Penghapusan latar belakang memisahkan subjek dari lingkungannya sehingga Anda dapat meletakkannya di transparansi, menukar adegan, atau menggabungkannya ke dalam desain baru. Di balik layar, Anda memperkirakan alpha matte—opasitas per piksel dari 0 hingga 1—dan kemudian melakukan alpha-compositing pada latar depan di atas sesuatu yang lain. Ini adalah matematika dari Porter–Duff dan penyebab masalah umum seperti “pinggiran” dan alfa lurus vs. alfa premultiplikasi. Untuk panduan praktis tentang premultiplikasi dan warna linear, lihat catatan Win2D Microsoft, Søren Sandmann, dan tulisan Lomont tentang pencampuran linear.
Jika Anda dapat mengontrol pengambilan, cat latar belakang dengan warna solid (seringkali hijau) dan kunci rona itu. Ini cepat, teruji dalam film dan siaran, dan ideal untuk video. Kelemahannya adalah pencahayaan dan busana: cahaya berwarna tumpah ke tepi (terutama rambut), jadi Anda akan menggunakan alat despill untuk menetralkan kontaminasi. Referensi awal yang bagus termasuk dokumentasi Nuke, Mixing Light, dan demo langsung Fusion.
Untuk gambar tunggal dengan latar belakang yang berantakan, algoritme interaktif memerlukan beberapa petunjuk pengguna—misalnya, persegi panjang longgar atau coretan—dan menghasilkan mask yang tajam. Metode kanonis adalah GrabCut (bab buku), yang mempelajari model warna untuk latar depan/latar belakang dan menggunakan potongan grafik secara berulang untuk memisahkannya. Anda akan melihat ide serupa di Seleksi Latar Depan GIMP berdasarkan SIOX (plugin ImageJ).
Matting memecahkan transparansi parsial pada batas tipis (rambut, bulu, asap, kaca). Klasik matting bentuk-tertutup mengambil trimap (pasti-depan/pasti-belakang/tidak diketahui) dan menyelesaikan sistem linear untuk alfa dengan akurasi tepi yang tinggi. Modern deep image matting melatih jaringan saraf pada dataset Adobe Composition-1K (dokumen MMEditing), dan dievaluasi dengan metrik seperti SAD, MSE, Gradient, dan Connectivity (penjelasan tolok ukur).
Pekerjaan segmentasi terkait juga berguna: DeepLabv3+ menyempurnakan batas dengan encoder–decoder dan konvolusi atrous (PDF); Mask R-CNN memberikan masker per-instans (PDF); dan SAM (Segment Anything) adalah model dasar yang berbasis prompt yang menghasilkan masker zero-shot pada gambar yang tidak dikenal.
Karya akademis melaporkan kesalahan SAD, MSE, Gradient, dan Connectivity pada Composition-1K. Jika Anda memilih model, cari metrik tersebut (definisi metrik; bagian metrik Background Matting). Untuk potret/video, MODNet dan Background Matting V2 kuat; untuk gambar “objek menonjol” umum, U2-Net adalah dasar yang kuat; untuk transparansi yang sulit, FBA dapat memberikan hasil yang lebih baik.
AVIF (AV1 Image File Format) adalah format file gambar modern yang memanfaatkan codec video AV1 untuk memberikan efisiensi kompresi yang unggul dibandingkan dengan format lama seperti JPEG, PNG, dan WebP. Dikembangkan oleh Alliance for Open Media (AOMedia), AVIF bertujuan untuk memberikan gambar berkualitas tinggi dengan ukuran file yang lebih kecil, menjadikannya pilihan yang menarik bagi pengembang web dan pembuat konten yang ingin mengoptimalkan situs web dan aplikasi mereka.
Inti dari AVIF adalah codec video AV1, yang dirancang sebagai alternatif bebas royalti untuk codec berpemilik seperti H.264 dan HEVC. AV1 menggunakan teknik kompresi canggih, seperti prediksi intra-frame dan inter-frame, pengkodean transformasi, dan pengkodean entropi, untuk mencapai penghematan bitrate yang signifikan sambil mempertahankan kualitas visual. Dengan memanfaatkan kemampuan pengkodean intra-frame AV1, AVIF dapat mengompresi gambar diam lebih efisien daripada format tradisional.
Salah satu fitur utama AVIF adalah dukungannya untuk kompresi lossy dan lossless. Kompresi lossy memungkinkan rasio kompresi yang lebih tinggi dengan mengorbankan beberapa kualitas gambar, sementara kompresi lossless mempertahankan data gambar asli tanpa kehilangan informasi apa pun. Fleksibilitas ini memungkinkan pengembang untuk memilih mode kompresi yang sesuai berdasarkan kebutuhan spesifik mereka, menyeimbangkan ukuran file dan fidelitas gambar.
AVIF juga mendukung berbagai ruang warna dan kedalaman bit, membuatnya cocok untuk berbagai jenis gambar dan kasus penggunaan. Ini dapat menangani ruang warna RGB dan YUV, dengan kedalaman bit mulai dari 8 hingga 12 bit per saluran. Selain itu, AVIF mendukung pencitraan rentang dinamis tinggi (HDR), yang memungkinkan representasi nilai luminansi yang lebih luas dan warna yang lebih hidup. Kemampuan ini sangat bermanfaat untuk tampilan dan konten HDR.
Keuntungan signifikan lainnya dari AVIF adalah kemampuannya untuk mengodekan gambar dengan saluran alfa, yang memungkinkan transparansi. Fitur ini sangat penting untuk grafik dan logo yang memerlukan integrasi yang mulus dengan warna atau pola latar belakang yang berbeda. Dukungan saluran alfa AVIF lebih efisien dibandingkan dengan PNG, karena dapat mengompresi informasi transparansi bersama dengan data gambar.
