摳圖前 vs Python自動摳圖后

在日常的工作和生活中，我們經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，需要細致地摳出人物的情況下，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，雖然不夠細致，但也夠用了。

DeepLabv3+ 是谷歌 DeepLab語義分割系列網絡的最新作 ，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已經幫我們實現了，我們僅需要加載模型對圖像進行分割即可。

1.準備

為了實現這個實驗，Python是必不可少的，如果你還沒有安裝Python，可以關注文末的微信公眾號獲取下載安裝指南

然后，我們需要安裝baidu的paddlepaddle, 官方網站就有詳細的指引：

• https://www.paddlepaddle.org.cn/install/quick

根據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練數據，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，下方會出現安裝指引，不得不說，Paddlepaddle這些方面做的還是比較貼心的(小聲bb：就是名字起的不好)。

要注意，如果你的Python3環境變量里的程序名稱是Python，記得將語句改為Python xxx，如下進行安裝：

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

還需要安裝paddlehub：

pip install -i https://mirror.baidu.com/pypi/simple paddlehub 

2.編寫代碼

整個步驟分為三步：

• 加載模型
• 指定待摳圖的圖片目錄
• 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生一個叫做humanseg_output的文件夾。這里面存放的是已經摳圖成功的圖片。

3.結果分析

不得不承認，谷歌的算法就素厲害啊。只要背景好一點，摳出來的細節都和手動摳的細節不相上下，甚至優于人工手段。

不過在背景和人的顏色不相上下的情況下，會產生一些問題，比如下面這個結果：

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