image-matting 一些参考

已于 2023-07-18 10:55:47 修改
阅读量329 收藏
点赞数
分类专栏： 图像处理 文章标签： 计算机视觉
于 2023-07-18 10:53:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chao56789/article/details/131782417
版权
这篇博客涵盖了多个深度学习图像 matting 方法的实践，包括 GCA、FBA 和 IndexNet 等。通过 Python 示例代码，演示了如何使用这些模型进行图像 matting，同时提到了实时视频 matting 的相关工作，如 MiVOS 和 OTVM。此外，还分享了交互式分割和前景提取的资源链接。
摘要由CSDN通过智能技术生成

python mmagic_inference_demo.py --model-name gca --img ../resources/input/matting/flowers/sources/0000.png --trimap ../resources/input/matting/flowers/trimaps/medium/0000.png  --result-out-dir ../resources/output/matting/flowers/0000.png

python tools/predict.py --config configs/ppmattingv2/ppmattingv2-stdc1-human_512.yml --model_path pretrained_models/ppmattingv2-stdc1-human_512.pdparams --video_path demo/202305301112.mp4 --save_dir ./output/results --fg_estimate True

#RTMPose
python .\demo\topdown_demo_with_mmdet.py .\demo\mmdetection_cfg\faster_rcnn_r50_fpn_coco.py https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth .\projects\rtmpose\rtmpose\body_2d_keypoint\rtmpose-s_8xb256-42

