一文讀懂Image matting（圖像摳圖）

今天禮拜六休息一天，閑著沒事干想給證件照換張背景顏色。上網(wǎng)隨手搜了下發(fā)現(xiàn)是屬于圖像摳圖的領(lǐng)域，本想著下個項目來玩玩，沒想到很多還要收費(fèi)，要不然就是要會員。本著敬業(yè)的精神（為了省錢），特地花費(fèi)一天研究下什么是圖像摳圖。

1. What's the Image Matting?

圖像摳圖（Image Matting），是指從圖像中提取出我們所感興趣的前景目標(biāo)，同時過濾掉背景部分。一張圖像可以簡單的看成是由兩部分組成，即前景（Foreground）和背景（Background）。簡單來說，摳圖，就是將一張給定圖像的前景和背景區(qū)分開來。

版權(quán)所有，請勿盜用

假設(shè)原始圖像用 來表示， 表示對應(yīng)的Alpha通道， 和 分別表示對應(yīng)的前景圖像和背景圖像。那么，如上所示，我們可以看出，一張具有RGBA通道的圖像，它可以分解為如下幾部分的組合，即

上述公式最早出自于《Blue screen matting》[9]，由Smith, Alvy Ray, and James F. Blinn兩人提出。Smith也算是圖形學(xué)的先驅(qū)，同時也是HSV顏色空間的作者，據(jù)說喬幫主第一款Mac的圖像界面就是他所設(shè)計的。Smith在1978年還創(chuàng)建了的一種著名的顏色空間HSV，也稱六角錐體模型（Hexcone Model）注：HSV即Hue（色調(diào)色相）、 Saturation（飽和度、色彩純凈度）和Value（明度）。關(guān)于更多內(nèi)容大家有興趣的可以自行查閱。

當(dāng) 為0時，圖像為背景圖像；當(dāng) 為1時，圖像為前景圖像。因此，對于圖像中的每個像素點(diǎn)，均可以表示為一個類似于上述的線性方程組。因此，摳圖的主要目標(biāo)是根據(jù)原始輸入圖像，來獲得前景、背景和透明度。

Alpha通道，指的是一張圖片的透明度。比如真彩色圖像，它是24bit，含有RGB三彩色通道，每個通道占8位。在這個基礎(chǔ)上，我們可以給它擴(kuò)充到32bit，增加一個獨(dú)立的通道，即α通道（黑白灰通道），來控制圖片顯示的透明度，從而得到RGBA四個通道。其中，值越大，圖像的透明度越低。我們知道二進(jìn)制下的8位可以表示的范圍是0-255，即255代表不透明（白色），0表示完全透明（黑色），中間值則為半透明（灰色）；因此只有當(dāng)α=255時疊加到原始圖像上才會顯示其真正的顏色。一般來說，TIFF、PNG和GIF均是支持Alpha通道的，我們經(jīng)常會利用Alpha通道的性質(zhì)來實現(xiàn)摳圖或者獲得具有透明背景的圖片。

2. Methods

2.1 Bayesian-based matting

貝葉斯摳圖是一種交互式的輸入摳圖，其中，對于一些像素點(diǎn)F（前景）、B（背景）及圖片C的alpha值我們是已知的。我們的目標(biāo)便是根據(jù)這些已知的值使求解出來的未知值F、B、C和alpha滿足最大概率。

argmax是一種函數(shù)，用于對函數(shù)求參數(shù)（集合）的函數(shù)。求比如對于argmax(f(x))，可以簡單理解為使得函數(shù)f(x)取得最大值所對應(yīng)的變量x，如果由多個變量均能滿足條件，則為變量點(diǎn)x的集合。

Bayesian Formula

這里 。對于多個概率連乘的形式，我們一般會求對數(shù)，將其轉(zhuǎn)化為加法方便運(yùn)算。因此，我們需要求解出使上述公式概率最大化的最優(yōu)參數(shù)F、B和alpha的數(shù)值。

Grab cut算法是基于高斯混合模型對已知的前景和背景對象進(jìn)行建模。為了保證空間的連續(xù)性，基于貝葉斯的方法采用的是對每個未知像素的N個鄰域點(diǎn)進(jìn)行聚類。對于上述公式，右邊第一項反映的是圖像顏色被賦予F、B和alpha值的可能性。因此，為了獲得一個更優(yōu)解，我們應(yīng)該保持摳圖方程不變，即第一項可以建模為：

