一键抠图Portrait Matting人像抠图 (C++和Android源码)
目录
一键抠图Portrait Matting人像抠图 (C++和Android源码)
抠图算法中（英文中，一般称为Matting），一种是基于辅助信息输入的，加入一些先验信息(如Trimap,背景图,用户交互信息，深度等信息)提供抠图效果，如比较经典的Deep Image Matting和Semantic Image Matting这些算法加入Trimap； Background Matting算法需要提供背景图等；另一种是无需辅助信息，输入RGB图像，直接预测matte的方法，其效果相对第一种方法，会差很多。而对Portrait Matting(人像抠图)，现在有很多方案在无需Trimap条件下，也可以获得不错的抠图效果，比如MODNet，Fast Deep Matting等算法，真正实现健抠图的效果。
本篇博客将介绍MODNet人像抠图算法，一个效果相当不错的Matting算法，可以达到头发细致级别的人像抠图效果，是一健抠图哦，先展示一下Android测试效果：
| 模型选择 | 原图 | 高精度人像抠图 | 视频抠图 |
 |
 |
 |
 |
更多抠图算法(Matting)，请参考我的一篇博客《图像抠图Image Matting算法调研》：
可能，有小伙伴搞不清楚分割(segmentation)和抠图(matting)有什么区别，我这里简单说明一下：
- 分割(segmentation)：从深度学习的角度来说，分割本质是像素级别的分类任务，其损失函数最简单的莫过于是交叉熵CrossEntropyLoss(当然也可以是Focal Loss，IOU Loss，Dice Loss等)；对于前景和背景分割任务，输出Mask的每个像素要么是0，要么是1。如果拿去直接做图像融合，就很不自然，Mask边界很生硬，这时就需要使用抠图算法了
- 抠图(matting)： 而抠图本质是一种回归任务，其损失函数可以是MSE Loss，L1 Loss,L2 Loss等，对于前景和背景抠图任务，输出Mask的每个像素是0~1之间的连续值，可看作是对图像透明通道（Alpha）的回归预测。可以用公式表示为C = αF + (1-α)B ，其中α（不透明度）、F（前景色）和B（背景色），alpha是[0, 1]之间的连续值，可以理解为像素属于前景的概率。在人像分割任务中，alpha只能取0或1，而抠图任务中，alpha可取[0, 1]之间的连续值，
- 本质上就是一句话：分割是分类任务，而抠图是回归任务。
1. 项目介绍：
关于《MODNet: Trimap-Free Portrait Matting in Real Time》，请参考：
- Paper： https://arxiv.org/pdf/2011.11961.pdf
- 官方Github: GitHub - ZHKKKe/MODNet: A Trimap-Free Solution for Portrait Matting in Real Time
官方GitHub仅仅放出推理代码，并未提供训练过程和数据处理代码 ；鄙人参考原论文花了几个星期的时间，总算复现了其基本效果，并做了一些轻量化和优化的工作，主要有：
- 复现Pytorch版本的MODNet训练过程和数据处理
- 增加了数据增强方法：如多尺度随机裁剪，Mosaic(拼图)，随机背景融合等方法，提高模型泛化性
- 对MODNet骨干网络backbone进行轻量化，减少计算量
- 目前提供三个版本：高精度人像抠图+快速人像抠图+超快人像抠图
- 转写模型推理过程，实现C++版本人像抠图算法
- 实现Android版本人像抠图算法，支持CPU和GPU
- 提供高精度版本人像抠图，可以达到精细到发丝级别的抠图效果（Android GPU 150ms, CPU 500ms左右）
- 提供轻量化快速版人像抠图，满足基本的人像抠图效果，可以在Android达到实时的抠图效果（Android GPU 60ms, CPU 140ms左右）
最近发现，百度PaddleSeg团队也复现了MODNet算法(基于PaddlePaddle框架，非Pytorch版本)，提供了更丰富的backbone模型选择，如MobileNetV2,ResNet50,HRNet_W18，可适用边缘端、服务端等多种任务场景，有兴趣的可以看看：
PaddlePaddle版本：https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.3/contrib/Matting
2. MODNet抠图算法：
基于深度学习的Matting分为两大类：
-
一种是基于辅助信息输入。即除了原图和标注图像外，还需要输入其他的信息辅助预测。最常见的辅助信息是Trimap，即将图片划分为前景，背景及过度区域三部分。另外也有以背景或交互点作为辅助信息。
-
一种是不依赖任何辅助信息，直接对Alpha进行预测。如本博客复现的MODNet
第一种方法，需要加入辅助信息，而辅助信息一般较难获取，这也限制其应用，为了提升Matting的应用性，针对Portrait Matting领域MODNet摒弃了辅助信息，直接实现Alpha预测，实现了实时Matting，极大提升了基于深度学习Matting的应用价值。
MODNet模型学习分为三个部分，分别为：语义部分（S），细节部分（D）和融合部分(F)。
- 在语义估计中，对high-level的特征结果进行监督学习，标签使用的是下采样及高斯模糊后的GT，损失函数用的L2-Loss，用L2loss应该可以学到更soft的语义特征；
- 在细节预测中，结合了输入图像的信息和语义部分的输出特征，通过encoder-decoder对人像边缘进行单独地约束学习，用的是交叉熵损失函数。为了减小计算量，encoder-decoder结构较为shallow，同时处理的是原图下采样后的尺度。
- 在融合部分，把语义输出和细节输出结果拼起来后得到最终的alpha结果，这部分约束用的是L1损失函数。
3. Matting数据集
(1) 开源数据集
| 数据集 |
说明 |
|
|
| Deep Image Matting |
|
PPM-100下载：https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.3/contrib/Matting |
|
| RealWorldPortrait-636 |
|
| Compsition-1k |
|
|
|
|
|
| VideoMatte240K |
|
| PhotoMatte85 |
|
其他的：
- VideoMatte240K
- PhotoMatte85
