Update app.py

app.py

@@ -245,10 +245,9 @@ class ImageProcessor:
         return image
 
     def generate_analysis_plots(self, saliency_map):
-        """生成分析图表 - 使用原始显著性图而非二值化"""
-        plt.style.use('default')  # 使用默认样式以确保打印清晰
+        """生成分析图表 - 使用原始显著性值"""
+        plt.style.use('default')
         
-        # 设置全局字体和颜色
         plt.rcParams.update({
             'font.size': 12,
             'font.weight': 'bold',
@@ -269,9 +268,9 @@ class ImageProcessor:
         # 直方图 - 使用原始显著性值
         ax1.hist(saliency_map.flatten(), bins=50, color='black', alpha=0.7, 
                 edgecolor='black', linewidth=1.5)
-        ax1.set_title('Histogram of Saliency Distribution', fontsize=14, 
+        ax1.set_title('Distribution of Raw Saliency Values', fontsize=14, 
                      fontweight='bold', color='black', pad=15)
-        ax1.set_xlabel('Saliency Value', fontsize=12, fontweight='bold', color='black')
+        ax1.set_xlabel('Raw Saliency Value', fontsize=12, fontweight='bold', color='black')
         ax1.set_ylabel('Frequency', fontsize=12, fontweight='bold', color='black')
         ax1.grid(True, alpha=0.5, color='gray', linewidth=1)
         ax1.set_facecolor('white')
@@ -289,9 +288,9 @@ class ImageProcessor:
         sorted_vals = np.sort(saliency_map.flatten())
         cumulative = np.arange(1, len(sorted_vals) + 1) / len(sorted_vals)
         ax2.plot(sorted_vals, cumulative, color='black', linewidth=3)
-        ax2.set_title('Cumulative Distribution Function', fontsize=14, 
+        ax2.set_title('Cumulative Distribution of Raw Saliency', fontsize=14, 
                      fontweight='bold', color='black')
-        ax2.set_xlabel('Saliency Value', fontsize=12, fontweight='bold', color='black')
+        ax2.set_xlabel('Raw Saliency Value', fontsize=12, fontweight='bold', color='black')
         ax2.set_ylabel('Cumulative Probability', fontsize=12, fontweight='bold', color='black')
         ax2.grid(True, alpha=0.5, color='gray', linewidth=1)
         ax2.set_facecolor('white')
@@ -452,14 +451,22 @@ class ImageProcessor:
         
         # 确保转换为float32类型
 # 确保转换为float32类型
+        # 确保转换为float32类型并保持原始显著性值
         res = res.to(torch.float32).sigmoid().cpu().numpy().squeeze()
-        res = (res - res.min()) / (res.max() - res.min() + 1e-8)
+        
+        # 存储原始显著性值（未归一化）用于分析
+        original_saliency = res.copy()
+        
+        # 归一化用于可视化
+        res_normalized = (res - res.min()) / (res.max() - res.min() + 1e-8)
         
         h, w = original_image.shape[:2]
-        res_resized = cv2.resize(res, (w, h))
+        # 调整大小但保持原始值范围
+        res_resized_original = cv2.resize(original_saliency, (w, h))
+        res_resized_normalized = cv2.resize(res_normalized, (w, h))
         
-        # 生成可视化
-        res_vis = (res_resized * 255).astype(np.uint8)
+        # 生成可视化用的图像
+        res_vis = (res_resized_normalized * 255).astype(np.uint8)
         heatmap = cv2.applyColorMap(res_vis, cv2.COLORMAP_JET)
         _, binary_mask = cv2.threshold(res_vis, int(255 * threshold), 255, cv2.THRESH_BINARY)
         
@@ -474,8 +481,8 @@ class ImageProcessor:
         segmented_rgb = cv2.cvtColor(segmented, cv2.COLOR_BGR2RGB)
         heatmap_rgb = cv2.cvtColor(heatmap, cv2.COLOR_BGR2RGB)
         
-        # 生成分析图表 - 使用原始的显著性值（未二值化）
-        analysis_plot = self.generate_analysis_plots(res_resized)  # 直接使用res_resized，而不是二值化后的mask
+        # 使用原始显著性值生成分析图表
+        analysis_plot = self.generate_analysis_plots(res_resized_original)  # 使用未归一化的原始值
         
         # 生成分析图表
         analysis_plot = self.generate_analysis_plots(res_resized)