Xóa nền tách một đối tượng khỏi môi trường xung quanh để bạn có thể đặt nó trên nền trong suốt, hoán đổi cảnh hoặc ghép nó vào một thiết kế mới. Về cơ bản, bạn đang ước tính một mặt nạ alpha—độ mờ mỗi pixel từ 0 đến 1—và sau đó ghép alpha tiền cảnh lên một thứ khác. Đây là toán học từ Porter–Duff và là nguyên nhân của các cạm bẫy quen thuộc như “viền” và alpha thẳng và alpha nhân trước. Để có hướng dẫn thực tế về nhân trước và màu tuyến tính, hãy xem ghi chú Win2D của Microsoft, Søren Sandmann, và bài viết của Lomont về trộn tuyến tính.
Nếu bạn có thể kiểm soát việc chụp, hãy sơn phông nền bằng một màu đồng nhất (thường là màu xanh lá cây) và loại bỏ màu đó. Nó nhanh, đã được thử nghiệm trong phim và phát sóng, và lý tưởng cho video. Sự đánh đổi là ánh sáng và trang phục: ánh sáng màu tràn ra các cạnh (đặc biệt là tóc), vì vậy bạn sẽ sử dụng các công cụ khử tràn để trung hòa ô nhiễm. Các tài liệu tham khảo tốt bao gồm tài liệu của Nuke, Mixing Light, và một bản demo thực hành Fusion.
Đối với các hình ảnh đơn lẻ có nền lộn xộn, các thuật toán tương tác cần một vài gợi ý của người dùng—ví dụ: một hình chữ nhật lỏng lẻo hoặc các nét vẽ nguệch ngoạc—và hội tụ thành một mặt nạ sắc nét. Phương pháp kinh điển là GrabCut (chương sách), học các mô hình màu cho tiền cảnh/nền và sử dụng các đường cắt đồ thị lặp đi lặp lại để tách chúng. Bạn sẽ thấy những ý tưởng tương tự trong Lựa chọn tiền cảnh của GIMP dựa trên SIOX (plugin ImageJ).
Matting giải quyết độ trong suốt phân đoạn ở các ranh giới mỏng manh (tóc, lông, khói, kính). Matting dạng đóng cổ điển lấy một bản đồ ba vùng (chắc chắn-tiền cảnh/chắc chắn-nền/không xác định) và giải một hệ thống tuyến tính cho alpha với độ trung thực cạnh mạnh. Matting hình ảnh sâu hiện đại đào tạo các mạng nơ-ron trên bộ dữ liệu Adobe Composition-1K (tài liệu MMEditing), và được đánh giá bằng các số liệu như SAD, MSE, Gradient và Connectivity (giải thích điểm chuẩn).
Công việc phân đoạn liên quan cũng hữu ích: DeepLabv3+ tinh chỉnh các ranh giới bằng một bộ mã hóa-giải mã và các tích chập atrous (PDF); Mask R-CNN cung cấp các mặt nạ cho mỗi phiên bản (PDF); và SAM (Segment Anything) là một mô hình nền tảng có thể nhắc tạo ra các mặt nạ không cần học trên các hình ảnh không quen thuộc.
Công trình học thuật báo cáo các lỗi SAD, MSE, Gradient, và Connectivity trên Composition-1K. Nếu bạn đang chọn một mô hình, hãy tìm những số liệu đó (định nghĩa số liệu; phần số liệu của Background Matting). Đối với chân dung/video, MODNet và Background Matting V2 rất mạnh; đối với các hình ảnh “đối tượng nổi bật” chung, U2-Net là một đường cơ sở vững chắc; đối với độ trong suốt khó, FBA có thể sạch hơn.
Bộ chuyển đổi này chạy hoàn toàn trong trình duyệt của bạn. Khi bạn chọn một tệp, nó sẽ được đọc vào bộ nhớ và chuyển đổi sang định dạng đã chọn. Sau đó, bạn có thể tải xuống tệp đã chuyển đổi.
Việc chuyển đổi bắt đầu ngay lập tức và hầu hết các tệp được chuyển đổi trong vòng chưa đầy một giây. Các tệp lớn hơn có thể mất nhiều thời gian hơn.
Các tệp của bạn không bao giờ được tải lên máy chủ của chúng tôi. Chúng được chuyển đổi trong trình duyệt của bạn và sau đó tệp đã chuyển đổi sẽ được tải xuống. Chúng tôi không bao giờ thấy các tệp của bạn.
Chúng tôi hỗ trợ chuyển đổi giữa tất cả các định dạng hình ảnh, bao gồm JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, v.v.
Bộ chuyển đổi này hoàn toàn miễn phí và sẽ luôn miễn phí. Bởi vì nó chạy trong trình duyệt của bạn, chúng tôi không phải trả tiền cho máy chủ, vì vậy chúng tôi không cần tính phí bạn.
Đúng! Bạn có thể chuyển đổi bao nhiêu tệp tùy thích cùng một lúc. Chỉ cần chọn nhiều tệp khi bạn thêm chúng.