注意到，這里 是一個可調(diào)參數(shù)，它反映了與摳圖假設(shè)的預(yù)期偏差值。

對于公式中其它的三項，則分別代表了前景、背景和α通道分布上的先驗概率，這里我們可以根據(jù)用戶輸入的已知像素點(diǎn)，計算出當(dāng)前顏色值屬于前景的概率。

是前景、背景和α分布上的先驗概率。我們可以通過用戶輸入的已知像素來計算一個顏色值屬于前景的概率。如此一來，我們便可以將高斯分布擬合到每個強(qiáng)度值的集合。對于顏色B，我們可以根據(jù)以下公式進(jìn)行估計：

Gaussian distribution

上述其實是一個高斯分布的近似公式。這里均值和標(biāo)準(zhǔn)差分別為：

其實，這些都是可以算出來的。這樣一來，我們便可以得到前景和背景的先驗分布估計：

對于最后一項，即 ,可以假設(shè)它是一個常數(shù)項。這樣我們可以通過概率最大化方程求解偏導(dǎo)數(shù)并將其置為0即可，所以可以直接忽略掉。下面，我們通過最熟悉的聯(lián)立方程組，便可以解決貝葉斯摳圖問題。：

最后，讓我們來梳理下整個流程的步驟吧：

• 對每個像素的alpha值進(jìn)行預(yù)估；
• 交替求解方程得到前景F和背景B；
• 固定F和B的值，聯(lián)立方程求解到alpha的值；
• 重復(fù)上述步驟，直至這三個變量值（F、B and Alpha）收斂。

2.2 Laplacian-based matting

首先，假設(shè)有一個小窗口 ，我們考慮其周圍的每個像素 ：

那么在這個窗口上，我們可以近似地建立第1節(jié)所述的方程關(guān)系，即：

接下來，化簡、移項，可得：

為了簡要表述，這里我們令：

從上面公式也可以看出來，我們近似的將其表達(dá)成一個線性方程，參數(shù)是a和b。假設(shè)一個窗口內(nèi)的α值和顏色是相關(guān)的，我們可以將其延申為一個帶成本函數(shù)（cost function）的摳圖問題：

Laplace's equation

由于整張圖像是由許多重疊的窗口所組成的，所以整體的目標(biāo)函數(shù)可以表示為窗口的集合：

N is the number of windows

下面我們要做的工作便是最小化成本函數(shù)J，來尋找最佳的 以及每一個像素點(diǎn) 所對應(yīng)的窗口 的系數(shù)值 和 。為了防止0值，可以引入正則化，即對應(yīng)公式右邊的偏差項。根據(jù)經(jīng)驗值，當(dāng)所有的顏色通道像素值范圍為[0, 1]時，我們可以將 設(shè)置為1e-7。

接下來，我們將上述公式寫成矩陣的形式：

再簡化下，可以寫成：

假設(shè)這個矩陣是已知的，那么這個向量即為一個常量，我們可以單獨(dú)將 的方程最小化為一個標(biāo)準(zhǔn)的線性系統(tǒng)：

對于給定的對于給定的α值，每個窗口中最優(yōu)的a和b是關(guān)于α的線性函數(shù)。當(dāng)我們把上式代入原式得到：

注意，這里 表示單位矩陣，其維度等于窗口大小。通過代數(shù)運(yùn)算，我們可以計算出拉普拉斯算子中的元素：

其中 和 是第k個窗口顏色的均值和協(xié)方差矩陣，而 是克羅內(nèi)克爾函數(shù)。

Kronecker delta，即克羅內(nèi)克函數(shù)，是一個二元函數(shù)，是由德國數(shù)學(xué)家利奧波德·克羅內(nèi)克所提出來的。克羅內(nèi)克函數(shù)的自變量一般時兩個整數(shù)，當(dāng)兩者相等時輸出為1，否則為0。

