最近 ai 相关的内容真是层出不穷，前 chatGPT 火了好一阵子，大语言模型的一次技术突进，带来了无数可能，仿佛一夜之间好多工作都能被 ai 替代，从项目、文案、代码、测试好多领域，不过现在哪怕到了 gpt-4 更多的也是辅助作用。chatGPT 的火热，顺便带动了 stable-diffusion、midjourney 这一类绘图创作，其实这两个去年中已经出来了。通过 prompt 的引导，可以创作出非常多的图，尤其是 stable-diffusion 还有许多开源的贡献，不同风格的模型、插件搭配，让整个生态变得非常丰富，连类似 midjourney 效果的 openjourney 都出来了。stable-diffusion 本身是开源的，只要提供模型和 GPU 基本就可以实现图像服务。而有了图像之后，自然是少不了抠图的功能，生成了目标图像之后，通过抠图将其发送到编辑平台里面，这样可以极大的便利用户对图像操作，不用重新下载然后到 ps 里面处理。

cv 的方式

抠图的核心算法是通过将目标物体从背景色中分离出来，而当物体与背景具有明显区别的时候，通过 cv 的方式可以简单的提取到物体。比如之前写的图像分类应用的一次探索 里面对图像分割的处理，分水岭算法和轮廓检测算法都能将目标对象抠出来。

不过 cv 的方式只能用于简单情况，对于复杂的图像，无法精确的识别到整体以及边缘，还是要找其他的方式

PaddleSeg

飞桨 PaddlePaddle 出的图像分割 PaddleSeg 通过多个算法和模型能分割图像，其中 PP-HumanSeg 系列模型效果就非常好，能将人物和背景在像素级别进行区分，模型体积非常小，响应很快，经过多次优化后，PP-HumanSegV2-Lite 甚至可以在 16ms 内分割图像，而且体积只有 5.4m，可以说非常好用。人像模型还可以直接在 web 上操作，通过上传图像，服务端对人物分段，完成抠图动作，可以用懒人抠图。如果要本地使用，可以采用如下指令：

python tools/predict.py \
    --config configs/ppmattingv2/ppmattingv2-stdc1-human_512.yml \
    --model_path pretrained_models/ppmattingv2-stdc1-human_512.pdparams \
    --image_path demo/human.jpg \
    --save_dir ./output/results \
    --fg_estimate True

还有其他的模型，比如通用的 MODNet-MobileNetV2，只是没有提供对应的 predict 方式。

使用 PaddleSeg 需要安装 PaddlePaddle，其本身是采用 cuda 优化加速的，对于 MAC M1 只能用 cpu 的方式，不过速度也很快。

除了人像模式，PaddleSeg 还有 EISeg 交互式分割标注软件，具体的界面如下，

可以看到界面稍微有点简陋，可以在该平台上使用分割扣取图像，不过无法应用在 web 端。存在通用模型，不过没有对应的 pdparams 也是用不了？如果可以请指教下。

segment-anything

facebook 出的分割一切的模型 segment-anything，该模型可以在统一的框架内，指定一个点、一个边界框直接分割物体，不需要额外的训练，就可以覆盖各种场景，可以说开箱即用，对比 PaddleSeg 真的非常强。segment-anything 模型已经在 1100 万张图像和 11 亿张掩模的数据集上进行了训练，并且在各种分割任务上具有强大的零样本性能。大家可以看看下面这个示例

可以看出非常精准，每个物体都被分割出来。segment-anything 不仅可以分割一切，还能检测并分类图像。

segment-anything 有个 demo 网站，可以试试。基本看了一圈之后，毫无疑问，抠图的方案采用 segment-anything 就可以了，完成能满足要求。只是看了它的 demo 网站后，疑惑为什么速度这么快。用过 sd 大模型的人都知道，大模型输出图像效果是比较慢的，快的话也要五六秒，取决于 GPU 性能。而 demo 上，hover 就出效果，基本上只是略微的延迟，一看 network 好家伙，不是服务端返回的结果，居然是本地生成的？打开 sources 一看，居然有 sourceMap，debugger 一通后，发现原来是用了 onnx。

onnx

onnx（Open Neural Network Exchange）可以用于各种模型框架训练得到的模型能够通用，而现在它已经结合 onnxruntime 成为一种加速模型推理的方法。onnxruntime 就是指 onnx 格式模型的运行环境，它由微软开源，该环境集成多种模型加速工具，如 Nvidia 的 TensorRT 等，用于快速模型推断。具体了解大家可以看看模型压缩与推断加速技术

segment-anything 的轻量级掩码解码器可以导出为 onnx 格式，这样它就可以在任何支持 onnx 运行时的环境中运行，例如在示例中，采用的就是 onnxruntime-web，这是 ONNX Runtime 中的一项新功能，能够在浏览器中运行和部署机器学习模型，实现浏览器内推理。可以在浏览器环境下和 nodejs 环境下加载 onnx 模型的库，其中有两种运行模型：CPU 和 GPU，CPU 使用 webassambly 来加载模型，而 GPU 使用 Webgl 来加载，GPU 的覆盖性会差一些，默认运行在 CPU 上。onnxruntime-web 提供了 inferenceSession 的运行时对象，提供了方法 run 方法。方法如下

