比PS還好用！Python 20行代碼批量摳圖

摳圖前 vs Python自動摳圖後

在平常的工做和生活中，咱們常常會遇到須要摳圖的場景，即使是隻有一張圖片須要摳，也會摳得咱們不耐煩，假若遇到許多張圖片須要摳，這時候你的表情應該會頗有趣。

Python可以成爲這樣的一種工具：在只有一張圖片，須要細緻地摳出人物的狀況下，能幫你減小摳圖步驟；在有多張圖片須要摳的狀況下，能直接幫你輸出這些人物的基本輪廓，雖然不夠細緻，但也夠用了。

DeepLabv3+ 是谷歌 DeepLab語義分割系列網絡的最新做 ，這個模型能夠用於人像分割，支持任意大小的圖片輸入。若是咱們本身來實現這個模型，那可能會很是麻煩，可是幸運的是，百度的paddle hub已經幫咱們實現了，咱們僅須要加載模型對圖像進行分割便可。

1.準備

爲了實現這個實驗，Python是必不可少的，若是你尚未安裝Python，建議閱讀咱們的這篇文章哦：超詳細Python安裝指南。

而後，咱們須要安裝百度的paddlepaddle, 進入他們的官方網站就有詳細的指引：
www.paddlepaddle.org.cn/install/qui…

根據你本身的狀況選擇這些選項，最後一個CUDA版本，因爲本實驗不須要訓練數據，也不須要太大的計算量，因此直接選擇CPU版本便可。選擇完畢，下方會出現安裝指引，不得不說，Paddlepaddle這些方面作的仍是比較貼心的

（就是名字起的很差）

。

要注意，若是你的Python3環境變量裏的程序名稱是Python，記得將語句改成Python xxx，以下進行安裝：

python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple複製代碼

2.編寫代碼

整個步驟分爲三步：

1.加載模型
2.指定待摳圖的圖片目錄
3.摳圖

import osimport sysimport paddlehub as hub# 1.加載模型humanseg = hub.Module(name="deeplabv3p\_xception65\_humanseg")# 2.指定待摳圖圖片目錄path = './source/'files = \[\]dirs = os.listdir(path)for diretion in dirs: files.append(path + diretion)# 3.摳圖results = humanseg.segmentation(data={"image": files})for result in results: print(result\['origin'\]) print(result\['processed'\])複製代碼

很少很多一共20行代碼。摳圖完畢後會在本地文件夾下產生一個叫作humanseg_output的文件夾。這裏面存放的是已經摳圖成功的圖片。

本文20行代碼及全部圖片，請在關注本文最下方公衆號後臺回覆：Python自動摳圖 下載。

3.結果分析

不得不認可，谷歌的算法就素厲害啊。只要背景好一點，摳出來的細節都和手動摳的細節不相上下，甚至優於人工手段。

不過在背景和人的顏色不相上下的狀況下，會產生一些問題，好比下面這個結果：

背後那個大叔徹底被忽略掉了（求大叔的心裏陰影面積）。儘管如此，這個模型是我迄今爲止見過的最強摳圖模型，沒有之一。

咱們的文章到此就結束啦，若是你但願咱們今天的Python 教程，請持續關注咱們，若是對你有幫助，麻煩在下面點一個贊/在看哦有任何問題均可以在下方留言區留言，咱們都會耐心解答的！

​Python實用寶典 (pythondict.com)
不僅是一個寶典
歡迎關注公衆號：Python實用寶典