Эта страница переведена с помощью Cloud Translation API.

Сегментация субъектов с помощью ML Kit для Android

Используйте ML Kit, чтобы легко добавлять в свое приложение функции тематической сегментации.

Особенность	Подробности
Имя SDK	play-services-mlkit-предметная сегментация
Выполнение	Unbundled: модель динамически загружается с помощью сервисов Google Play.
Влияние размера приложения	Увеличение размера примерно на 200 КБ.
Время инициализации	Пользователям, возможно, придется подождать загрузки модели перед первым использованием.

Попробуйте это

Поэкспериментируйте с примером приложения , чтобы увидеть пример использования этого API.

Прежде чем вы начнете

Для этого API требуется Android API уровня 24 или выше. Убедитесь, что в файле сборки вашего приложения используется значение minSdkVersion 24 или выше.

В файле build.gradle на уровне проекта обязательно включите репозиторий Google Maven как в разделы buildscript , так и в разделы allprojects .
Добавьте зависимость для библиотеки предметной сегментации ML Kit в файл градиента уровня приложения вашего модуля, который обычно имеет вид app/build.gradle :

dependencies {
   implementation 'com.google.android.gms:play-services-mlkit-subject-segmentation:16.0.0-beta1'
}

Как уже говорилось выше, модель предоставлена сервисами Google Play. Вы можете настроить свое приложение на автоматическую загрузку модели на устройство после установки приложения из Play Store. Для этого добавьте следующее объявление в файл AndroidManifest.xml вашего приложения:

<application ...>
      ...
      <meta-data
          android:name="com.google.mlkit.vision.DEPENDENCIES"
          android:value="subject_segment" >
      <!-- To use multiple models: android:value="subject_segment,model2,model3" -->
</application>

Вы также можете явно проверить доступность модели и запросить загрузку через сервисы Google Play с помощью ModuleInstallClient API .

Если вы не включите загрузку модели во время установки или не запрашиваете явную загрузку, модель загружается при первом запуске сегментатора. Запросы, которые вы делаете до завершения загрузки, не дают результатов.

1. Подготовьте входное изображение

Чтобы выполнить сегментацию изображения, создайте объект InputImage из Bitmap , media.Image , ByteBuffer , массива байтов или файла на устройстве.

Вы можете создать объект InputImage из разных источников, каждый из которых описан ниже.

Использование `media.Image`

Чтобы создать объект InputImage из объекта media.Image , например, при захвате изображения с камеры устройства, передайте объект media.Image и поворот изображения в InputImage.fromMediaImage() .

Если вы используете библиотеку CameraX , классы OnImageCapturedListener и ImageAnalysis.Analyzer вычисляют значение поворота за вас.

Котлин

private class YourImageAnalyzer : ImageAnalysis.Analyzer {

    override fun analyze(imageProxy: ImageProxy) {
        val mediaImage = imageProxy.image
        if (mediaImage != null) {
            val image = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees)
            // Pass image to an ML Kit Vision API
            // ...
        }
    }
}

Джава

private class YourAnalyzer implements ImageAnalysis.Analyzer {

    @Override
    public void analyze(ImageProxy imageProxy) {
        Image mediaImage = imageProxy.getImage();
        if (mediaImage != null) {
          InputImage image =
                InputImage.fromMediaImage(mediaImage, imageProxy.getImageInfo().getRotationDegrees());
          // Pass image to an ML Kit Vision API
          // ...
        }
    }
}

Если вы не используете библиотеку камер, которая дает вам степень поворота изображения, вы можете рассчитать ее на основе степени поворота устройства и ориентации датчика камеры в устройстве:

Котлин

private val ORIENTATIONS = SparseIntArray()

init {
    ORIENTATIONS.append(Surface.ROTATION_0, 0)
    ORIENTATIONS.append(Surface.ROTATION_90, 90)
    ORIENTATIONS.append(Surface.ROTATION_180, 180)
    ORIENTATIONS.append(Surface.ROTATION_270, 270)
}

/**
 * Get the angle by which an image must be rotated given the device's current
 * orientation.
 */
@RequiresApi(api = Build.VERSION_CODES.LOLLIPOP)
@Throws(CameraAccessException::class)
private fun getRotationCompensation(cameraId: String, activity: Activity, isFrontFacing: Boolean): Int {
    // Get the device's current rotation relative to its "native" orientation.
    // Then, from the ORIENTATIONS table, look up the angle the image must be
    // rotated to compensate for the device's rotation.
    val deviceRotation = activity.windowManager.defaultDisplay.rotation
    var rotationCompensation = ORIENTATIONS.get(deviceRotation)