下面，根據(jù)當(dāng)前像素點(diǎn)是屬于前景像素或者背景像素，給出兩個約束條件：

通過使用拉格朗日乘數(shù)法求解這個問題，首先建立拉格朗日函數(shù)：

拉格朗日乘數(shù)法是一種尋找變量受一個或多個條件所限制的多元函數(shù)的極值的方法。

到這里就好辦了，把高數(shù)用起來哈哈。求導(dǎo)，令其等于0，完美解決：

最后，我們便能將問題轉(zhuǎn)化為線性方程組進(jìn)行解決即可：

2.3 deep learning-based matting

傳統(tǒng)算法除了上述兩種，其實還有不少，比如基于KNN的matting等。由于篇幅內(nèi)容就不展開了，有興趣的可以參考下相關(guān)領(lǐng)域大佬[10]發(fā)表的綜述文章。下面介紹下深度學(xué)習(xí)相關(guān)的摳圖方法?；谏疃葘W(xué)習(xí)的摳圖算法也屬于圖像分割（Image Segmentation）的范疇，只不過是一種軟分割。今天主要介紹的是CVPR 2020上的一篇摳圖相關(guān)的文章——U2-Net[6]，框架圖如下所示：

硬分割（Hard Segmentation）：一個像素點(diǎn)要么是前景，要么是背景；
軟分割（Soft Segmentation）：一個像素點(diǎn)除了是前景和背景，還可能使由兩者共同決定

Schematic diagram of U2-Net framework

emmm，沒錯！就是多個U-Net的的級聯(lián)，將U-Net視為一個獨(dú)立的特征提取模塊，類似于Residual block。U2-Net由于摳圖效果超群，思想簡單，效率又高，一提出在Reddit上就被熱議，不然我們怎么能關(guān)注到它呢？

Reddit是一個集娛樂、社交及新聞的網(wǎng)站， 大家有空也可以多關(guān)注關(guān)注。

好了，廢話有點(diǎn)多，言歸正傳。在介紹U2-Net時我們先簡單的回顧下U-Net。U-Net是和FCN在同一個時期出的產(chǎn)物，一個主攻數(shù)據(jù)量大樣本較為簡單的自然圖像領(lǐng)域，另一個則主攻數(shù)據(jù)量小樣本較為困難的醫(yī)學(xué)圖像領(lǐng)域，只不過FCN比U-Net早提出。當(dāng)然，后面還出了還多基準(zhǔn)網(wǎng)絡(luò)，比如提拉米蘇網(wǎng)絡(luò)，將U-Net中的concatenate操作替換為element-wise sum操作。此外，還有類似的很多網(wǎng)絡(luò)，不多大同小異。U-Net可以看出是繼承了FCN的思想，為了進(jìn)一步地改善FCN分割粗糙的特點(diǎn)，U-Net在FCN的基礎(chǔ)上，在編碼器和解碼器之間引入了長距離跳躍連接（Long-range skip connection），通過結(jié)合來自底層的細(xì)節(jié)，有效的彌補(bǔ)了因下采樣操作過程中空間信息缺失，幫助網(wǎng)絡(luò)恢復(fù)更加精確的定位，這對于醫(yī)學(xué)圖像分割、遙感圖像分割以及摳圖這種對細(xì)節(jié)非常看重的密集型分割任務(wù)來說是至關(guān)重要的。當(dāng)然U-Net也有很多可以改進(jìn)的地方，下面列舉一些關(guān)鍵的突破口：

• 特征提取。關(guān)于特征提取能力，原始的U-Net用的是兩個連續(xù)的plain卷積來提取特征。我們可以將其替換為Residual block、Recurrent block、Dilated conv、Dynamid conv等等。除此之外，還可以自己根據(jù)任務(wù)來設(shè)計。筆者前段時間也自行嘗試設(shè)計了一個，在參數(shù)量和計算量更少的情況下提高了2-3個點(diǎn)。其實現(xiàn)在頂會頂刊上出現(xiàn)的絕大多數(shù)卷積都大同小異：如何在保證時間或空間復(fù)雜度的情況，盡可能地增強(qiáng)特征的表示能力。關(guān)于節(jié)省復(fù)雜度，我們可以結(jié)合到利用基（Radix）的優(yōu)勢以及1x1卷積之類的操作進(jìn)行降維再生維的操作。而增強(qiáng)特征的表示能力也有好多種方式，最核心的兩點(diǎn)便是感受野和信息的有效利用。
• 特征抑制。許多圖像在成像過程中由于外部環(huán)境的因素總是不可避免的會遭到許多背景噪聲的干擾。不知道大家觀察到，U-Net類型的網(wǎng)絡(luò)在引入跳躍連接操作時，來自底層的信息如果我們直接利用，這時候或多或少會伴隨許多噪聲的干擾。關(guān)于抑制或去除噪聲，主要可以通過在數(shù)據(jù)上或模型上進(jìn)行改進(jìn)。數(shù)據(jù)改進(jìn)的話一般時通過一些CLAHE、Gamma增加等操作來增強(qiáng)對比度和抑制噪聲，或者對于一些肉眼可見的噪聲可以直接通過crop操作來去除。你會發(fā)現(xiàn)很多競賽獲勝選手的方案里邊都會花費(fèi)大力氣對數(shù)據(jù)進(jìn)行清洗，純凈的數(shù)據(jù)往往是獲得高分性能的關(guān)鍵。而模型上的改進(jìn)也有不少，比如可以借助光流的思想通過高級特征的語義信息來校準(zhǔn)低級特征的分布。比較常規(guī)的方法可以是通過一些類似于注意力的方式來進(jìn)行背景抑制，使用注意力方法可以對前景特征進(jìn)行加權(quán)輸出使模型更加關(guān)注，另一方面降低背景特征的權(quán)重，不失為一種良好的解決方案。關(guān)于不同的注意力方法筆者也做了一個總結(jié)，可以參考下這篇文章：

