一鍵摳圖，毛發(fā)畢現(xiàn)：這個GitHub項目助你快速PS
摳圖是 PS 中的一項常用技術(shù)。但是要做到完美地將圖像中的目標選取出來往往費時費力。近日，一個名為 PyMatting 的項目無疑能夠幫助你。
項目地址：https://github.com/pymatting/pymatting
無需手動，一鍵摳圖
摳圖的 AI 應(yīng)用場景是這樣的：給定一張圖像，通過劃定一個區(qū)域，AI 應(yīng)當能夠估計到劃定區(qū)域內(nèi)的前景圖目標，并將這個前景完整地抽取出來，用來替換到其他背景的圖像中去。
因此，摳圖需要兩個 AI 能力：首先，AI 需要能夠在劃定的區(qū)域內(nèi)識別目標。其次，AI 要能夠完整地將目標抽取出來，沒有劃定錯誤的邊緣、模糊的圖像等問題。
上圖為項目作者提供的示例。給定一只動物的圖像（左上），以及人劃定的區(qū)域（右上），算法應(yīng)當能夠獲得劃定區(qū)域內(nèi)目標的阿爾法通道，即區(qū)分前景和背景的黑白輪廓（左下）。有了這一數(shù)據(jù)，就可以從原圖中摳去目標，并移動到新的圖像中去（右下）。
據(jù)項目介紹，PyMatting 具有以下特性。
首先，項目能夠完成阿爾法摳圖（Alpha Matting），其中包括 Closed-Form 摳圖、大核摳圖（Large Kernel Matting）、KNN 摳圖、基于學(xué)習(xí)的數(shù)字摳圖（Learning Based Digital Matting）、隨機游走（Random Walk）摳圖等算法。
同時，項目也能完成前景預(yù)估，包括 Clos Form 前景預(yù)估和多級別前景預(yù)估（基于 CPU、CUDA 和 OpenCL 等）算法。
該項目還可以進行快速多線程 KNN 搜索、不完全閾值化楚列斯基分解（incomplete thresholded Cholesky decomposition）、V 輪幾何多網(wǎng)格預(yù)條件子（V-Cycle Geometric Multigrid preconditioner）等。
使用方法
在使用前，你需要保證電腦安裝相應(yīng)的 Python 環(huán)境（Python 3），同時需要以下安裝包：
- numpy>=1.16.0
- pillow>=5.2.0
- numba>=0.47.0
- scipy>=1.1.0
由于項目需要 GPU，因此也需要 GPU 相關(guān)支持：
- cupy-cuda90>=6.5.0 or similar
- pyopencl>=2019.1.2
除此之外，為了進行測試，也需要：
- pytest>=5.3.4
為了方便使用，作者提供了一些示例代碼。例如，如下代碼中，給定原始圖像和摳圖框，可以抽取出阿爾法前景：
- from pymatting import cutout
- cutout(
- # input image path"data/lemur.png",
- # input trimap path"data/lemur_trimap.png",
- # output cutout path"lemur_cutout.png")
作者還提供了高級代碼，直接進行摳圖，生成新圖像：
- image = load_image("../data/lemur/lemur.png", "RGB", scale, "box")
- trimap = load_image("../data/lemur/lemur_trimap.png", "GRAY", scale, "nearest")
- # estimate alpha from image and trimap
- alpha = estimate_alpha_cf(image, trimap)
- # make gray background
- new_background = np.zeros(image.shape)
- new_background[:, :] = [0.5, 0.5, 0.5]
- # estimate foreground from image and alpha
- foreground, background = estimate_foreground_ml(image, alpha, return_background=True)
- # blend foreground with background and alpha, less color bleeding
- new_image = blend(foreground, new_background, alpha)
除了代碼示例外，項目還提供了測試代碼，可在主目錄中運行：
- python3 tests/download_images.py
- pip3 install -r requirements_tests.txt
- pytest
這一測試能夠覆蓋 89% 的代碼。
除了項目外，作者還提供了不同的摳圖算法的基準測試結(jié)果，如下所示：pytest>=5.3.4
不同算法在測試數(shù)據(jù)集上的均方誤差大小。
可以看出，基于學(xué)習(xí)的算法和 Closed-Form 算法都能取得不錯的效果。
完整的基準測試結(jié)果：https://pymatting.github.io/benchmark.html