- https://github.com/thuyngch/Human-Segmentation-PyTorch
- Automatic Portrait Segmentation for Image Stylization: 1800 images
- Supervisely Person: 5711 images
(2) 训练和测试数据说明
关于训练数据如何生成的问题：
- 原论文MODNet使用了PPM-100数据集+私有的数据集，并合成了大部分训练数据
- 鄙人复现时，先使用matting_human_datasets数据集训练base-model当作pretrained模型；然后合并多个数据集（PPM-100 + RealWorldPortrait-636 + Deep Image Matting），采用背景图来自VOC+COCO+BG-20k ，一共合成了5W+的训练数据和500+的测试数据
- 合成的方法有两种：方法1：利用公式：合成图 = 前景*alpha+背景*(1-alpha) ;方法二：前景+mask+背景通过GAN生成；
(3) 合成代码实现
这是Python实现的背景合成，需要提供原始图像image,以及image的前景图像alpha,和需要合成的背景图像bg_img:
def image_fusion(image: np.ndarray, alpha: np.ndarray, bg_img=(219, 142, 67)):
"""
图像融合：合成图 = 前景*alpha+背景*(1-alpha)
:param image: RGB图像(uint8)
:param alpha: 单通道的alpha图像(uint8)
:param bg_img: 背景图像,可以是任意的分辨率图像，也可以指定指定纯色的背景
:return: 返回与背景合成的图像
"""
if isinstance(bg_img, tuple) or isinstance(bg_img, list):
bg = np.zeros_like(image, dtype=np.uint8)
bg_img = np.asarray(bg[:, :, 0:3] + bg_img, dtype=np.uint8)
if len(alpha.shape) == 2:
# alpha = cv2.cvtColor(alpha, cv2.COLOR_GRAY2BGR)
alpha = alpha[:, :, np.newaxis]
if alpha.dtype == np.uint8:
alpha = np.asarray(alpha / 255.0, dtype=np.float32)
sh, sw, d = image.shape
bh, bw, d = bg_img.shape
ratio = [sw / bw, sh / bh]
ratio = max(ratio)
if ratio > 1:
bg_img = cv2.resize(bg_img, dsize=(math.ceil(bw * ratio), math.ceil(bh * ratio)))
bg_img = bg_img[0: sh, 0: sw]
image = image * alpha + bg_img * (1 - alpha)
image = np.asarray(np.clip(image, 0, 255), dtype=np.uint8)
return image当然，为了方便JNI调用，我这里还实现C++版本图像合成算法，这部分图像处理的基本工具，都放在我的base-utils中
/***
* 实现图像融合：out = imgBGR * matte + bg * (1 - matte)
* Fix a Bug: 1-alpha实质上仅有B通道参与计算，多通道时(B,G,R)，需改Scalar(1.0, 1.0, 1.0)-alpha
* @param imgBGR 输入原始图像
* @param matte 输入原始图像的Mask,或者alpha,matte
* @param out 输出融合图像
* @param bg 输入背景图像Mat(可任意大小)，也可以通过Scalar指定纯色的背景
*/
void image_fusion(cv::Mat &imgBGR, cv::Mat matte, cv::Mat &out, cv::Mat bg) {
assert(matte.channels() == 1);
out.create(imgBGR.size(), CV_8UC3);
vector<float> ratio{(float) imgBGR.cols / bg.cols, (float) imgBGR.rows / bg.rows};
float max_ratio = *max_element(ratio.begin(), ratio.end());
if (max_ratio > 1.0) {
cv::resize(bg, bg, cv::Size(int(bg.cols * max_ratio), int(bg.rows * max_ratio)));
}
bg = image_center_crop(bg, imgBGR.cols, imgBGR.rows);
int n = imgBGR.channels();
int h = imgBGR.rows;
int w = imgBGR.cols * n;
// 循环体外进行乘法和除法运算
matte.convertTo(matte, CV_32FC1, 1.0 / 255, 0);
for (int i = 0; i < h; ++i) {
uchar *sptr = imgBGR.ptr<uchar>(i);
uchar *dptr = out.ptr<uchar>(i);
float *mptr = matte.ptr<float>(i);
uchar *bptr = bg.ptr<uchar>(i);
for (int j = 0; j < w; j += n) {
//float alpha = mptr[j] / 255; //循环体尽量减少乘法和除法运算
float alpha = mptr[j / 3];
float _alpha = 1.f - alpha;
dptr[j] = uchar(sptr[j] * alpha + bptr[j] * _alpha);
dptr[j + 1] = uchar(sptr[j + 1] * alpha + bptr[j + 1] * _alpha);
dptr[j + 2] = uchar(sptr[j + 2] * alpha + bptr[j + 2] * _alpha);