• 特征融合。特征融合旨在融合盡可能多的信息來獲得更具有判別力的特征表示。一般可分為模塊內(nèi)的特征融合以及模塊間的特征融合。這里的模塊可以理解為特征提取器，好比如Residual block和Dense block，形式上可以看成是將前一級的信息和后一級或多級的信息融合起來，以加強(qiáng)信息的傳遞。模塊間的融合方式可以參考深監(jiān)督的形式，本文的U2Net就利用到了多層級（multi-level）的融合，來學(xué)習(xí)更多的語義表示，獲得更加精確化的分割結(jié)果。再比如UNet++，直接再編解碼器之間進(jìn)行多層級融合。又或者HR-Net，將高、低分辨率特征的信息進(jìn)行融合。當(dāng)然，并不是說融合越多的信息越好，畢竟不同層級的特征之間存在一個語義偏差（bias）。順著這一點(diǎn)我們又可以做很多工作，比如給不同層級的特征加不同的權(quán)重，設(shè)置幾個超參數(shù)讓網(wǎng)絡(luò)按照既定的規(guī)則進(jìn)行融合。如果不想調(diào)參，再改進(jìn)的話也不是不可以。

說回U2-Net。其實上面分析了很多，能吸收的基本看一眼框架圖一眼就秒懂創(chuàng)新點(diǎn)。非要重述的話，無非就是在保證計算效率的同時，堆疊已有的經(jīng)過驗證切實有效的模塊來融合具有不同尺度的感受野，捕獲更加充足的上下文信息，最后再通過融合多層級的特征獲得一個更加精細(xì)化的更具有判別力的特征。雖說簡單，不過筆者本人信奉“大道至簡”的原則，越有效的東西往往是越簡潔的，成天寫一堆花里胡哨的話是秀給Reviewer看的，大家不用過度當(dāng)真，只需取其精華，去其糟粕即可。

3. How to implement Image Matting?

寫了這么多理論（廢話），關(guān)鍵還是要用一用才舒坦。先給出U2-Ne的源github鏈接：NathanUA/U-2-Net。這是原作者的倉庫鏈接，代碼看起來也很好理解。除了圖像摳圖以外，作者還列出了其它研究人員很多基于U2-Net開發(fā)的有趣應(yīng)用，比如人像繪畫、肖像生成等，有興趣的可以自己去源倉庫看看。不過今天給大家介紹另外一個圖像摳圖應(yīng)用倉庫，我們也不浪費(fèi)時間重復(fù)造輪子了，直接用rembg來生成即可。

rembg是一個外國小伙子基于U2-Net用python和flask開發(fā)出來的背景移除工具。

好了，都到這里了，好人做到底，下面給出小白保姆級教程。注意：下面教程是針對Wins操作系統(tǒng)如何完美運(yùn)行rembg，Linux或Mac OS系統(tǒng)由于基本沒什么坑直接安裝即可。

