PaddleHub抠图及图片合成 2.0环境,新版本模型
PaddleHub抠图及图片合成
deeplabv3p_xception65_humanseg
本示例用DeepLabv3+模型完成一键抠图。DeepLabv3+ 是Google DeepLab语义分割系列网络的最新作,其前作有 DeepLabv1,DeepLabv2, DeepLabv3。在最新作中,作者通过encoder-decoder进行多尺度信息的融合,同时保留了原来的空洞卷积和ASSP层, 其骨干网络使用了Xception模型,提高了语义分割的健壮性和运行速率,在 PASCAL VOC 2012 dataset取得新的state-of-art performance。在完成一键抠图之后,通过图像合成,实现扣图比赛任务
NOTE: 如果您在本地运行该项目示例,需要首先安装PaddleHub。如果您在线运行,需要首先fork该项目示例。之后按照该示例操作即可。
deeplabv3p_xception65_humanseg模型链接:https://www.paddlepaddle.org.cn/hubdetail?name=deeplabv3p_xception65_humanseg&en_category=ImageSegmentation
环境:PaddlePaddle2.0.0rc PaddleHub2.0.0b1 deeplabv3p_xception65_humanseg1.1.1(最新版)
一、安装新版Hub
!pip install paddlehub==2.0.0b1 -i https://pypi.tuna.tsinghua.edu.cn/simple
二、定义数据集
以本示例中文件夹下meditation.jpg为待预测图片,background.jpg为背景图片
实现效果
# 待抠图照片
image = 'meditation.jpg'
# 背景
background = 'background.jpg'
# 合成照片名称
save_image = 'save_image.jpg'
三、API预测
def segmentation(images=None,
paths=None,
batch_size=1,
use_gpu=False,
visualization=False,
output_dir='humanseg_output').
预测API,用于人像分割。
参数
- images (list[numpy.ndarray]): 图片数据,ndarray.shape 为 [H, W, C],BGR格式;
- paths (list[str]): 图片的路径;
- batch_size (int): batch 的大小;
- use_gpu (bool): 是否使用 GPU;
- visualization (bool): 是否将识别结果保存为图片文件;
- output_dir (str): 图片的保存路径。
返回
- res (list[dict]): 识别结果的列表,列表中每一个元素为 dict,关键字有 ‘save_path’, ‘data’,对应的取值为:
- save_path (str, optional): 可视化图片的保存路径(仅当visualization=True时存在);
- data (numpy.ndarray): 人像分割结果,仅包含Alpha通道,取值为0-255 (0为全透明,255为不透明),也即取值越大的像素点越可能为人体,取值越小的像素点越可能为背景。
四、代码示例
import paddlehub as hub
import cv2
human_seg = hub.Module(name="deeplabv3p_xception65_humanseg")
result = human_seg.segmentation(images=[cv2.imread(image)],visualization=True)
print(result[0]['save_path'])
# or
# result = human_seg.segmentation(paths=['/PATH/TO/IMAGE'])
五、命令行预测
!hub run deeplabv3p_xception65_humanseg --input_path 'meditation.jpg' --visualization True
六、效果展示
# 预测结果展示
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
test_img_path = result[0]['save_path']
img = mpimg.imread(test_img_path)
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()
七、图像合成
将抠出的人物图片合成在想要的背景图片当中。
from PIL import Image
import numpy as np
def blend_images(fore_image, base_image):
"""
将抠出的人物图像换背景
fore_image: 前景图片,抠出的人物图片
base_image: 背景图片
"""
# 读入图片
base_image = Image.open(base_image).convert('RGB')
fore_image = Image.open(fore_image).resize(base_image.size)
# 图片加权合成
scope_map = np.array(fore_image)[:,:,-1] / 255
scope_map = scope_map[:,:,np.newaxis]
scope_map = np.repeat(scope_map, repeats=3, axis=2)
res_image = np.multiply(scope_map, np.array(fore_image)[:,:,:3]) + np.multiply((1-scope_map), np.array(base_image))
#保存图片
res_image = Image.fromarray(np.uint8(res_image))
res_image.save(save_image)
blend_images(test_img_path, background)
# 展示合成图片
plt.figure(figsize=(10,10))
img = mpimg.imread(save_image)
plt.imshow(img)
plt.axis('off')
plt.show()