Image processing Can'；我不知道如何解决这个图像分割问题

我的训练图像是由从一些拼接图像的ELAs（误差水平分析）中提取的蓝色通道组成的，标签只是由它们相应的地面真值掩码组成

我已经构建了一个简单的编码器-解码器CNN，如下所示，用于进行分割，并在细胞膜分割任务中进行了测试。在那里，它表现得很好，可以创建接近地面的真实图像，所以我想我创建的神经网络足够强大

但是，它无法处理CASIA1+CASIA1GroundTruth数据集上的拼接图像。请帮助我修复它，我花了太多的时间尝试不同的架构和图像预处理，但没有运气

输入图像

基本事实

输出/生成图像

首先，它声称这样的高精度（98%）和低损耗，但输出图像是如此错误。如果你仔细看的话，这有点像是得到了想要的面具，但是伴随着它的还有很多白色区域。似乎无法获得所需区域与背景的像素强度差异。请帮我修一下：(

准备工作 def过程（img）： img=img.getchannel（'B'） 返回img 对于DIMG中的i： img=进程（Image.open（'ELAs/'+str（i））） X.append（np.array（img）/np.max（img）） 对于DGT中的i： lbl=Image.open（'SGTResized/'+str（i）） Y.append（np.array（lbl）/np.max（lbl）） X=np.数组（X） Y=np.数组（Y） X=X。重塑（-1256256，1） Y=Y。重塑（-1256256,1） X_列，X_val，Y_列，Y_val=列测试分割（X，Y，测试大小=0.2） 分段器模型

model=Sequential（）
add（Conv2D（filters=16，kernel_size=（3,3），padding=‘same’，
激活='relu'，输入_形状=（256256,1）））
添加（BatchNormalization（））
add（Conv2D（filters=16，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
model.add（MaxPoolig2D（池大小=（2,2）））
add（Conv2D（filters=32，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
add（Conv2D（filters=32，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
model.add（MaxPoolig2D（池大小=（2,2）））
add（Conv2D（filters=64，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
add（Conv2D（filters=64，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
model.add（MaxPoolig2D（池大小=（2,2）））
add（Conv2D（filters=128，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
add（Conv2D（filters=128，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
model.add（MaxPoolig2D（池大小=（2,2）））
添加（上采样2D（大小=（2,2）））
add（Conv2D（filters=128，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
add（Conv2D（filters=128，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
添加（上采样2D（大小=（2,2）））
add（Conv2D（filters=64，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
add（Conv2D（filters=64，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
添加（上采样2D（大小=（2,2）））
add（Conv2D（filters=32，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
add（Conv2D（filters=32，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
添加（上采样2D（大小=（2,2）））
add（Conv2D（filters=16，kernel_size=（3,3），padding=‘same’，
激活='relu'，输入_形状=（256256,3）））
添加（BatchNormalization（））
add（Conv2D（filters=16，kernel_size=（3,3），padding=‘same’，
激活（='relu'））
添加（BatchNormalization（））
add（Conv2D（过滤器=1，内核大小=（1,1），激活='sigmoid'））
model.summary（）

训练

model.compile（优化器=Adam（lr=0.0001），损耗='binary\u crossentropy'，度量=['accurity']））
model_checkpoint=ModelCheckpoint（'segmenter_weights.h5'，monitor='loss'，verbose=1，save_best_only=True）
model.fit（X_-train，Y_-train，validation_-data=（X_-val，Y_-val），批处理大小=4，纪元=200，冗余=1，回调=[PlotLossesCallback（），model_-checkpoint]）

---

哎呀，我做了一个愚蠢的测试。为了查看我从X数组中选择了什么进行测试，我将该数组乘以255，因为PIL不显示0-1范围内的数组。错误地，我只是使用了相同的修改变量，并在测试/预测中传递了它。

如果您的问题是由明显的错误引起的，那么它不太可能有用未来的访问者。为什么不直接删除它呢？好吧。尽管根据我的经验，在这个网站上获得机器学习支持的情况非常罕见。可能是因为需要自己获取数据集、处理数据集并运行培训，而不仅仅是快速查看代码片段。