}
}
}4. Android JNI接口
- 目前已经实现Android版本人像抠图算法，支持CPU和GPU
- 提供高精度版本人像抠图，可以达到精细到发丝级别的抠图效果（Android GPU 150ms, CPU 500ms左右）
- 提供轻量化快速版人像抠图，满足基本的人像抠图效果，可以在Android达到实时的抠图效果（Android GPU 60ms, CPU 140ms左右）
Demo APP下载地址：链接: https://pan.baidu.com/s/1ifYLEgk7SaU3NSeNEtvMQg 提取码: y83n
目前，提供Demo源码提供三个JNI接口,可实现一健抠图效果，当然你可以在我C++基础上修改源码，实现更多功能；
matting接口：实现基本的人像构图Matting功能 fusion接口：实现人像构图Matting，并与背景图进行融合 mattingFusion接口：人像构图Matting，并与背景图进行融合(会返回mask)
package com.cv.tnn.model;
import android.graphics.Bitmap;
public class Detector {
static {
System.loadLibrary("tnn_wrapper");
}
/***
* 初始化检测模型
* @param proto： TNN *.tnnproto文件文件名（含后缀名）
* @param model： TNN *.tnnmodel文件文件名（含后缀名）
* @param root：模型文件的根目录，放在assets文件夹下
* @param model_type：模型类型
* @param num_thread：开启线程数
* @param useGPU：是否使用GPU
*/
public static native void init(String proto, String model, String root, int model_type, int num_thread, boolean useGPU);
/***
* 缩放图片
* @param bitmap
* @param resize_width
* @param resize_height
* @return
*/
public static Bitmap resizeBitmap(Bitmap bitmap, int resize_width, int resize_height) {
int width = bitmap.getWidth();
int height = bitmap.getHeight();
if (resize_width <= 0 && resize_height <= 0) {
return bitmap;
} else if (resize_height <= 0) {
resize_height = height * resize_width / width;
} else if (resize_width <= 0) {
resize_width = width * resize_height / height;
}
Bitmap dst = Bitmap.createScaledBitmap(bitmap, resize_width, resize_height, false);
return dst;
}
/***
* 人像构图Matting
* @param bitmap 输入图像（bitmap），ARGB_8888格式
* @param mask 输出Mask图像（bitmap），ARGB_8888格式,调用前需要createBitmap初始化大小，如
* Bitmap.createBitmap(Width, Height, Bitmap.Config.ARGB_8888);
* @return
*/
public static native void matting(Bitmap bitmap, Bitmap mask);
/***
* 人像构图Matting，并与背景图进行融合
* @param bitmap 输入图像（bitmap），ARGB_8888格式
* @param bgmap 输入背景图像（bitmap），ARGB_8888格式，可任意大小的图像
* @param fusion 输出与背景融合后图像，调用前需要createBitmap初始化大小，ARGB_8888格式
*/
public static native void fusion(Bitmap bitmap, Bitmap bgmap, Bitmap fusion);
/***
* 人像构图Matting，并与背景图进行融合
* @param bitmap 输入图像（bitmap），ARGB_8888格式
* @param bgmap 输入背景图像（bitmap），ARGB_8888格式，可任意大小的图像
* @param fusion 输出与背景融合后图像，调用前需要createBitmap初始化大小，ARGB_8888格式
* @param mask 输出Mask图像（bitmap），调用前需要createBitmap初始化大小，ARGB_8888格式
* @return
*/
public static native void mattingFusion(Bitmap bitmap, Bitmap bgmap, Bitmap fusion, Bitmap mask);
}
5. Demo测试效果
实际使用中，建议你：
- 背景越单一，抠图的效果越好，背景越复杂，抠图效果越差；建议你实际使用中，找一比较单一的背景，如墙面，天空等
- 上半身抠图的效果越好，下半身或者全身抠图效果较差；本质上这是数据的问题，因为训练数据70%都是只有上半身的
- 白种人抠图的效果越好，黑人和黄种人抠图效果较差；这也是数据的问题，因为训练数据大部分都是隔壁的老外
下图是高精度版本人像抠图和快速人像构图的测试效果，相对而言，高精度版本人像抠图可以精细到发丝级别的抠图效果；而快速人像构图目前仅能实现基本的抠图效果：
| 原图 | Mask图像 | 融合图像 | |
| 高 精 度 人 像 抠图 |
|
|
 |
| 超 快 人 像 抠图 |
 |
 |
 |
其他测试图片
 |
 |
 |
  |
6. Android完整项目代码
- Demo APP下载地址：https://download.csdn.net/download/guyuealian/63228759
- Android Demo完整项目代码：https://download.csdn.net/download/guyuealian/63227287