    // Get the device's sensor orientation.
    val cameraManager = activity.getSystemService(CAMERA_SERVICE) as CameraManager
    val sensorOrientation = cameraManager
            .getCameraCharacteristics(cameraId)
            .get(CameraCharacteristics.SENSOR_ORIENTATION)!!

    if (isFrontFacing) {
        rotationCompensation = (sensorOrientation + rotationCompensation) % 360
    } else { // back-facing
        rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360
    }
    return rotationCompensation
}MLKitVisionImage.kt

Джава

private static final SparseIntArray ORIENTATIONS = new SparseIntArray();
static {
    ORIENTATIONS.append(Surface.ROTATION_0, 0);
    ORIENTATIONS.append(Surface.ROTATION_90, 90);
    ORIENTATIONS.append(Surface.ROTATION_180, 180);
    ORIENTATIONS.append(Surface.ROTATION_270, 270);
}

/**
 * Get the angle by which an image must be rotated given the device's current
 * orientation.
 */
@RequiresApi(api = Build.VERSION_CODES.LOLLIPOP)
private int getRotationCompensation(String cameraId, Activity activity, boolean isFrontFacing)
        throws CameraAccessException {
    // Get the device's current rotation relative to its "native" orientation.
    // Then, from the ORIENTATIONS table, look up the angle the image must be
    // rotated to compensate for the device's rotation.
    int deviceRotation = activity.getWindowManager().getDefaultDisplay().getRotation();
    int rotationCompensation = ORIENTATIONS.get(deviceRotation);

    // Get the device's sensor orientation.
    CameraManager cameraManager = (CameraManager) activity.getSystemService(CAMERA_SERVICE);
    int sensorOrientation = cameraManager
            .getCameraCharacteristics(cameraId)
            .get(CameraCharacteristics.SENSOR_ORIENTATION);

    if (isFrontFacing) {
        rotationCompensation = (sensorOrientation + rotationCompensation) % 360;
    } else { // back-facing
        rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360;
    }
    return rotationCompensation;
}

Затем передайте объект media.Image и значение степени поворота в InputImage.fromMediaImage() :

Котлин

val image = InputImage.fromMediaImage(mediaImage, rotation)MLKitVisionImage.kt

Java

InputImage image = InputImage.fromMediaImage(mediaImage, rotation);

Использование URI файла

Чтобы создать объект InputImage из URI файла, передайте контекст приложения и URI файла в InputImage.fromFilePath() . Это полезно, когда вы используете намерение ACTION_GET_CONTENT , чтобы предложить пользователю выбрать изображение из приложения галереи.

Котлин

val image: InputImage
try {
    image = InputImage.fromFilePath(context, uri)
} catch (e: IOException) {
    e.printStackTrace()
}MLKitVisionImage.kt

Java

InputImage image;
try {
    image = InputImage.fromFilePath(context, uri);
} catch (IOException e) {
    e.printStackTrace();
}

Использование `ByteBuffer` или `ByteArray`

Чтобы создать объект InputImage из ByteBuffer или ByteArray , сначала вычислите степень поворота изображения, как описано ранее для ввода media.Image . Затем создайте объект InputImage с буфером или массивом вместе с высотой, шириной изображения, форматом цветовой кодировки и степенью поворота:

Котлин

val image = InputImage.fromByteBuffer(
        byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)MLKitVisionImage.kt
// Or:
val image = InputImage.fromByteArray(
        byteArray,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)
MLKitVisionImage.kt

Джава

InputImage image = InputImage.fromByteBuffer(byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);MLKitVisionImage.java
// Or:
InputImage image = InputImage.fromByteArray(
        byteArray,
        /* image width */480,
        /* image height */360,
        rotation,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);MLKitVisionImage.java

Использование `Bitmap`

Чтобы создать объект InputImage из объекта Bitmap , сделайте следующее объявление:

Котлин

val image = InputImage.fromBitmap(bitmap, 0)MLKitVisionImage.kt

Java

InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);MLKitVisionImage.java

Изображение представлено объектом Bitmap вместе с градусами поворота.

2. Создайте экземпляр subjectSegmenter.

