如果您的 Gábor 过滤器的输出是可靠的，并且您的图像数据的变化不是那么高以至于结果看起来完全不同，那么您可以使用以下方法（其中部分已经提到）：

1. 使用任何自动阈值算法对第二张图像进行二值化。如您所见，有效的阈值范围很大。

2. 使用组件标记算法用唯一值标记像素的每个连接区域。

3. 为图像的每个组件计算一个属性，该属性描述了您的对象与实心圆的接近程度。为此，您可以使用例如compactness。我使用了低于等效磁盘半径内的像素分数。该半径是与您的对象具有相同面积的磁盘的半径。

   1. 面积只是计算对象的像素数
   2. 计算给定面积的圆的半径也应该是易于管理的
   3. 对于此半径内的像素，您需要每个图像对象的中心，但这只是对象像素所有位置的平均值。如果您是物理学家，那么您知道几个点质量的质心。这是等价的。
   4. 现在您计算每个对象的每个像素到其中心的距离，并检查它是否小于圆半径。将这两个数字相除，即可得到内部像素和外部像素的分数。
4. 取分数最高的对象。注意：只有一个像素的对象将获得 1 的值。因此，您应该设置一个大小阈值，并且只采用更大的对象，例如 10 像素。

要查看自动二值化应该起作用，以下是阈值非常低和非常高的结果：

更新组件标签

组件标签的选择对您的应用并不重要。我建议，如果您必须自己实现它，请使用一种非常简单的方法。Wikipedia 网站上的一次性版本非常简单。基本上你遍历你的二进制图像，当你遇到一个白色且尚未标记的像素时，你使用一个新标签来标记这个对象并从这个像素开始。

用标签标记这个对象的过程基本上类似于洪水填充。这是 Wikipedia-site 算法中的内部步骤 1-4。你从这个带标签的像素开始，把它的所有邻居放在一个堆栈上（他们使用了一个向量）。对于堆栈上的像素，您检查它是否是前景并且尚未标记。如果你必须给它贴标签，你再把它的所有邻居都放在堆栈上。这样做直到你的堆栈为空。

然后继续扫描图像。与 Wiki 站点上的描述不同，您不必从原始图像中删除像素，当您的标签图像中的值不同于 0 时，您只需跳过。

一些想法：

1. 根据边缘强度的密度过滤掉边缘。使用圆形内核的近似值，找到平均边缘强度（或其他一些度量）。通过等于或高于阈值的任何边缘，将低于阈值的任何边缘设置为黑色。
2. 使用形态学“关闭”操作（先膨胀后腐蚀）清理图像，然后使用区域标记算法（又名连通分量，blob）查找所有 blob。根据大小、长轴与短轴的比率等过滤 blob 数据。
3. 尝试高斯模糊，找到一个二值化阈值以从黑暗中分割光，然后按照上面步骤 2 中的描述过滤 blob。（为了快速近似高斯模糊，请紧闭眼睑并眯着眼睛看图像。）
4. 在 Photoshop 或 GIMP 中尝试一些滤镜。

编辑：在你的中值过滤步骤之后，你大部分时间都在那里。好工作！我在上面建议的第 2 项（关闭，然后是区域标记）是一种技术，可以带你走完剩下的路。

您可以尝试活动轮廓。虽然它可能很慢，但它可以处理这样的复杂情况。

或者你可以使用一些先验知识来处理这个图像。例如，您知道 blob 事物是“大”和“连接”的。因此，当您计算每个连接区域的数量时，您可以找到它。