百度PaddlePaddle飞浆实现多图像人像抠图
文章目录
- 前言
- 一、程序整体流程
- 二、使用步骤
-
- 1.引入库
- 2.读入数据
- 3.显示图像
- 4.调用飞浆训练模型
- 5.显示抠图后的图像
- 5.完整代码
- 总结
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
- 获取需要抠图的图像文件地址
- 显示所有原图像
- 调用飞浆的deeplabv3p_xception65_humanseg模型 该模型能够用于人像抠图
- 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。