抠图前 vs Python自动抠图后
在日常的工作和生活中，我们经常会遇到需要抠图的场景，即便是只有一张图片需要抠，也会抠得我们不耐烦，倘若遇到许多张图片需要抠，这时候你的表情应该会很有趣。
Python能够成为这样的一种工具：在只有一张图片，需要细致地抠出人物的情况下，能帮你减少抠图步骤;在有多张图片需要抠的情况下，能直接帮你输出这些人物的基本轮廓，虽然不够细致，但也够用了。
DeepLabv3+ 是谷歌 DeepLab语义分割系列网络的最新作 ，这个模型可以用于人像分割，支持任意大小的图片输入。如果我们自己来实现这个模型，那可能会非常麻烦，但是幸运的是，百度的paddle hub已经帮我们实现了，我们仅需要加载模型对图像进行分割即可。
1.准备
为了实现这个实验，Python是必不可少的，如果你还没有安装Python，可以关注文末的微信公众号获取下载安装指南
然后，我们需要安装baidu的paddlepaddle, 官方网站就有详细的指引：
- https://www.paddlepaddle.org.cn/install/quick
根据你自己的情况选择这些选项，最后一个CUDA版本，由于本实验不需要训练数据，也不需要太大的计算量，所以直接选择CPU版本即可。选择完毕，下方会出现安装指引，不得不说，Paddlepaddle这些方面做的还是比较贴心的(小声bb：就是名字起的不好)。
要注意，如果你的Python3环境变量里的程序名称是Python，记得将语句改为Python xxx，如下进行安装：
- python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
还需要安装paddlehub：
- pip install -i https://mirror.baidu.com/pypi/simple paddlehub
2.编写代码
整个步骤分为三步：
- 加载模型
- 指定待抠图的图片目录
- 抠图
- import os
- import sys
- import paddlehub as hub
- # 1.加载模型
- humanseg = hub.Module(name="deeplabv3p_xception65_humanseg")
- # 2.指定待抠图图片目录
- path = './source/'
- files = []
- dirs = os.listdir(path)
- for diretion in dirs:
- files.append(path + diretion)
- # 3.抠图
- results = humanseg.segmentation(data={"image": files})
- for result in results:
- print(result['origin'])
- print(result['processed'])
不多不少一共20行代码。抠图完毕后会在本地文件夹下产生一个叫做humanseg_output的文件夹。这里面存放的是已经抠图成功的图片。
3.结果分析
不得不承认，谷歌的算法就素厉害啊。只要背景好一点，抠出来的细节都和手动抠的细节不相上下，甚至优于人工手段。
不过在背景和人的颜色不相上下的情况下，会产生一些问题，比如下面这个结果：
背后那个大叔完全被忽略掉了(求大叔的内心阴影面积)。尽管如此，这个模型是我迄今为止见过的最强抠图模型，没有之一。
