值二值化 : post-processing for removing ghost objects，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/2363245/