Определите параметры сегментатора

Чтобы сегментировать изображение, сначала создайте экземпляр SubjectSegmenterOptions следующим образом:

Котлин

val options = SubjectSegmenterOptions.Builder()
       // enable options
       .build()

Джава

SubjectSegmenterOptions options = new SubjectSegmenterOptions.Builder()
        // enable options
        .build();

Вот подробности каждого варианта:

Маска уверенности на переднем плане

Маска уверенности на переднем плане позволяет отличить объект на переднем плане от фона.

Вызов enableForegroundConfidenceMask() в параметрах позволяет позже получить маску переднего плана, вызвав getForegroundMask() для объекта SubjectSegmentationResult , возвращенного после обработки изображения.

Котлин

val options = SubjectSegmenterOptions.Builder()
        .enableForegroundConfidenceMask()
        .build()

Джава

SubjectSegmenterOptions options = new SubjectSegmenterOptions.Builder()
        .enableForegroundConfidenceMask()
        .build();

Растровое изображение переднего плана

Аналогичным образом вы также можете получить растровое изображение объекта переднего плана.

Вызов enableForegroundBitmap() в параметрах позволяет вам позже получить растровое изображение переднего плана, вызвав getForegroundBitmap() для объекта SubjectSegmentationResult , возвращенного после обработки изображения.

Котлин

val options = SubjectSegmenterOptions.Builder()
        .enableForegroundBitmap()
        .build()

Джава

SubjectSegmenterOptions options = new SubjectSegmenterOptions.Builder()
        .enableForegroundBitmap()
        .build();

Многосубъектная маска уверенности

Как и в случае с параметрами переднего плана, вы можете использовать SubjectResultOptions , чтобы включить маску уверенности для каждого объекта переднего плана следующим образом:

Котлин

val subjectResultOptions = SubjectSegmenterOptions.SubjectResultOptions.Builder()
    .enableConfidenceMask()
    .build()

val options = SubjectSegmenterOptions.Builder()
    .enableMultipleSubjects(subjectResultOptions)
    .build()

Джава

SubjectResultOptions subjectResultOptions =
        new SubjectSegmenterOptions.SubjectResultOptions.Builder()
            .enableConfidenceMask()
            .build()

SubjectSegmenterOptions options = new SubjectSegmenterOptions.Builder()
      .enableMultipleSubjects(subjectResultOptions)
      .build()

Многопредметное растровое изображение

Аналогичным образом вы можете включить растровое изображение для каждого предмета:

Котлин

val subjectResultOptions = SubjectSegmenterOptions.SubjectResultOptions.Builder()
    .enableSubjectBitmap()
    .build()

val options = SubjectSegmenterOptions.Builder()
    .enableMultipleSubjects(subjectResultOptions)
    .build()

Джава

SubjectResultOptions subjectResultOptions =
      new SubjectSegmenterOptions.SubjectResultOptions.Builder()
        .enableSubjectBitmap()
        .build()

SubjectSegmenterOptions options = new SubjectSegmenterOptions.Builder()
      .enableMultipleSubjects(subjectResultOptions)
      .build()

Создайте тематический сегментатор

После того, как вы указали параметры SubjectSegmenterOptions , создайте экземпляр SubjectSegmenter , вызвав getClient() и передав параметры в качестве параметра:

Котлин

val segmenter = SubjectSegmentation.getClient(options)

Джава

SubjectSegmenter segmenter = SubjectSegmentation.getClient(options);

3. Обработка изображения

Передайте подготовленный объект InputImage в метод process SubjectSegmenter :

Котлин

segmenter.process(inputImage)
    .addOnSuccessListener { result ->
        // Task completed successfully
        // ...
    }
    .addOnFailureListener { e ->
        // Task failed with an exception
        // ...
    }

Джава

segmenter.process(inputImage)
    .addOnSuccessListener(new OnSuccessListener() {
            @Override
            public void onSuccess(SubjectSegmentationResult result) {
                // Task completed successfully
                // ...
            }
        })
        .addOnFailureListener(new OnFailureListener() {
            @Override
            public void onFailure(@NonNull Exception e) {
                // Task failed with an exception
                // ...
            }
        });

4. Получите результат предметной сегментации

Получение масок переднего плана и растровых изображений

После обработки вы можете получить маску переднего плана для вашего изображения, вызвав getForegroundConfidenceMask() следующим образом:

