百度PaddlePaddle飞浆实现多图像人像抠图

---

前言

安装了很久的百度飞浆终于安装好了，这心情是真的激动啊，所以迫不及待的就想做点什么事情。这不，来了。

---

一、程序整体流程

1. 获取需要抠图的图像文件地址
2. 显示所有原图像
3. 调用飞浆的deeplabv3p_xception65_humanseg模型 该模型能够用于人像抠图
4. 存储抠图人像（方便保存数据，也可下载图像）
   废话就不说了具体的看下面：

二、使用步骤

1.引入库

代码如下（示例）：
没安装的库赶紧安装，不然跑不起来：
pip install 库名称（安装库）
百度飞浆库安装指南

import os
import paddlehub as hub
import numpy as np
import cv2
import matplotlib.pyplot as plt

2.读入数据

代码如下（示例）：

# 因为用到了matplotlib显示中文 所以加上这两句避免显示乱码
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 图像文件目录地址
path = r'./img/'
# 遍历获取每张图像的地址
files = [path + i for i in os.listdir(path)]

3.显示图像

代码如下（示例）：

# 创建画布  定义大小
plt.figure(figsize=(8, 6))
# 遍历获取每张图像数据
for i, img_fine in enumerate(files):
    # 通过opencv获取图像数据并添加到列表
    img.append(cv2.imread(img_fine))
    # 由于opencv打开的图像格式为BGR 所以需要转换为RGB格式
    img[i] = cv2.cvtColor(img[i], cv2.COLOR_BGR2RGB)
    # 显示图像大小
    # print(img[i].shape)
    # 创建子视图
    plt.subplot(2, len(files), i + 1)
    # 显示图像
    plt.imshow(img[i])
    plt.title("原图")

4.调用飞浆训练模型

代码如下（示例）：

# 调用飞浆的deeplabv3p_xception65_humanseg模型 该模型能够用于人像抠图
module = hub.Module(name="deeplabv3p_xception65_humanseg")
# 图像地址 （固定格式，不要更改）
input_dict = {"image": files}
# 训练模型并预测模型，打印结果（获取到抠图人像）
results = module.segmentation(data=input_dict)

5.显示抠图后的图像

代码如下（示例）：

newimgs = []
for i in range(len(files)):
    # 提取抠图人像数据
    prediction = results[i]["data"]
    # 显示抠图后的轮廓图像
    # plt.imshow(prediction)
    # 根据图像成像还原数据（具体原理我也不知道）
    newimg = np.zeros(img[i].shape)
    newimg[:, :, 0] = img[i][:, :, 0] * (prediction > 0)
    newimg[:, :, 1] = img[i][:, :, 1] * (prediction > 0)
    newimg[:, :, 2] = img[i][:, :, 2] * (prediction > 0)

    # 添加到列表 newimg.astype(np.uint8)修改数据类型为uint8
    newimgs.append(newimg.astype(np.uint8))
    # 显示图像
    plt.subplot(2, len(files), i + 1 + len(files))
    plt.imshow(newimgs[i])
    plt.xlabel("抠图后图像")

5.完整代码

代码如下（示例）：

import os
import paddlehub as hub
import numpy as np
import cv2
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 获取需要抠图的图像文件地址
# 图像文件目录地址
path = r'./img/'
# 遍历获取每张图像的地址
files = [path + i for i in os.listdir(path)]

# 显示所有原图像
# 保存图像数据列表
img = []
# 创建画布  定义大小
plt.figure(figsize=(8, 6))
# 遍历获取每张图像数据
for i, img_fine in enumerate(files):
    # 通过opencv获取图像数据并添加到列表
    img.append(cv2.imread(img_fine))
    # 由于opencv打开的图像格式为BGR 所以需要转换为RGB格式
    img[i] = cv2.cvtColor(img[i], cv2.COLOR_BGR2RGB)
    # 显示图像大小
    # print(img[i].shape)
    # 创建子视图
    plt.subplot(2, len(files), i + 1)
    # 显示图像
    plt.imshow(img[i])
    plt.title("原图")


# 调用飞浆的deeplabv3p_xception65_humanseg模型 该模型能够用于人像抠图
module = hub.Module(name="deeplabv3p_xception65_humanseg")
# 图像地址 （固定格式，不要更改）
input_dict = {"image": files}
# 训练模型并预测模型，打印结果（获取到抠图人像）
results = module.segmentation(data=input_dict)

# 列表存储抠图人像（方便保存数据，也可下载图像）
newimgs = []
for i in range(len(files)):
    # 提取抠图人像数据
    prediction = results[i]["data"]
    # 显示抠图后的轮廓图像
    # plt.imshow(prediction)
    # 根据图像成像还原数据（具体原理我也不知道）
    newimg = np.zeros(img[i].shape)
    newimg[:, :, 0] = img[i][:, :, 0] * (prediction > 0)
    newimg[:, :, 1] = img[i][:, :, 1] * (prediction > 0)
    newimg[:, :, 2] = img[i][:, :, 2] * (prediction > 0)

    # 添加到列表 newimg.astype(np.uint8)修改数据类型为uint8
    newimgs.append(newimg.astype(np.uint8))
    # 显示图像
    plt.subplot(2, len(files), i + 1 + len(files))
    plt.imshow(newimgs[i])
    plt.xlabel("抠图后图像")

# 总图像显示（少了这个就没图像了，千万别少了）
plt.show()

效果

---

总结

本次学习其实还有很不足，我们还可以继续改进，这也算是不用低成本学习图像处理了。我也借鉴了很多文章，最好的一篇是sansa666的，也非常感谢百度飞浆的开源学习。