使用Unet语义分割结果有虚影

大概是这个样子，看起来很脏，分割的是遥感图像。
模型：UNet
语言：python

代码：

import os

from os import path, makedirs, listdir
import sys
import numpy as np
np.random.seed(1)
import random
random.seed(1)

import torch
from torch import nn
from torch.backends import cudnn
from torch.autograd import Variable

import pandas as pd
from tqdm import tqdm
import timeit
import cv2

from zoo.models import SeNet154_Unet_Loc

from utils import *

cv2.setNumThreads(0)
cv2.ocl.setUseOpenCL(False)

test_dir = 'test/images'
pred_folder = 'pred154_loc'
models_folder = 'weights'

if __name__ == '__main__':
    t0 = timeit.default_timer()

    makedirs(pred_folder, exist_ok=True)
    
    os.environ['CUDA_DEVICE_ORDER'] = 'PCI_BUS_ID'
    models = []
    for seed in [0]:
        snap_to_load = 'se154_loc_{}_1_best'.format(seed)
        model = SeNet154_Unet_Loc().cuda()
        model = nn.DataParallel(model).cuda()
        print("=> loading checkpoint '{}'".format(snap_to_load))
        checkpoint = torch.load(path.join(models_folder, snap_to_load), map_location='cpu')
        loaded_dict = checkpoint['state_dict']
        sd = model.state_dict()
        for k in model.state_dict():
            if k in loaded_dict and sd[k].size() == loaded_dict[k].size():
                sd[k] = loaded_dict[k]
        loaded_dict = sd
        model.load_state_dict(loaded_dict)
        print("loaded checkpoint '{}' (epoch {}, best_score {})"
                .format(snap_to_load, checkpoint['epoch'], checkpoint['best_score']))
        model.eval()
        models.append(model)
    with torch.no_grad():
        for f in tqdm(sorted(listdir(test_dir))):
            if '_pre_' in f:
                fn = path.join(test_dir, f)

                img = cv2.imread(fn, cv2.IMREAD_COLOR)
                img = preprocess_inputs(img)

                inp = []
                inp.append(img)
                inp.append(img[::-1, ...])
                inp.append(img[:, ::-1, ...])
                inp.append(img[::-1, ::-1, ...])
                inp = np.asarray(inp, dtype='float')
                inp = torch.from_numpy(inp.transpose((0, 3, 1, 2))).float()
                inp = Variable(inp).cuda()

                pred = []
                for model in models:               
                    msk = model(inp)
                    msk = torch.sigmoid(msk)
                    msk = msk.cpu().numpy()
                    
                    pred.append(msk[0, ...])
                    pred.append(msk[1, :, ::-1, :])
                    pred.append(msk[2, :, :, ::-1])
                    pred.append(msk[3, :, ::-1, ::-1])

                pred_full = np.asarray(pred).mean(axis=0)
                
                msk = pred_full * 255
                msk = msk.astype('uint8').transpose(1, 2, 0)
                cv2.imwrite(path.join(pred_folder, '{0}.png'.format(f.replace('.png', '_part1.png'))), msk[..., 0], [cv2.IMWRITE_PNG_COMPRESSION, 9])

    elapsed = timeit.default_timer() - t0
    print('Time: {:.3f} min'.format(elapsed / 60))

这个跟原始图片有关系吧 你说的脏是周围有模糊的噪点吗，那可以尝试在调用Unet分割前对图片进行一定的预处理步骤

如高斯平滑消除高频噪音，进行平滑和模糊
形态学操作：腐蚀、膨胀、开闭、白帽子黑帽子等去掉一定的噪点，使得原始图像更加干净。

高斯平滑和模糊：
使用Python，OpenCV进行平滑和模糊_程序媛一枚~的博客-CSDN博客 这篇博客将介绍如何使用OpenCV对图片进行平滑和模糊操作。具体包括：- 简单平均模糊（cv2.blur)- 加权高斯模糊（cv2.GaussianBlur）- 中值滤波（cv2.medianBlur）- 双边滤波（cv2.bilateralFilter）平滑和模糊是计算机视觉和图像处理中最常见的预处理步骤之一。 https://blog.csdn.net/qq_40985985/article/details/117391998

形态学操作：
使用Python，OpenCV进行形态学操作_程序媛一枚~的博客-CSDN博客 这篇博客将介绍如何使用Python，OpenCV应用形态学操作。包括：- 腐蚀（Erosion）- 膨胀（Dilation）- 打开（Opening）- 闭合（Closing）- 形态梯度（Morphological gradient）- 黑帽子（Black hat）- 白帽子（Top hat (also called “White hat”)） 形态学操作是应用于灰度或二值图像的图像处理变换。这些操作需要一个结构元素，用于定义应用该操作的像素的邻域。 https://blog.csdn.net/qq_40985985/article/details/118112860

如有帮助请采纳哦~