为什么 len(measure.regionprops(imgl)) 给了我错误数量的对象？

如何解决为什么 len(measure.regionprops(imgl)) 给了我错误数量的对象？

我使用这个函数来计算分割图像中的对象（我加载了我的预训练权重以进行预测）

import pandas as pd
import skimage.io
import skimage.segmentation

def process_images(img):
 img1=img
 test_img1 = np.expand_dims(img1,axis=0)
 prediction = model.predict(test_img1)
 prediction_img=np.argmax(prediction,axis=3)[0,:,:]
 pred=prediction_img
 for i in range(0,512):
    for j in range(0,512):
        if pred[i,j]==1:
           pred[i,j]=0
        elif pred[i,j]==2:
           pred[i,j]=255  

 imgwater=np.stack((pred,)*3,axis=-1)


 kernel = np.ones((3,3),np.uint8)
 predd=np.uint8(pred)
 predd=skimage.morphology.remove_small_objects(predd,min_size=25) 
 predd=skimage.morphology.remove_small_holes(predd,area_threshold=50)
 annot = skimage.morphology.label(predd,connectivity=2)
 annot=color.label2rgb(annot,bg_label=0)
 imgl=measure.label(predd,background=0,connectivity=2)
 propsa = measure.regionprops(imgl)
 a = len(propsa)
 return img,prediction_img,annot,pred,a

k=4 
imgo=image_dataset[k]
test_img = X[k]

img,a=process_images(test_img)
print(a)

plt.figure(figsize=(16,8),dpi=90)
plt.subplot(231)
plt.title('Orginal Image')
plt.imshow(imgo,cmap='gray')
plt.subplot(232)
plt.title('Predicted image')
plt.imshow(prediction_img,cmap='jet')
plt.subplot(233)
plt.title('Predicted thresholded')
plt.imshow(pred,cmap='gray')
plt.subplot(234)
plt.title('result')
plt.show()

我用我的第一个数据集尝试了这个函数，它正确计算了图像中的单元格。但是当我尝试其他图像时， len(measure.regionprops(imgl)) 给了我一个完全错误的计数（它有时会增加 8） 这是一个例子，len(propsa) 给了我 130，而当我计算结果图像中的单元格时，我发现了 125。 example 我真的不明白问题出在哪里，该函数从未在第一个数据集的结果图像中给我错误的计数（返回值始终等于结果图像中手动计数的单元格）但第二个中的图像数据集总是增加 1 或 2 甚至 8 并且我不是在谈论预测，我只是在谈论结果图像。即使图像中有嘈杂的像素，我相信我已经摆脱了它们：

predd=skimage.morphology.remove_small_objects(predd,min_size=25)

请帮帮我，我要拔头发了。如果您需要任何其他信息，请随时发表评论。提前致谢

解决方法

remove_small_objects 需要一个带标签的图像，输入： imgl=skimage.morphology.remove_small_objects(imgl,min_size=12) 在下面 imgl=measure.label(predd,background=0,connectivity=2) 解决了问题。

def process_images(img):
 img1=img
 test_img1 = np.expand_dims(img1,axis=0)
 prediction = model.predict(test_img1)
 prediction_img=np.argmax(prediction,axis=3)[0,:,:]
 #print(np.unique(prediction_img))
 #prediction = (model.predict(test_img1)[0]> 0.5).astype(np.uint8)
 pred=prediction_img
 for i in range(0,512):
   for j in range(0,512):
    if pred[i,j]==1:
     pred[i,j]=0
    elif pred[i,j]==2:
     pred[i,j]=255  

 imgwater=np.stack((pred,)*3,axis=-1)


 kernel = np.ones((3,3),np.uint8)
 #no need for morphology because il will eliminate the tiny cells
 predd=np.uint8(pred)
 predd=skimage.morphology.remove_small_holes(predd,area_threshold=100)
 imgl=measure.label(predd,connectivity=2)
 imgl=skimage.morphology.remove_small_objects(imgl,min_size=12) 
 annot2=color.label2rgb(imgl,bg_label=0)

 propsa = measure.regionprops(imgl)
 #print(propsa)
 a = len(propsa)
 return img,prediction_img,annot2,pred,a