Котлин

val colors = IntArray(image.width * image.height)

val foregroundMask = result.foregroundConfidenceMask
for (i in 0 until image.width * image.height) {
  if (foregroundMask[i] > 0.5f) {
    colors[i] = Color.argb(128, 255, 0, 255)
  }
}

val bitmapMask = Bitmap.createBitmap(
  colors, image.width, image.height, Bitmap.Config.ARGB_8888
)

Джава

int[] colors = new int[image.getWidth() * image.getHeight()];

FloatBuffer foregroundMask = result.getForegroundConfidenceMask();
for (int i = 0; i < image.getWidth() * image.getHeight(); i++) {
  if (foregroundMask.get() > 0.5f) {
    colors[i] = Color.argb(128, 255, 0, 255);
  }
}

Bitmap bitmapMask = Bitmap.createBitmap(
      colors, image.getWidth(), image.getHeight(), Bitmap.Config.ARGB_8888
);

Вы также можете получить растровое изображение переднего плана изображения, вызвав getForegroundBitmap() :

Котлин

val foregroundBitmap = result.foregroundBitmap

Джава

Bitmap foregroundBitmap = result.getForegroundBitmap();

Получение масок и растровых изображений для каждого объекта.

Аналогичным образом вы можете получить маску для сегментированных субъектов, вызвав getConfidenceMask() для каждого субъекта следующим образом:

Котлин

val subjects = result.subjects

val colors = IntArray(image.width * image.height)
for (subject in subjects) {
  val mask = subject.confidenceMask
  for (i in 0 until subject.width * subject.height) {
    val confidence = mask[i]
    if (confidence > 0.5f) {
      colors[image.width * (subject.startY - 1) + subject.startX] =
          Color.argb(128, 255, 0, 255)
    }
  }
}

val bitmapMask = Bitmap.createBitmap(
  colors, image.width, image.height, Bitmap.Config.ARGB_8888
)

Джава

List subjects = result.getSubjects();

int[] colors = new int[image.getWidth() * image.getHeight()];
for (Subject subject : subjects) {
  FloatBuffer mask = subject.getConfidenceMask();
  for (int i = 0; i < subject.getWidth() * subject.getHeight(); i++) {
    float confidence = mask.get();
    if (confidence > 0.5f) {
      colors[width * (subject.getStartY() - 1) + subject.getStartX()]
          = Color.argb(128, 255, 0, 255);
    }
  }
}

Bitmap bitmapMask = Bitmap.createBitmap(
  colors, image.width, image.height, Bitmap.Config.ARGB_8888
);

Вы также можете получить доступ к растровому изображению каждого сегментированного объекта следующим образом:

Котлин

val bitmaps = mutableListOf()
for (subject in subjects) {
  bitmaps.add(subject.bitmap)
}

Джава

List bitmaps = new ArrayList<>();
for (Subject subject : subjects) {
  bitmaps.add(subject.getBitmap());
}

Советы по повышению производительности

Для каждого сеанса приложения первый вывод часто выполняется медленнее, чем последующие, из-за инициализации модели. Если низкая задержка имеет решающее значение, рассмотрите возможность заранее вызвать «фиктивный» вывод.

Качество результатов зависит от качества входного изображения:

Чтобы ML Kit мог получить точный результат сегментации, изображение должно быть не менее 512x512 пикселей.
Плохая фокусировка изображения также может повлиять на точность. Если вы не получили приемлемых результатов, попросите пользователя повторно сделать снимок.

Сегментация субъектов с помощью ML Kit для Android

Попробуйте это

Прежде чем вы начнете

1. Подготовьте входное изображение

Использование media.Image

Котлин

Джава

Котлин

Джава

Котлин

Java

Использование URI файла

Котлин

Java

Использование ByteBuffer или ByteArray

Котлин

Джава

Использование Bitmap

Котлин

Java

2. Создайте экземпляр subjectSegmenter.

Определите параметры сегментатора

Котлин

Джава

Маска уверенности на переднем плане

Котлин

Джава

Растровое изображение переднего плана

Котлин

Джава

Многосубъектная маска уверенности

Котлин

Джава

Многопредметное растровое изображение

Котлин

Джава

Создайте тематический сегментатор

Котлин

Джава

3. Обработка изображения

Котлин

Джава

4. Получите результат предметной сегментации

Получение масок переднего плана и растровых изображений

Котлин

Джава

Котлин

Джава

Получение масок и растровых изображений для каждого объекта.

Котлин

Джава

Котлин

Джава

Советы по повышению производительности

Использование `media.Image`

Использование `ByteBuffer` или `ByteArray`

Использование `Bitmap`