3.1 Miniconda

第一步是安裝Miniconda，順手整理一波常用的配置指令，詳情可參考這篇：

Anaconda下conda的創(chuàng)建、激活、退出、刪除、配置虛擬環(huán)境以及pip的相關(guān)操作_Jack_0601的博客

https://blog.csdn.net/weixin_43509263/article/details/112097511

3.2 Pakages

第二步是安裝相關(guān)包，筆者電腦顯卡是基于CUDA 10.1版本，下面給出具體的操作步驟：

• 下載源代碼：

如果本地有安裝git，可以直接打開cmd窗口，進(jìn)入到要保存文件的目錄，運(yùn)行：

 git clone https://github.com/danielgatis/rembg.git

如果下載速度堪憂，可以直接打開github，復(fù)制網(wǎng)址，直接用迅雷下載壓縮包，解壓放到本地。

• 按下快捷鍵Win+S，輸入Anaconda Prompt，打開窗口新建一個虛擬環(huán)境：

conda create -n matting python=3.7 -y

• 激活環(huán)境：

conda activate matting

• 安裝pytorch：

大家先上pytorch官網(wǎng)查看自己適配的版本，比如我的：

可以把你的版本號對應(yīng)改下，使用以下指令進(jìn)行下載：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda install pytorch torchvision torchaudio cudatoolkit=10.1

如果下載速度太慢，或者網(wǎng)絡(luò)不穩(wěn)定，由于Pytorch等包太大，很大概率會失敗。如果出現(xiàn)：An HTTP error occurred when trying to retrieve this URL.錯誤，可以參考下這篇博客（https://blog.csdn.net/weixin_36465540/article/details/111242733）。

• 安裝requirements.txt文件下的pkgs

將以下包替換掉requirements.txt這個文件下的包：

flask==1.1.2
numpy==1.19.3
pillow==8.0.1
scikit-image==0.17.2
waitress==1.4.4
tqdm==4.51.0
requests==2.24.0
scipy==1.5.4
pymatting==1.1.1
filetype==1.0.7
hsh==1.1.0
opencv-python==4.5.1.48

進(jìn)入到requirements.txt文件所在目錄，執(zhí)行一鍵安裝指令，體驗飛一般的下載安裝速度：

pip install -r requirements.txt -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

• 下載訓(xùn)練好的U2-Net權(quán)重文件：

百度網(wǎng)盤鏈接：https://pan.baidu.com/s/11KD_r5dY-YOlOL9AE9PorQ

提取碼：6qjo

下載后在根目錄下新建一個u2net目錄，并將權(quán)重文件放置到該文件下，具體可參考：

3.3 Running

• 測試圖像

這個Project作者僅提供摳圖，而且作者并沒有提供script，隨便寫了個，不會寫的可以參考下我的demo.py文件。將你想要測試的圖像放置到examples文件目錄下，具體文件目錄和名稱可自行修改：

"""
demo.py
authored by @湃森 [https://www.zhihu.com/people/peissen]
"""

import io
import os
import cv2
import numpy as np
from PIL import Image, ImageFile

from src.rembg.bg import remove

ImageFile.LOAD_TRUNCATED_IMAGES = True


def show(img):
    cv2.imshow("img", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


def get_mask(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 圖像灰度化處理
    img_gray = cv2.GaussianBlur(img_gray, (3, 3), 0)  # 用(3, 3)的高斯核進(jìn)行模糊化處理
    img_mask = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]  # 使用自適應(yīng)閾值二值化處理
    return img_mask


def get_path(file_path, file_name, extension):
    """
    :param file_path: 文件路徑
    :param file_name: 文件名
    :param extension: 擴(kuò)展名
    :return:
    """
    total_name = file_name + extension
    path = os.path.join(file_path, total_name)
    return path


def get_background(img_src, img_1_alpha):
    """
    :param img_src: 源圖像
    :param img_1_alpha: 1-alpha
    :return: 背景圖像
    """
    img_src_np = np.array(img_src)
    img_alpha_np = np.array(img_1_alpha)
    img_alpha_np = np.expand_dims(img_alpha_np, axis=2)
    img_merge = np.concatenate((img_src_np, img_alpha_np), axis=2)
    res = Image.fromarray(img_merge)
    return res


def get_foreground(path):
    """
    :param path: 源文件輸入路徑
    :return: 前景圖像
    """
    file = np.fromfile(path)  # 用numpy加載源圖像
    img_fg = remove(file)  # 實現(xiàn)摳圖
    img_rgba = Image.open(io.BytesIO(img_fg)).convert("RGBA")  # 轉(zhuǎn)換為RGBA的圖像格式
    assert img_rgba.mode == 'RGBA'  # 判斷是否成功轉(zhuǎn)換
    return img_rgba


def joint_img_horizontal(img_list):
    w, h = img_list[0].size
    res = Image.new('RGBA', (w * len(img_list), h))
    for idx, img in enumerate(img_list):
        res.paste(img, box=(idx * w, 0))
    return res


def background_color_transform(img_src_path, img_alpha_path, img_show=False):

