Skip to content
The Chat Archive
gpt-4-0125-preview· OpenAI WildChat-4.8M (AI2)

推荐一个自动遮罩抠图的开源项目

  1. User

    推荐一个自动遮罩抠图的开源项目

  2. Assistant

    截至目前(2023年),"remove.bg"是一个非常受欢迎的自动抠图服务,但它不是开源的。不过,如果你在寻找类似功能的开源项目,那么可以考虑"rembg"。

    "rembg" 是一个用于从图片中移除背景的工具。它基于U^2-Net(U-square-net),这是一个深度学习模型,专门用于背景移除任务。"rembg" 可以作为命令行工具使用,也可以作为Python库集成到你的项目中。

    使用 "rembg", 你可以轻松地从图片中抠出前景对象,而不需要进行繁琐的手动编辑。这使它非常适合于需要处理大量图片的自动化任务,比如产品图片的背景移除或是个人项目中的图片处理需求。

    安装

    如果你已经安装了Python和pip,你可以通过以下命令安装rembg:

    pip install rembg
    

    使用

    作为命令行工具,使用rembg非常简单。以下是一个基本示例,从命令行中移除图片背景:

    rembg i input.jpg output.png
    

    其中input.jpg是源图片文件,output.png是去背景后生成的图片文件。

    记住,rembg和其他开源项目一样,依赖社区的支持和贡献不断改进,因此在使用时需要考虑其适用性和准确性。

    查看"rembg"的GitHub页面可以获得更多关于功能、使用方式和贡献指南的信息。此外,始终注意查看项目的最新状态和更新,因为开源项目的发展变化很快。

  3. User

    这个并不能控制选区抠图,我希望可以手动点选区域,然后工具智能选取相似区域然后抠图

  4. Assistant

    了解你的需求之后,如果你在寻找一个可以手动选择区域,并且工具根据选择智能抠图的开源项目,你可能会对如下项目感兴趣:Interactive Deep Colorization(交互式深度着色)和一些类似的基于深度学习的图像编辑工具,尽管它们主要聚焦于颜色填充,但技术基础上是相似的,特别是在交互式选择与处理上。然而,这并不完全符合你的要求。对于精准的需求描述——即“手动选区后自动抠图”,一个接近的开源方案是使用图像分割技术,如基于GrabCut算法的工具。

    GrabCut算法在某种程度上能满足你的要求:用户通过标记前景(感兴趣的部分)和背景来启动算法,剩下的分割任务由算法自动完成。尽管原始的GrabCut不是基于最新的深度学习技术,但它依然在简单场景下表现出色。

    更先进的解决方案可能涉及到机器学习,特别是使用深度学习进行交互式图像分割的研究项目,比如Interactive Segmentation Tool。这些工具能够让用户通过简单的交互(如画几笔标记感兴趣的区域)来指导算法完成复杂的抠图任务。

    建议方案:

    • GrabCut: 你可以在多种编程库中找到GrabCut算法的实现,比如OpenCV。这种方法需要你标记出想要分割的区域(通常是通过绘制一个矩形框)。然后算法自动处理剩余的分割过程,它会尝试基于你的指示区分前景和背景。

    • Deep Learning Models for Interactive Segmentation: 查找基于深度学习的交互式图像分割模型的实现。这类模型通常能提供更准确的分割,尤其是在复杂的图像场景中。一些研究项目和论文会公开其代码和预训练模型,比如GitHub上的项目。

    实现示例(使用OpenCV的GrabCut):

    import numpy as np
    import cv2
    from matplotlib import pyplot as plt
    
    # 加载图片
    img = cv2.imread('your-image.jpg')
    
    # 创建一个与原图片相同大小的掩码,并用0填充
    mask = np.zeros(img.shape[:2],np.uint8)
    
    # 设置GrabCut算法的rect参数,即我们初步标记的矩形区域(x,y,width,height)
    # 这需要你手动设置,或者通过某种UI工具获取
    rect = (50,50,450,290)
    
    # 创建以0填充的前景和背景模型
    bgdModel = np.zeros((1,65),np.float64)
    fgdModel = np.zeros((1,65),np.float64)
    
    # 执行GrabCut
    cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)
    
    # 将背景和可能的背景区域标记为0,其余的标记为1
    mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8')
    
    # 将图片与掩码相乘,得到结果
    img = img*mask2[:,:,np.newaxis]
    
    plt.imshow(img),plt.colorbar(),plt.show()
    

    这段Python代码使用OpenCV的GrabCut实现,通过用户定义的矩形来初始化分割过程。你可以修改rect变量来适应你需要抠出的对象。不过,这种方法需要用户有编程基础,并且需要先安装Python和OpenCV库。

    对于更高级的交互式分割,你可能需要探索使用深度学习模型的工具,这类工具能够提供更自然的用户交互界面,但可能需要更复杂的设置和更强大的计算资源。