前言

摳圖前 vs Python自動摳圖后

在日常的工作和生活中，我們經(jīng)常會遇到需要摳圖的場景，即便是只有一張圖片需要摳，也會摳得我們不耐煩，倘若遇到許多張圖片需要摳，這時候你的表情應(yīng)該會很有趣。

Python能夠成為這樣的一種工具：在只有一張圖片，需要細(xì)致地?fù)赋鋈宋锏那闆r下，能幫你減少摳圖步驟；在有多張圖片需要摳的情況下，能直接幫你輸出這些人物的基本輪廓，雖然不夠細(xì)致，但也夠用了。

DeepLabv3+ 是谷歌 DeepLab語義分割系列網(wǎng)絡(luò)的最新作 ，這個模型可以用于人像分割，支持任意大小的圖片輸入。如果我們自己來實現(xiàn)這個模型，那可能會非常麻煩，但是幸運的是，百度的paddle hub已經(jīng)幫我們實現(xiàn)了，我們僅需要加載模型對圖像進(jìn)行分割即可。

1.準(zhǔn)備

為了實現(xiàn)這個實驗，Python是必不可少的，如果你還沒有安裝Python，建議閱讀我們的這篇文章哦：超詳細(xì)Python安裝指南。

然后，我們需要安裝百度的paddlepaddle, 進(jìn)入他們的官方網(wǎng)站就有詳細(xì)的指引

根據(jù)你自己的情況選擇這些選項，最后一個CUDA版本，由于本實驗不需要訓(xùn)練數(shù)據(jù)，也不需要太大的計算量，所以直接選擇CPU版本即可。選擇完畢，下方會出現(xiàn)安裝指引，不得不說，Paddlepaddle這些方面做的還是比較貼心的（就是名字起的不好）。

要注意，如果你的Python3環(huán)境變量里的程序名稱是Python，記得將python3 xxx 語句改為Python xxx 如下進(jìn)行安裝：

python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

2.編寫代碼

整個步驟分為三步：

1.加載模型

2.指定待摳圖的圖片目錄

3.摳圖

import os
import sys
import paddlehub as hub

# 1.加載模型
humanseg = hub.Module(name="deeplabv3p_xception65_humanseg")

# 2.指定待摳圖圖片目錄
path = './source/'
files = []
dirs = os.listdir(path)
for diretion in dirs:
    files.append(path + diretion)

# 3.摳圖
results = humanseg.segmentation(data={"image": files})

for result in results:
    print(result['origin'])
    print(result['processed'])

不多不少一共20行代碼。摳圖完畢后會在本地文件夾下產(chǎn)生一個叫做humanseg_output的文件夾。這里面存放的是已經(jīng)摳圖成功的圖片。

素材獲取地址

3.結(jié)果分析

不得不承認(rèn)，谷歌的算法就素厲害啊。只要背景好一點，摳出來的細(xì)節(jié)都和手動摳的細(xì)節(jié)不相上下，甚至優(yōu)于人工手段。

不過在背景和人的顏色不相上下的情況下，會產(chǎn)生一些問題，比如下面這個結(jié)果：

背后那個大叔完全被忽略掉了（求大叔的內(nèi)心陰影面積）。盡管如此，這個模型是我迄今為止見過的最強(qiáng)摳圖模型，沒有之一。

到此這篇關(guān)于Python用20行代碼實現(xiàn)批量摳圖功能的文章就介紹到這了,更多相關(guān)Python批量摳圖內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！