Untuk membuat gambar AVIF, data gambar sumber pertama-tama dibagi menjadi kotak unit pengkodean, biasanya dengan ukuran 64x64 piksel. Setiap unit pengkodean kemudian dibagi lagi menjadi blok yang lebih kecil, yang diproses secara independen oleh encoder AV1. Encoder menerapkan urutan teknik kompresi, seperti prediksi, pengkodean transformasi, kuantisasi, dan pengkodean entropi, untuk mengurangi ukuran data sambil mempertahankan kualitas gambar.
Selama tahap prediksi, encoder menggunakan prediksi intra-frame untuk memperkirakan nilai piksel dalam sebuah blok berdasarkan piksel di sekitarnya. Proses ini mengeksploitasi redundansi spasial dan membantu mengurangi jumlah data yang perlu dikodekan. Prediksi inter-frame, yang digunakan dalam kompresi video, tidak berlaku untuk gambar diam seperti AVIF.
Setelah prediksi, data residual (perbedaan antara nilai piksel yang diprediksi dan aktual) mengalami pengkodean transformasi. Codec AV1 menggunakan satu set fungsi transformasi kosinus diskrit (DCT) dan transformasi sinus diskrit asimetris (ADST) untuk mengubah data domain spasial menjadi domain frekuensi. Langkah ini membantu memusatkan energi sinyal residual ke dalam koefisien yang lebih sedikit, sehingga lebih mudah dikompresi.
Kuantisasi kemudian diterapkan pada koefisien yang ditransformasikan untuk mengurangi presisi data. Dengan membuang informasi yang kurang signifikan, kuantisasi memungkinkan rasio kompresi yang lebih tinggi dengan mengorbankan beberapa kehilangan kualitas gambar. Parameter kuantisasi dapat disesuaikan untuk mengontrol pertukaran antara ukuran file dan fidelitas gambar.
Terakhir, teknik pengkodean entropi, seperti pengkodean aritmatika atau pengkodean panjang variabel, digunakan untuk mengompresi koefisien terkuantisasi lebih lanjut. Teknik ini memberikan kode yang lebih pendek untuk simbol yang lebih sering muncul, menghasilkan representasi data gambar yang lebih ringkas.
Setelah proses pengkodean selesai, data gambar terkompresi dikemas ke dalam format wadah AVIF, yang mencakup metadata seperti dimensi gambar, ruang warna, dan kedalaman bit. File AVIF yang dihasilkan kemudian dapat disimpan atau dikirim secara efisien, memakan lebih sedikit ruang penyimpanan atau bandwidth dibandingkan dengan format gambar lainnya.
Untuk mendekode gambar AVIF, proses sebaliknya diikuti. Decoder mengekstrak data gambar terkompresi dari wadah AVIF dan menerapkan dekode entropi untuk merekonstruksi koefisien terkuantisasi. Kuantisasi terbalik dan pengkodean transformasi terbalik kemudian dilakukan untuk mendapatkan data residual. Nilai piksel yang diprediksi, yang diturunkan dari prediksi intra-frame, ditambahkan ke data residual untuk merekonstruksi gambar akhir.
Salah satu tantangan dalam mengadopsi AVIF adalah pengenalannya yang relatif baru dan dukungan browser yang terbatas dibandingkan dengan format mapan seperti JPEG dan PNG. Namun, karena semakin banyak browser dan alat pemrosesan gambar yang mulai mendukung AVIF secara native, adopsi diharapkan akan tumbuh, didorong oleh meningkatnya permintaan untuk kompresi gambar yang efisien.
Untuk mengatasi masalah kompatibilitas, situs web dan aplikasi dapat menggunakan mekanisme fallback, menyajikan gambar AVIF ke klien yang kompatibel sambil menyediakan format alternatif seperti JPEG atau WebP untuk browser lama. Pendekatan ini memastikan bahwa pengguna dapat mengakses konten terlepas dari dukungan browser mereka untuk AVIF.
Sebagai kesimpulan, AVIF adalah format file gambar yang menjanjikan yang memanfaatkan kekuatan codec video AV1 untuk memberikan efisiensi kompresi yang unggul. Dengan dukungannya untuk kompresi lossy dan lossless, berbagai ruang warna dan kedalaman bit, pencitraan HDR, dan transparansi saluran alfa, AVIF menawarkan solusi serbaguna untuk mengoptimalkan gambar di web. Karena dukungan browser terus berkembang dan lebih banyak alat yang menggunakan AVIF, AVIF berpotensi menjadi pilihan yang disukai bagi pengembang dan pembuat konten yang ingin mengurangi ukuran file gambar tanpa mengorbankan kualitas visual.
Konverter ini berjalan sepenuhnya di browser Anda. Saat Anda memilih file, file tersebut dibaca ke dalam memori dan dikonversi ke format yang dipilih. Anda kemudian dapat mengunduh file yang telah dikonversi.
Konversi dimulai secara instan, dan sebagian besar file dikonversi dalam waktu kurang dari satu detik. File yang lebih besar mungkin membutuhkan waktu lebih lama.
File Anda tidak pernah diunggah ke server kami. File tersebut dikonversi di browser Anda, dan file yang telah dikonversi kemudian diunduh. Kami tidak pernah melihat file Anda.
Kami mendukung konversi antara semua format gambar, termasuk JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, dan banyak lagi.
Konverter ini sepenuhnya gratis, dan akan selalu gratis. Karena berjalan di browser Anda, kami tidak perlu membayar server, jadi kami tidak perlu menagih Anda.
Ya! Anda dapat mengonversi file sebanyak yang Anda inginkan sekaligus. Cukup pilih beberapa file saat Anda menambahkannya.