Proč je odstranění pozadí všude
Každý produktový fotka na Amazonu, každý profilový portrét, každá nálepka v chatovací aplikaci — všechny začínaly jako obdélníková fotka s pozadím. Pozadí bylo odstraněno softwarem. V roce 2026 se to děje tak rychle a tak levně, že zapomínáme, že jde o složitý problém.
Před deseti lety odstranění pozadí znamenalo otevřít Photoshop, přiblížit na 400% a ručně kreslit objekt Perem — 30 minut na fotku a výsledek stále měl zelenou okraji kolem vlasů. Dnes to dokáže prohlížeč za 1 sekundu, zdarma a s lepší kvalitou. Otázka zní: jak?
Tři algoritmy
Každý moderní nástroj na odstranění pozadí — ať už je to remove.bg, Canva, Photoshop nebo nástroj založený na prohlížeči — používá jeden ze třích přístupů nebo jejich kombinaci.
1. Segmentace založená na barvě
Nejjednodušší metoda. Algoritmus odebere vzorky barev v rozích obrázku (předpokládá se, že jde o pozadí), sestaví model barev a označí každý pixel, který je " dostatečně blízko" tomuto modelu jako pozadí. Prahová tolerance řídí, jak agresivní je odstranění.
Tento postup funguje dokonale u produktu na bílém pozadí, u osoby proti modré obloze nebo cokoliv, co bylo natočeno na zeleném plátně. Selhává, když má pozadí více barev (strom, dav, strukturovaná zeď) nebo když je objekt podobné barvy jako pozadí (bílý kocour na bílém gauči).
2. Zaplnění (flood-fill) s alfa matováním
Druhá metoda. Algoritmus sestaví trimap — hrubou mapu se třemi zónami: jistě popředí, jistě pozadí a "neznámá" zóna na okraji. Poté spustí zaplnění z známých zón do neznámé zóny a pro každý okrajový pixel vypočítá měkkou alfa hodnotu (0 až 1) na základě toho, kolik obsahuje barev popředí oproti pozadí.
Zde přichází na řadu barevný prostor CIELab. Vzdálenost v RGB neodpovídá tomu, jak vnímáme barvy — dvě zelené se stejnou RGB vzdáleností mohou vypadat identicky nebo úplně odlišně. CIELab (světlost, a, b) je vnímatelně uniformní: stejné vzdálenosti v prostoru Lab vypadají stejně odlišně. Nástroje na odstranění pozadí, které používají CIELab, vytvářejí čistší okraje, protože lépe rozhodují, na které straně hranice pixel patří.
3. AI sémantická segmentace
Třetí metoda. neuronová síť — typicky architektura U-Net nebo podobný kódér-dekódér — je trénována na milionech označených obrázků. Učí se rozpoznávat "osoba", "auto", "pes", "produkt" jako sémantické kategorie a vytváří pixelově přesnou masku objektu bez ohledu na pozadí.
U fotek s lidmi běží MediaPipe Selfie Segmentation (lehká model od Googlu) v reálném čase v prohlížeči bez nutnosti GPU. U produktů a objektů se používají těžší modely jako U²-Net nebo IS-Net. Výměnou je kvalita versus rychlost versus velikost modelu: 40MB model dává téměř dokonalé vlasy, ale trvá 5 sekund stáhnout. 2MB model je okamžitý, ale má problémy s jemnými detaily.
Proč jsou vlasy největším problémem
Vlasy jsou pro odstranění pozadí úhlavním nepřítelem. Jednotlivý vlas je široký 1-2 pixely — pod rozlišením většiny masek. Poloprůhledné vlasy mísí barvy popředí a pozadí takovým způsobem, jakým je žádný pevný práh nedokáže oddělit. A vizuální rozdíl mezi "dobrým výstřihem vlasů" a "špatným výstřihem vlasů" je obrovský — zelená aureola kolem hlavy okamžitě křičí "falešné".
Řešením je alfa matování v kombinaci s dekontaminací barev. Alfa matování vypočítává pro každý pixel měkkou alfa hodnotu, takže vlasy postupně přecházejí v průhlednost namísto toho, aby končily tvrdou linií. Dekontaminace barev invertuje složení rovnice — popředí = (kompozit - (1-alfa) × pozadí) / alfa — aby obnovila skutečnou barvu popředí u okrajových pixelů a odstranila zelenou (nebo modrou, nebo šedou) záplavu, která se vyfiltruje z pozadí.
Zpracovací řada (pipeline)
Produkční nástroj na odstranění pozadí postupně spustí všechny tři metody:
- Segmentace podle barvy — rychlý první průchod, označí zjevné pozadí.
- Zaplnění + alfa matování — vylepší okraj, vypočítá měkké alfa hodnoty.
- Dekontaminace barev — odstraní aureolu u poloprůhledných okrajových pixelů.
- Analýza souvislých komponent — ponechá pouze největší oblast objektu, odstraní plovoucí ostrovy šumu.
U fotek s lidmi je nulovým krokem AI selfie segmentace — dává to maskě náskok, takže segmentace podle barvy a zaplnění mají méně práce.
Kdy selhává
Odstranění pozadí selhává, když:
- Objekt je podobné barvy jako pozadí. Bílá košile na bílé zdi, zelený ještěr na zeleném listě. Algoritmus nemůže najít okraj, protože percepčně žádný okraj neexistuje.
- Pozadí je složité a rušné. Stromy, davy, ploty z drátěné sítě — příliš mnoho barev pro zaplnění.
- Objekt je průhledný nebo odrazivý. Sklo, voda, plast — "popředí" je částečně pozadí.
- Obrázek má nízké rozlišení. U 200×200 je vlas široký 0,5 pixelu — pod limitem vzorkování.
Jak dosáhnout nejlepších výsledků
- Fotografovejte proti jednobarevnému pozadí. Bílá, šedá nebo modrá fungují nejlépe. Čím je barva pozadí odlišnější od objektu, čistší je výstřih.
- Používejte zdroj s vysokým rozlišením. 2000×2000 nebo větší. Algoritmus potřebuje pixely, s kterými může pracovat na okraji.
- Vyhněte se rozmazanému pohybu. Rozmazaný okraj je široká "neznámá" zóna, kterou musí algoritmus hadat.
- U vlasů používejte jednobarevné pozadí. Vzorovaná pozadí se vyfiltrují do vlasů a vytvoří aureoly, které je těžké odstranit.
Soukromí
Odstranění pozadí může běžet zcela v prohlížeči. Žádný obrázek není nahrán na server, žádný server neuvidí fotku. Algoritmus — segmentace podle barvy, zaplnění, dokonce i AI model — běží na CPU nebo GPU zařízení. To je bezpečné pro soukromé fotky, rodinné portréty, fotky občanských průkazů a jakékoliv citlivé obrázky.
Budoucnost
Dalším frontiérem je odstranění pozadí v reálném čase u videa — Zoom, Meet a OBS už to dělají s různou kvalitou. Algoritmy jsou stejné; výzvou je spouštět je 30-60krát za sekundu. Nástroje založené na prohlížeči se přibližují: s WebGPU je odstranění pozadí v reálném čase a v rozlišení 4K v záložce prohlížeče stále stává proveditelným.
U fotek je problém v podstatě vyřešen. Algoritmy jsou dostatečně dobré, rychlé a zdarma, aby "odstranění pozadí" byla operace jedním kliknutím. Zbývající práce je na okrajích — doslova: vlasy, srst a poloprůhledné materiály stále představují výzvu pro každý algoritmus a pravděpodobně vždy budou.