一键抠图，毛发毕现：这个GitHub项目助你快速PS

抠图是 PS 中的一项常用技术。但是要做到完美地将图像中的目标选取出来往往费时费力。近日，一个名为 PyMatting 的项目无疑能够帮助你。

项目地址：https://github.com/pymatting/pymatting

无需手动，一键抠图

抠图的 AI 应用场景是这样的：给定一张图像，通过划定一个区域，AI 应当能够估计到划定区域内的前景图目标，并将这个前景完整地抽取出来，用来替换到其他背景的图像中去。

因此，抠图需要两个 AI 能力：首先，AI 需要能够在划定的区域内识别目标。其次，AI 要能够完整地将目标抽取出来，没有划定错误的边缘、模糊的图像等问题。

上图为项目作者提供的示例。给定一只动物的图像（左上），以及人划定的区域（右上），算法应当能够获得划定区域内目标的阿尔法通道，即区分前景和背景的黑白轮廓（左下）。有了这一数据，就可以从原图中抠去目标，并移动到新的图像中去（右下）。

据项目介绍，PyMatting 具有以下特性。

首先，项目能够完成阿尔法抠图（Alpha Matting），其中包括 Closed-Form 抠图、大核抠图（Large Kernel Matting）、KNN 抠图、基于学习的数字抠图（Learning Based Digital Matting）、随机游走（Random Walk）抠图等算法。

同时，项目也能完成前景预估，包括 Clos Form 前景预估和多级别前景预估（基于 CPU、CUDA 和 OpenCL 等）算法。

该项目还可以进行快速多线程 KNN 搜索、不完全阈值化楚列斯基分解（incomplete thresholded Cholesky decomposition）、V 轮几何多网格预条件子（V-Cycle Geometric Multigrid preconditioner）等。

使用方法

在使用前，你需要保证电脑安装相应的 Python 环境（Python 3），同时需要以下安装包：

• numpy>=1.16.0

• pillow>=5.2.0

• numba>=0.47.0

• scipy>=1.1.0

由于项目需要 GPU，因此也需要 GPU 相关支持：

• cupy-cuda90>=6.5.0 or similar

• pyopencl>=2019.1.2

除此之外，为了进行测试，也需要：

• pytest>=5.3.4

为了方便使用，作者提供了一些示例代码。例如，如下代码中，给定原始图像和抠图框，可以抽取出阿尔法前景：

from pymatting import cutout

cutout(
    # input image path"data/lemur.png",
    # input trimap path"data/lemur_trimap.png",
    # output cutout path"lemur_cutout.png")

作者还提供了高级代码，直接进行抠图，生成新图像：

image = load_image("../data/lemur/lemur.png", "RGB", scale, "box")
trimap = load_image("../data/lemur/lemur_trimap.png", "GRAY", scale, "nearest")

# estimate alpha from image and trimap
alpha = estimate_alpha_cf(image, trimap)

# make gray background
new_background = np.zeros(image.shape)
new_background[:, :] = [0.5, 0.5, 0.5]

# estimate foreground from image and alpha
foreground, background = estimate_foreground_ml(image, alpha, return_background=True)

# blend foreground with background and alpha, less color bleeding
new_image = blend(foreground, new_background, alpha)

除了代码示例外，项目还提供了测试代码，可在主目录中运行：

python3 tests/download_images.py
pip3 install -r requirements_tests.txt
pytest

这一测试能够覆盖 89% 的代码。

除了项目外，作者还提供了不同的抠图算法的基准测试结果，如下所示：

不同算法在测试数据集上的均方误差大小。

可以看出，基于学习的算法和 Closed-Form 算法都能取得不错的效果。

完整的基准测试结果：https://pymatting.github.io/benchmark.html