    # 獲取二值圖像
    img_alpha = cv2.imread(img_alpha_path)
    img_mask = get_mask(img_alpha)
    if img_show:
        show(img_mask)

    # 加載源圖像
    img_src = cv2.imread(img_src_path, cv2.IMREAD_COLOR)
    if img_show:
        show(img_src)

    # 背景顏色替換
    # 注意，這里替換的顏色通道是（B，G，R）
    img_src[img_mask == 0] = (0, 0, 255)
    if img_show:
        show(img_src)

    return img_src

def main():
    # 文件路徑
    file_path = './examples'  # 文件所在目錄
    file_name = 'photo'  # 文件名
    input_path = get_path(file_path, file_name, '.jpg')  # 源圖像
    background_path = get_path(file_path, 'back1', '.jpg')  # 背景圖
    out_alpha_path = get_path(file_path, file_name, '_alpha.png')  # alpha通道
    out_1_alpha_path = get_path(file_path, file_name, '_1-alpha.png')  # 1-alpha通道
    out_fg_path = get_path(file_path, file_name, '_fg.png')  # 前景圖
    out_bg_path = get_path(file_path, file_name, '_bg.png')  # 背景圖
    out_joint_path = get_path(file_path, file_name, '_joint.png')  # 多圖拼接
    out_bg_color_trans_path = get_path(file_path, file_name, '_bg_color_trans.png')  # 背景替換
    out_synthesis_path = get_path(file_path, file_name, '_synthesis.png')  # 背景替換

    # 加載源圖像
    img_src = Image.open(input_path)

    # 獲取并保存前景圖像
    img_fg = get_foreground(input_path)
    # print(len(img_fg.split())) = 4
    img_fg.save(out_fg_path)

    # 獲取并保存前景圖像的alpha通道
    img_alpha = img_fg.split()[-1]  # 通道分離，R/G/B/A
    # print(len(img_alpha.split())) = 1
    img_alpha.save(out_alpha_path)

    # 獲取并保存對應(yīng)的1-alpha通道
    img_1_alpha = img_alpha.point(lambda i: 255 - i)
    # print(len(img_1_alpha.split())) = 1
    img_1_alpha.save(out_1_alpha_path)

    # 獲取并保存背景圖像
    img_bg = get_background(img_src, img_1_alpha)
    img_bg.save(out_bg_path)

    # 拼接圖像
    img_list = [img_src, img_fg, img_alpha, img_bg, img_1_alpha]
    img_total = joint_img_horizontal(img_list)
    img_total.save(out_joint_path)

    # 背景遷移
    img_bg_color_trans = background_color_transform(input_path, out_alpha_path, img_show=False)
    cv2.imwrite(out_bg_color_trans_path, img_bg_color_trans)

if __name__ == '__main__':
    main()

如果不出意外，可以得到結(jié)果：

源圖地址：https://www.google.com.hk/url?sa=i&url=https%3A%2F%2Fwww.pi7.com%2Farticle%2Fv34951.html&psig=AOvVaw199Fu3dgbSuqkrloA8fT36&ust=1610877033087000&source=images&cd=vfe&ved=0CAIQjRxqFwoTCIDU6N-WoO4CFQAAAAAdAAAAABAD

要想圖方便的話，作者使用了flask框架，提供了web端的接口測試，可以在終端執(zhí)行rembg-server啟動后臺的相關(guān)服務(wù)。具體運(yùn)行指令可以根據(jù)官方提供的op進(jìn)行測試，我自己寫了個還沒用過，不過應(yīng)該得到的結(jié)果是一樣的。不過好像只提供摳圖，其它要自己寫腳本來操作。事先聲明，未經(jīng)本人允許不得私自轉(zhuǎn)載。

有問題的可在評論區(qū)反饋，謝絕私聊問一堆問題，下面根據(jù)大家反饋的常見錯誤更新如下：

• Attempted to compile AOT function without the compiler used by `numpy.distutils` present. Cannot find suitable msvc.
  這個問題是因為本機(jī)還沒有裝C++ compiler，進(jìn)入visualstudio官網(wǎng)（https://visualstudio.microsoft.com/zh-hans/downloads/）下載：

展開，選擇Visual Studio 2019生成工具，點(diǎn)擊下載：

一路默認(rèn)，到這里勾選C++ bulid tools即可，繼續(xù)安裝，重啟機(jī)器即可。

Reference