https://bj.bcebos.com/paddlehub/fastdeploy/modnet_photographic_portrait_matting.onnx

模型

尺寸

准确性

modnet_摄影

25MB

-

实现主要过程

1.加载下载的modnet模型2.读取人像图像和背景图（背景图的高度和宽度需要大于人像图像） 3.根据预测结果，返回人像抠图结果。 （背景为纯色，前景为人像） 4.人像与背景的合成。 （这里使用了两种合成方法，一种是使用mask进行图像位运算，另一种是根据背景像素值进行遍历）

实现代码：

导入cv2import fastdeploy作为fdimport numpy as npmodel_file='modnet-onnx/modnet_photographic_portrait_matting.onnx'model=fd.vision.matting.MODNet(model_file=model_file,params_file='',runtime_option=None,model_format=fd.Frontend。 ONNX)img=cv2.imread('img/77.jpg') #77.jpg,386.jpg,446.jpgbg=cv2.imread('img/bg1.jpg')sbg=bg.copy()结果=model.predict(img.copy())#print(result)#可视化结果vis_img=fd.vision.vis_matting_alpha(img, result)#print(vis_img[0,0]) #[153,255,120]#图像合成、背景图尺寸不能小于前景图，需要调整threshdef swap_background_matting1(img,bg,thresh=127): h0,w0=bg.shape[0],bg.shape[1] h,w=img.shape [0]，图片。 shape[1] #获取后台合并区域，大小与前景一致roi=bg[(h0-h)//2:(h0-h)//2+h,(w0-w)//2:(w0- w)//2+w] img2gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,mask=cv2.threshold(img2gray,200,255,cv2.THRESH_BINARY) kernel=np.ones((5,5) ),np.uint8) mask=cv2.morphologyEx(mask,cv2.MORPH_OPEN,kernel) mask_inv=cv2.bitwise_not(mask) roibg=cv2.bitwise_and(roi,roi,mask=mask) roifg=cv2.bitwise_and(img, img,mask=mask_inv) roibgfg=cv2.add(roibg,roifg) bg[(h0-h)//2:(h0-h)//2+h,(w0-w)//2:(w0-w) //2+ w]=roibgfg return bg # bg=swap_background_matting1(vis_img,bg,200)#遍历实现基于背景像素的背景和人像合成def swap_background_matting2(vis_img,bg): hbg,wbg=bg.shape[0 ],bg.shape [1] #背景尺寸hfg,wfg=img.shape[0],img.shape[1] #原图尺寸#遍历人像背景合成，for i in range(hfg): for j在范围(wfg): 中，如果vis_img[i,j,0]==vis_img[0,0,0] 且vis_img[i,j,1]==vis_img[0,0,1] 且vis_img[i,j ,2]==vis_img [0,0,2]: 继续bg[i+(hbg-hfg)//2,j+(wbg-wbg)//2]=vis_img[i,j] 返回bgbg=swap_background_matting2(vis_img ,bg)dst=np .hstack((img,vis_img))cv2.imshow('结果',dst)bgdst=np.hstack((sbg,bg))cv2.imshow('bgdst',bgdst)cv2.waitKey (0)cv2.destroyAllWindows()

实现效果

人像抠图效果1

蒙版合成效果

遍历合成效果

人像抠图效果2

遍历合成效果

人像抠图效果3

遍历合成效果