Product Image Refine

商品图片全链路精修流水线，专为服装/产品电商场景设计。

执行顺序：调整尺寸 → AI 去背景 → 颜色分析精修廓形（去除衣架、道具等非衣物元素） → 白色背景填充 → 压缩至目标大小。

依赖安装

执行前确保 Python 虚拟环境中已安装以下依赖：

pip install Pillow scipy onnxruntime requests

首次运行去背景步骤时，脚本会自动从 hf-mirror 下载 U2Net ONNX 模型（约 176MB）到 ~/.u2net/u2net.onnx。

使用方式

单张图片处理

python scripts/product_image_refine.py <图片路径> [--size 400] [--max_kb 100]

批量处理整个目录

python scripts/product_image_refine.py <目录路径> --size 400 --max_kb 100

目录下所有 .png/.jpg/.jpeg/.bmp/.webp/.gif 文件都会被处理，原地覆盖保存。

参数说明

| 参数 | 默认值 | 说明 |

|------|--------|------|

| input | (必填) | 图片文件路径或目录路径 |

| --size | 400 | 目标尺寸（正方形，如 400 表示 400x400） |

| --max_kb | 100 | 压缩后最大文件大小（KB） |

处理流水线（5 步）

Step 1: 调整尺寸

等比缩放图片到目标尺寸，不足部分用白色填充，居中放置。

保持图片原始宽高比不变形。

Step 2: AI 去除背景

使用 U2Net ONNX 模型进行语义分割，识别前景物体并去除背景。

模型输入 320x320 RGB，输出前景 mask，阈值 0.5。

需要网络连接下载模型（首次运行），后续使用缓存。

Step 3: 精修廓形（去除衣架/道具）

基于 HSV 颜色空间分析前景像素：

• 排除低亮度（V < 0.20）像素 → 黑色衣架/金属杆
• 排除低饱和度（S < 0.08）像素 → 灰色/银色金属
• 排除过高亮度（V > 0.92）像素 → 白色背景残留

对保留的衣物像素做连通区域分析，只保留面积最大的主体区域，然后通过形态学运算（膨胀→腐蚀→闭运算→开运算）平滑边缘。

Step 4: 白色背景填充

将 RGBA 透明图像合成到纯白背景上，转换为 RGB 格式。

裁剪内容边界框后缩放回目标尺寸居中放置。

Step 5: 压缩

输出统一为 JPEG 格式，逐步降低质量（从 95 到 40），直到满足大小要求。

输出文件扩展名统一为 .jpg，原文件（如 .png）会被自动删除。

注意事项

• 处理结果原地覆盖原文件，建议提前备份重要图片
• 若网络受限导致模型下载失败，会报 RuntimeError
• 连通区域分析基于面积最大原则，若衣物本身分为多块（如上衣+裤子），可能只保留较大的一块
• HSV 阈值参数（亮度 0.20/0.92、饱和度 0.08）适用于大多数服装场景，深色衣物可能需要调整