使用Keras实现Unet肺分割模型预测输出空白图像问题咨询

嘿，这个问题我之前帮同行排查过好几次，咱们一步步拆解可能的原因，大部分情况都是预处理/后处理或者输入维度的小疏忽：

• 预处理步骤和训练时不一致
  这是最常见的坑！训练时你肯定对图像做了归一化（比如img = img / 255.0）、尺寸缩放或者通道转换，但predict时很容易漏掉这些步骤。比如训练时把图像缩到0-1区间，而predict时直接喂入0-255的原始图像，模型输出的概率值会极低，看起来就是空白。
  解决方法：把predict时的图像预处理代码和训练时的完全对齐，比如复用同一个预处理函数：

  def preprocess_img(img):
      img = cv2.resize(img, (256, 256))  # 和训练时一致的尺寸
      img = img / 255.0
      img = np.expand_dims(img, axis=-1)  # 单通道任务需添加通道维度
      return img
  
  # predict时用这个函数处理图像
  input_img = preprocess_img(raw_img)
  

• 缺少输出后处理步骤
  Unet最后一层如果用的是sigmoid激活，输出的是0-1的概率图，不是直接的分割掩码。如果直接把这个概率图可视化，大部分区域的概率值可能低于人眼可见的阈值，看起来就是空白。
  解决方法：给输出加阈值化处理，把概率转成二值掩码：

  pred_prob = model.predict(input_img)
  pred_mask = (pred_prob > 0.5).astype(np.uint8)  # 0.5为通用阈值，可根据任务调整
  

  如果是多分类任务（比如背景+肺部+其他组织），用softmax激活的话，要取argmax得到类别掩码：

  pred_mask = np.argmax(model.predict(input_img), axis=-1)
  

• 输入维度不匹配
  Keras模型的输入要求是(batch_size, height, width, channels)，如果你直接喂入单张图像的(height, width, channels)，模型虽然不会报错，但输出可能异常。
  解决方法：用np.expand_dims增加batch维度：

  input_img = np.expand_dims(input_img, axis=0)  # 转换成(1, 256, 256, 1)的格式
  

• 模型加载错误
  你可能误加载了未训练的初始模型，或者保存/加载路径出错。比如训练完保存的是model.save('lung_unet.h5')，但加载时用了load_model('wrong_path/unet.h5')。
  解决方法：训练结束后立即用当前模型predict一个样本并保存结果；然后加载模型后再predict同一个样本，对比两次结果是否一致。如果不一致，说明模型加载环节有问题。

• 数据类型不兼容
  训练时模型的输入是float32类型，但predict时输入的是uint8的原始图像，可能导致模型输出异常。
  解决方法：确保输入数据类型和训练时一致：

  input_img = input_img.astype('float32')
  

先从预处理和后处理这两点查起，这90%的概率能解决你的问题！

内容的提问来源于stack exchange，提问作者Usma Bhatt