// URL 为 onnx 的模型地址
const session = await ort.InferenceSession.create(URL);

const dataA = Float32Array.from([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]);
const dataB = Float32Array.from([
  10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, 120,
]);
const tensorA = new ort.Tensor("float32", dataA, [3, 4]);
const tensorB = new ort.Tensor("float32", dataB, [4, 3]);

const feeds = { a: tensorA, b: tensorB };
const results = await session.run(feeds);

segment-anything 与 onnx

segment-anything 里面 onnx 的模型，可以通过 python scripts/export_onnx_model.py --checkpoint <path/to/checkpoint> --model-type <model_type> --output <path/to/output> 方式输出，然而大概看了下 export_onnx_model.py 其中有不少随机变量，如果要输出更好的 onnx 则需要自己调整。

再看看传入 session.run 里面的主要参数：

1. low_res_embedding: segment-anything 模型输出的预测文件
2. point_coords: 坐标点，鼠标移动/点击位置
3. image_size: 尺寸大小

其中 low_res_embedding 是由 segment-anything 输出，先按照官方教程生成 predictor 对象，再加载对应图像，直接获取返回 get_image_embedding 的 base64 格式数据。

checkpoint = "./sam_vit_h_4b8939.pth"
model_type = "vit_h"

sam = sam_model_registry[model_type](checkpoint=checkpoint)
sam.to(device='cpu')

predictor = SamPredictor(sam)

def get_image_embedding(url):
  print('image url:', url)
  predictor.reset_image()
  req = urllib.request.urlopen(url)
  arr = np.asarray(bytearray(req.read()), dtype=np.uint8)
  image = cv2.imdecode(arr, -1)
  image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
  predictor.set_image(image)
  image_embedding = predictor.get_image_embedding().cpu().numpy()
  return [base64.b64encode(image_embedding)]

point_coords 则是坐标点位置，可以是鼠标滑动时候的坐标，也可以是点击时候的坐标，当然原点是图像的左上角。image_size 是遮罩缩放后的尺寸。

图像展示

通过 model.run 可以获得一维的图像数据，那如何显示出来？这里分两种操作， hover 和点选操作。

对于 hover 的情况，显示出高亮的区域就可以：

function toImageData(input: any, width: number, height: number) {
  const [r, g, b, a] = [0, 114, 189, 255];
  const arr = new Uint8ClampedArray(4 * width * height).fill(0);
  for (let i = 0; i < input.length; i++) {
    if (input[i] > 0.0) {
      arr[4 * i + 0] = r;
      arr[4 * i + 1] = g;
      arr[4 * i + 2] = b;
      arr[4 * i + 3] = a;
    }
  }
  return new ImageData(arr, height, width);
}

遍历所有数据，如果是大于 0 的，则认为是选中内容，配置对应的高亮蓝色，然后 canvas 来绘制图像，效果如下图

可以看到中间的白马会被高亮的效果。点选后，白马自身是正常显示的，周围有高亮效果，同时其他地方也会一个遮罩效果。

白马四周高亮则比较复杂，onnx 输出的数据是整体的图像数据，没有直接边缘处理。所以这里采用了自行的一套边缘处理算法，将 onnx 生成的 mask 转为 svg 数据：

1. RLE 算法，遍历所有数据压缩图像，抠图过程会有非常多的冗余信息，对于只需要高亮单个模块而言，通过 RLE 降低整体信息。将原本 699392 个数据，减少到 1000+ 个，便于后面操作。
2. 解析 RLE 输出后的断点信息
3. 根据断点信息，生成多边形线段
4. 将线段，通过 Move 形式形成多边形。

其中步骤三、步骤四涉及到非常多细节处理，包括化短线段为长线段、直角构成、反复选择相邻顶点、边形成等问题，感兴趣的可以自行研究下。

其中生成的剪切图像，则是采用 canvas 的方式，单独将 svg 和原图像绘制成新的图像，如存在值，则是绘图的区域。最后生成新的 canvas。

总结

刚开始写这篇博客的时候，chatGPT 非常很火，甚至公司内部都在孵化产品，带热了周围的生态，图生图，以及后面其他大中厂每周都会发布一个大模型，股票也是上天了。到现在三个多月过去了，chatGPT 热度明显下来，图生图也是如此，其实没有大家想象中那么好用，当然作为一个辅助产品还是不错的。

参考

1. 模型压缩与推断加速技术