我写了一个算法，假设背景是纯色的，它用 1 个对象检测图像的主要颜色。以下是我目前正在运行的基本步骤：
尽管它可能不是最聪明的算法，但我对结果非常满意，除非对象的大部分与背景颜色相同。例如，当对象主要是白色背景上的白色时，算法自然倾向于将对象的白点与背景分类。
我将如何获得一种适用于所有情况的通用方法（我对白色物体没有先验知识）？可以假设对象水平和垂直居中。然而，对于物体的形状或其中的颜色数量（有时它是素色的，有时它有许多不同的颜色），我们无法假设。谢谢 ！
（我相信我已经阅读了所有可能的相关帖子！）
编辑：我得到的典型结果：
这就是第一个 k-means 对点进行分类的方式（左：k = 10，右：k= 3）：
一些想法：
1）如果背景颜色是恒定的（例如，所有像素都是相同的颜色），您可以通过找到在空间上连接并包含所有相同（或在某个阈值内相同）颜色的像素的最大分量来找到背景。您可以删除背景，然后在剩余图像上运行 K-Means。
2）如果图像中的组件与背景属于同一个集群，但在图像中没有连接，您可以通过运行连接组件算法将它们拆分。或者，如果您在运行 K-Means 时不包括空间信息（例如，像素坐标），您可以这样做。
3）您也可以尝试增加 K 直到对象从背景中分离出来（对于大多数/所有图像）。
你不是很清楚当前的问题是什么。能发个截图吗？
也许您的意思是对象边缘附近的区域（对象和背景之间）被错误地分类为背景颜色，即您的算法剪裁太多。在这种情况下，您可以使用边缘检测算法来检测对象和背景之间的边界。一旦你知道了边缘，你就知道了内部，因此你应该能够切掉除了内部之外的所有东西，然后重新运行你的算法。
如果您的意思是对象的内部被分类为背景，那么您可以执行填充算法。如果您对它尝试分类的每个区域进行泛洪填充，请拒绝任何无法一直泛洪填充到像素 (0,0) 的区域。这应该会给您留下一个不与对象重叠的区域列表。