如何对U-net输出的预测分割图像去噪并计算处理后的Dice系数

解决方法 #

你可以通过「阈值二值化+形态学后处理」的常规分割后处理流程得到去噪后的y_filter，以下是适配你现有代码的实现方案：

1. 基础阈值二值化（必做）

Unet输出的preds_test是像素级预测概率，大部分低置信度的噪声点可以直接通过阈值过滤，代码如下：

import numpy as np

# 阈值可根据你的数据集效果调整，常规默认用0.5
threshold = 0.5
# 二值化处理，低于阈值的像素置0，高于置1
y_pred_bin = (y_pred > threshold).astype(np.float64)

2. 形态学操作去残留噪声

二值化后如果还有零散的小噪声点或者孔洞，用形态学开/闭运算处理，需要引入opencv依赖：

import cv2

# 定义结构核大小，根据噪声尺寸调整，常用3*3/5*5
kernel = np.ones((3, 3), np.uint8)
# 开运算：先腐蚀再膨胀，去除孤立的小亮点噪声
y_filter = cv2.morphologyEx(y_pred_bin.squeeze(), cv2.MORPH_OPEN, kernel)
# 若存在预测区域内部的小黑洞需要补全，可追加闭运算
# y_filter = cv2.morphologyEx(y_filter, cv2.MORPH_CLOSE, kernel)
# 恢复维度和输入y_true一致，用于后续dice计算
y_filter = np.expand_dims(y_filter, axis=0)

如果你的噪声属于椒盐类离散噪声，也可以用中值滤波处理：

y_filter = cv2.medianBlur(y_pred_bin.squeeze().astype(np.uint8), ksize=3)
y_filter = np.expand_dims(y_filter, axis=0).astype(np.float64)

3. 计算去噪后的Dice分数

处理完成后直接调用你的dice计算函数即可：

print(dice_coef(y_true, y_filter))

注意事项 #

• 阈值、核大小都需要根据你的实际数据效果调整，不要直接固定参数
• 如果是多类别分割任务，每个类别单独做二值化和后处理再合并即可
• 不想引入opencv依赖的话，可以用scipy.ndimage模块实现相同的形态学、滤波操作

内容的提问来源于stack exchange，提问作者Code_B