【深度学习入门案例】三十行代码实现抠图及图片合成

2021-10-19 11:17:03 浏览数 (1)

一义待抠图 图片

图片和py文件统计目录：

代码为：

代码语言：javascript复制
#待预测图片
test_img_path = ["./test.jpg"]


import matplotlib.pyplot as plt
import matplotlib.image as mpimg

img = mpimg.imread(test_img_path[0])

# 展示待预测图片
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()

返回：

二载预训练模型

通过加载PaddleHub DeepLabv3 模型(deeplabv3p_xception65_humanseg)实现一键抠图

代码语言：javascript复制
import paddlehub as hub
module = hub.Module(name="humanseg_lite")
res = module.segment(
    paths = ["./test.jpg"],
    visualization=True,
    output_dir='humanseg_lite')

# 预测结果展示
test_img_path = "./humanseg_lite/test.png"
img = mpimg.imread(test_img_path)
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()

返回：

三.片合成

将抠出的人物图片合成在想要的背景图片当中

代码语言：javascript复制
#图像合成
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("blend_res_img.jpg")
blend_images('./test.jpg', 'img.png')

# 展示合成图片
plt.figure(figsize=(10,10))
img = mpimg.imread("./blend_res_img.jpg")
plt.imshow(img)
plt.axis('off')
plt.show()

返回：

如此便是成功了，yeah!

四.完整源码

相关文件创建和图片可以创建和找，需要我得文件可以主页左侧栏联系我。

代码语言：javascript复制
# coding=gbk
"""
作者：川川
@时间  : 2021/8/29 5:48
群：970353786
"""
#待预测图片
test_img_path = ["./test.jpg"]

import matplotlib.pyplot as plt
import matplotlib.image as mpimg
img = mpimg.imread(test_img_path[0])
# 展示待预测图片
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()


#加载模型
import paddlehub as hub
module = hub.Module(name="humanseg_lite")
res = module.segment(
    paths = ["./test.jpg"],
    visualization=True,
    output_dir='humanseg_lite')

# 预测结果展示
test_img_path = "./humanseg_lite/test.png"
img = mpimg.imread(test_img_path)
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()

#图像合成
# 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("blend_res_img.jpg")
# blend_images('./humanseg_lite/test.png', 'img.png')
#
# # 展示合成图片
plt.figure(figsize=(10,10))
img = mpimg.imread("./blend_res_img.jpg")
plt.imshow(img)
plt.axis('off')
plt.show()
统计 源码

0 人点赞