用Deepseek 实现一个基于web的扣图应用

背景

因工作需要偶尔要自己拍几张设备图片做一个产品手册，这时需要简单去除一下背景，要求不高，但是也不想自己研究ps这些复杂的图像处理工具了。因此就想研究一下扣图相关算法，并使用Deepseek实现了一个简单的扣图web应用。

扣图算法发展

扣图算法已经比较成熟，该技术应用广泛，学术界有大量研究，各行各业也有不同的用户需求和应用案例。

(34 封私信 / 46 条消息) 一文尽享 Matting（抠图）主流开源模型、数据集 - 知乎

通用抠图技术选型--截止2025年4月_分割 sad评价指标-CSDN博客

Deepseek实现

需求

首先总结了下应用需求，作为Deepseek prompt

结果

经过2-3轮的调试优化，Deepseek完成了编程。另外让Deepseek总结了一下应用的功能、特性和技术，具体如下：

🎯 功能

多格式图片上传：支持JPG、PNG、HEIC等常见格式
智能背景去除：AI自动识别人像并去除背景
结果导出：下载透明背景的PNG图片
实时预览：处理前后对比查看

🛠️ 技术

前端：HTML5、CSS3/Tailwind、JavaScript
AI框架：TensorFlow.js（浏览器端机器学习）
图像处理：Canvas API、BodyPix模型，
部署：纯静态部署（Netlify/Vercel）

⚙️ 算法

人像分割：基于BodyPix深度学习模型识别主体
架构：支持MobileNetV1和ResNet50两种架构
背景去除：边缘采样+颜色范围检测算法
边缘优化：邻域像素平滑处理减少锯齿

运行界面

处理结果

上传图片后提示三种处理方式，快速处理比较保守，人像边缘存在较大处理偏差。

均衡方式的边缘处理较好，但是给人像做了一些误处理。

精确处理比较耗时，处理效果虽然有一点瑕疵，但是基本满足要求了。精确处理使用了ResNet50模型。

开源项目对照

另外找了一个开源的扣图项目，跟deepseek用的算法进行对比。

一键抠图有多强？19Kstar 的 Rembg 开源神器，5 大实用场景颠覆想象！-阿里云开发者社区

首先创建conda python环境。再安装rembg.

复制代码

conda activate pytorch-xpu
pip install "rembg[cpu,cli]"		# 顺带安装 onnxruntime 
(pytorch-xpu) d:\code>rembg --help
Usage: rembg.exe [OPTIONS] COMMAND [ARGS]...

Options:
  --version  Show the version and exit.
  --help     Show this message and exit.

Commands:
  b  for a byte stream as input
  d  download models
  i  for a file as input
  p  for a folder as input
  s  for a http server


#首次使用会自动下载模型
(pytorch-xpu) D:\code\trae\imageKou>rembg i 1.jpg 1.png
Downloading data from 'https://github.com/danielgatis/rembg/releases/download/v0.0.0/u2net.onnx' to file 'C:\Users\xxxx\.u2net\u2net.onnx'.
100%|###############################################| 176M/176M [00:00<?, ?B/s]

(pytorch-xpu) D:\code\trae\imageKou>

单个案例看，处理结果比Deepseek调用的算法效果要好一些。综合能力，还需要进行大量测试。

另外一个：

项目首页 - RMBG-1.4:RMBG-1.4是一款由BRIA AI开发的先进背景移除模型，精准分离图像前景与背景，适用于各类商业用途。基于专业数据集训练，确保高效、准确且公平，支持非商业开源使用，让内容创作更便捷。【此简介由AI生成】 - GitCode

，精准分离图像前景与背景，适用于各类商业用途。基于专业数据集训练，确保高效、准确且公平，支持非商业开源使用，让内容创作更便捷。【此简介由AI生成】 - GitCode](https://ai.gitcode.com/mirrors/briaai/RMBG-1.4)