了解本专栏 订阅专栏 解锁全文 超级会员免费看
chaooooooo
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
【CV系列】Image matting技术
CSDN明星博主，认证博客专家，视频、Matlab领域优质创作者。
08-11 842
DATE: 2019-8-11 在研究图像去噪和增强过程中，初次遇到Image Matting技术，记录在此，以供后续深入研究用。 参考： Image Matting（抠图）技术介绍：序言 Image Matting代码和算法效果总结 ...
《HOP-Matting：Hierarchical Opacity Propagation for Image Matting》论文笔记
m_buddy的博客
11-01 575
参考代码：HOP-Matting 1. 概述 导读：现有的一些深度学习的matting方法是基于propagation的，这篇文章对此提出了多层次不透明度propagation（hierarchical opacity propagation，HOP）的方法，用于像素之间的不透明度传导。文章的HOP结构具有一个global和多个local的propagationmo模块，从而使得高分辨特征图下的每对像素点可以根据输入图像的外表特征连接起来。此外文章还提出了一种尺度不敏感的编码方式用于解决非固定尺度的图片输
Deep Image Matting
weixin_44937409的博客
04-16 763
ABSTRACT 抠图是计算机视觉的一个基本问题, 具有许多应用前景。以前的算法在图像具有相似的前景和背景颜色或复杂的纹理时性能较差。主要原因是以前方法 1) 只使用低级特征 2) 缺乏高层次的语义信息。本文提出了一种新的基于深度学习的算法, 可以解决这两个问题。我们的深层模型有两个部分。第一部分是深卷积编码解码器网络, 以图像和相应的 trimap 为输入, 并预测图像的 alpha matte。第二部分是一个小型卷积网络, 它refinement第一网络的 alpha matte预测, 以获得更准确的
Image Matting
jaccen的专栏
09-11 1829
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 本文链接：https://blog.csdn.net/u014636245/article/details/98208197 Image Matting: 图像抠图技术是指从静态图像或者视频序列中抽取感兴趣目标的过程，在ps和视频编辑中有重要的应用。 1.Image Matting Matt...
《GCAMatting：Natural Image Matting via Guided Contextual Attention》
m_buddy的博客
09-22 3079
参考代码：GCA-Matting 1. 概述 导读：现有基于深度学习的Matting方法已经取得了较为不错的成果，但是这些方法在半透明区域取得的结果却是结构和纹理上模糊的，并没有很好区分出前景区域。这篇文章使用所在已知区域周围信息去预测所在位置的不透明度，既是基于affinity-based方法和inpainting任务重上下文注意力机制（contextual attention）提出了一种end-to-end带GCA（guided contextual attention）模块的Matting方法。GC
《ContextNet：Context-Aware Image Matting for Simultaneous Foreground and Alpha Estimation》论文笔记
m_buddy的博客
10-10 1370
参考代码（训练部分未公开）：ContextNet 现有的一些基于CNN网络的matting网络都是使用三色图与原始图像作为输入，之后输出这张图对应的alpha图。而这篇文章则同时输出前景图和alpha图，对此文章提出了两个编码器：matting编码器（matting encoder，ME）和context编码器（context encoder，CE），分别用于获取表征范围在局部和较大范围的信息，之后将编码之后的两个特征进行concat，经过也是两个解码器得到需要的alpha图和前景图。对此文章还引入了两个损
从平面坐标转球面坐标加旋转
chao
10-10 4514
clear filename = '1.jpg'; lena = imread(filename); % 读入一幅彩色图像 I=imresize(lena,0.125,'bicubic'); height= size(I, 1); width = size(I, 2); M_PI = 3.14159265358979323846; M_PI_2 = 1.570796326794
色键 Chroma Key
chao
01-22 4136
整理下色键代码 ffmpeg  typedef struct ColorkeyContext { const AVClass *class; /* color offsets rgba */ int co[4]; uint8_t colorkey_rgba[4]; float similarity; float blend; } Colork
完整 ycrcb转rgb
chao
11-24 888
#include <stdio.h> int main() { float kr_value[3] = { 0.299f, 0.2126f, 0.2627f }; float kb_value[3] = { 0.114f, 0.0722f, 0.0593f }; for (int i = 0; i < 3; i++) { float kr = kr_value[i]; float kb = kb_value[i]; printf("R = Y + %0.4f * C
几道面试题
chao
05-20 464
最近接到不少面试机会 在面试中问到技术的很少 不过问到的地方我都打得不好 下面把这些面试题 整理一下： 1 一次遍历把一个单向列表 逆序 刚开始第一次想到的算法比较笨 其实可以用三个指针来实现目的 pHead->next = NULL; pNode p1 = pHead; pNode p2 = p1->next; pNpde p3 = p2->next; while(p3
YUVXtoRGBX
chao
11-23 373
Uses Q14 fixed point approximation of BT.709 and BT.601 coefficients BT.709 R'= Y' + 0.0000*U + 1.5748*V G'= Y' - 0.1873*U - 0.4681*V B'= Y' + 1.8556*U + 0.0000*V BT.601 R'= Y' + 0.000*U + 1.403*V G'= Y' - 0.344*U - 0.714*V
IP Video
chao
09-15 97
NDI:SRTRISTRTMPRTSPDANTE。
计算机视觉 第二章局部图像描述子
qq_53034510的博客
08-27 739
描述子匹配的核心思想是找到两个图像之间相似的特征点，并用相应的描述子进行匹配。它可以有效地检测和描述图像中的局部特征，具有对图像缩放、旋转和光照变化的较强不变性。从百度地图下载地理标记图像的过程涉及 API 的使用，但百度地图的 API 并不直接支持下载图像。SIFT描述子在每个像素点附近选取子区域网格，在每个子区域内计算图像梯度方向直方图，每个子区域的直方图拼接起来组成描述子向量。以下是一个基本的示例，展示如何使用 Python 和百度地图 API 查找某个地点的位置信息，并下载该地点的静态地图图像。
什么是计算机视觉？
2401_86434460的博客
08-27 675
具体的说，就是让机器去识别摄像机拍摄的图片或视频中的物体，检测出物体所在的位置，并对目标物体进行跟踪，从而理解并描述出图片或视频里的场景和故事，以此来模拟人脑视觉系统。计算机视觉技术经过几十年的发展，已经在交通（车牌识别、道路违章抓拍）、安防（人脸闸机、小区监控）、金融（刷脸支付、柜台的自动票据识别）、医疗（医疗影像诊断）、工业生产（产品缺陷自动检测）等多个领域应用，影响或正在改变人们的日常生活和工业生产方式。未来，随着技术的不断演进，必将涌现出更多的产品和应用，为我们的生活创造更大的便利和更广阔的机会。
计算机视觉 第三章图像到图像的映射
最新发布
qq_53034510的博客
08-27 1099
给定任意图像的标记 点，通过将这些点进行三角剖分，然后使用仿射扭曲来扭曲每个三角形，我们可以 将图像和另一幅图像的对应标记点扭曲对应。图像扭曲指的是通过几何变换（如旋转、缩放、平移）或非线性变换对图像进行修改，从而改变图像的形状或结构的过程。现在让我们将该算法应用于一个例子，在该例子中，在5×6的网格上使用30个控 制点，将一幅图像扭曲到另一幅图像中的非平坦区域。需要注意，标记物的坐标tp是用齐次 坐标意义下的坐标表示的，改变了tp的坐标值，那么原始图像2在原始图像1中的位置也不同。上述代码运行结果如下。
图像数据处理22
2301_80400361的博客
08-23 1812
五、边缘检测该技术主要用于检测图像中的基本形状，如直线、圆、椭圆等。
目标检测：从主干网络到检测头的全面剖析
Chauvin的博客
08-26 958
目标检测作为计算机视觉领域的一个重要研究方向，旨在从图像或视频中自动识别并定位出感兴趣的目标。近年来，随着深度学习技术的飞速发展，基于卷积神经网络（CNN）的目标检测模型取得了显著进展，广泛应用于智能座舱、自动驾驶、智能监控、机器人视觉等场景中。然而，在这些应用中，模型的实时性和检测精度之间常常存在权衡问题。本文将深入剖析标准目标检测模型的主要组成部分，包括主干网络、颈部网络和检测头，并探讨它们在模型中的关键作用及发展趋势。
【目标检测】YOLOV3
qq_1532145264的博客
08-27 504
YOLOv3: An Incremental Improvement
Deep-Image-Matting-PyTorch 测试模型代码
05-27
以下是使用 Deep-Image-Matting-PyTorch 进行模型测试的示例代码： ```python import torch from torch.autograd import Variable from torchvision.transforms import ToTensor, ToPILImage from PIL import Image import numpy as np from models.models import build_model from utils.util import pad_image, load_image, img_resize # 加载模型 model = build_model() # 加载并处理图像 img_path = "path/to/image.png" img = load_image(img_path) img = img_resize(img, 320) img = pad_image(img, 8) img = ToTensor()(img) img = Variable(img) # 运行模型 pred, _, _ = model(img.unsqueeze(0)) # 处理输出 pred = pred.squeeze().cpu().data.numpy() pred = (pred * 255).astype(np.uint8) pred = np.transpose(pred, (1, 2, 0)) pred = Image.fromarray(pred) # 显示结果 pred.show() ``` 需要注意的是，此代码需要 Deep-Image-Matting-PyTorch 的模型和工具函数。如果您尚未安装它们，请先安装。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值