چرا حذف پس‌زمینه همه‌جا هست

هر عکس محصولی در آمازون، هر پرتره نمایه، هر برچسبی در اپلیکیشن گپ شما — همه به‌عنوان یک عکس مستطیلی با پس‌زمینه شروع شدند. پس‌زمینه توسط نرم‌افزار حذف شد. در ۲۰۲۶، این کار آن‌قدر سریع و ارزان رخ می‌دهد که فراموش می‌کنیم مسئله سختی است.

یک دهه پیش، حذف پس‌زمینه به معنای باز کردن فتوشاپ، زوم ۴۰۰٪ و ردیابی دستی سوژه با ابزار Pen بود — ۳۰ دقیقه برای هر عکس و نتیجه هنوز هاله سبز دور مو داشت. امروز یک مرورگر می‌تواند این کار را در ۱ ثانیه، رایگان و با کیفیت بهتر انجام دهد. سؤال این است: چطور؟

سه الگوریتم

هر ابزار مدرن حذف پس‌زمینه — چه remove.bg باشد، چه Canva، فتوشاپ یا ابزار مبتنی بر مرورگر — از یکی از سه رویکرد یا ترکیبی از آن‌ها استفاده می‌کند.

۱. تقسیم‌بندی مبتنی بر رنگ

ساده‌ترین روش. الگوریتم از رنگ‌های چهار گوشه تصویر نمونه می‌گیرد (فرض بر این است پس‌زمینه است)، یک مدل رنگی می‌سازد و هر پیکسل که «به اندازه کافی نزدیک» به آن مدل است را به‌عنوان پس‌زمینه علامت‌گذاری می‌کند. آستانه تحمل، میزان تهاجمی بودن حذف را کنترل می‌کند.

این برای محصول روی پس‌زمینه سفید، فردی در برابر آبی آسمان، یا هر چیزی که روی صفحه سبز فیلم‌برداری شده باشد عالی کار می‌کند. وقتی پس‌زمینه چند رنگ دارد (یک درخت، یک جمعیت، یک دیوار بافت‌دار) یا وقتی سوژه از نظر رنگی شبیه پس‌زمینه است (گربه سفید روی مبل سفید) شکست می‌خورد.

۲. پر کردن سیلابی با ماتینگ آلفا

روش دوم. الگوریتم یک تری‌مپ می‌سازد — یک نقشه کلی با سه منطقه: قطعا پیش‌زمینه، قطعا پس‌زمینه و منطقه «نامشخص» در لبه. سپس پر کردن سیلابی را از مناطق شناخته‌شده به منطقه ناشناخته اجرا می‌کند و برای هر پیکسل لبه، بر اساس مقدار رنگ پیش‌زمینه در برابر پس‌زمینه‌ای که در آن دارد، مقدار آلفای نرم (۰ تا ۱) محاسبه می‌کند.

اینجاست که فضای رنگ CIELab وارد می‌شود. فاصله RGB با نحوه ادراک رنگ توسط انسان مطابقت ندارد — دو سبز با فاصله RGB یکسان می‌توانند یکسان یا کاملاً متفاوت به‌نظر برسند. CIELab (روشنایی، a، b) از نظر ادراکی یکنواخت است: فواصل مساوی در فضای Lab به‌طور مساوی متفاوت به‌نظر می‌رسند. ابزارهای حذف پس‌زمینه‌ای که از CIELab استفاده می‌کنند لبه‌های تمیزتری تولید می‌کنند چون تصمیمات بهتری درباره طرف مرزی که پیکسل به آن تعلق دارد می‌گیرند.

۳. تقسیم‌بندی معنایی با هوش مصنوعی

روش سوم. یک شبکه عصبی — معمولاً U-Net یا معماری رمزگذار-رمزگشای مشابه — روی میلیون‌ها تصویر برچسب‌دار آموزش می‌بیند. یاد می‌گیرد «شخص»، «خودرو»، «سگ»، «محصول» را به‌عنوان دسته‌های معنایی تشخیص دهد و فارغ از پس‌زمینه، یک ماسک دقیق پیکسلی از سوژه تولید می‌کند.

برای عکس‌های دارای افراد، MediaPipe Selfie Segmentation (یک مدل سبک از گوگل) در مرورگر به‌صورت بلادرنگ اجرا می‌شود، بدون نیاز به GPU. برای محصولات و اشیاء، از مدل‌های سنگین‌تری مثل U²-Net یا IS-Net استفاده می‌شود. مصالحه کیفیت در برابر سرعت در برابر اندازه مدل است: مدل ۴۰ مگابایتی موی نزدیک به کامل می‌دهد، اما دانلود ۵ ثانیه طول می‌کشد. مدل ۲ مگابایتی فوری است اما در جزئیات ظریف مشکل دارد.

چرا مو سخت‌ترین مسئله است

مو نِمسیس حذف پس‌زمینه است. یک تار مو ۱-۲ پیکسل عرض دارد — کمتر از وضوح اکثر ماسک‌ها. مو نیمه‌شفاف رنگ‌های پیش‌زمینه و پس‌زمینه را به روش‌هایی ترکیب می‌کند که هیچ آستانه سختی نمی‌تواند جدا کند. و تفاوت بصری میان «برش موی خوب» و «برش موی بد» عظیم است — هاله سبز دور سر فورا «جعلی» فریاد می‌زند.

راه‌حل، ماتینگ آلفا همراه با رفع آلودگی رنگ است. ماتینگ آلفا برای هر پیکسل مقدار آلفای نرم محاسبه می‌کند، پس تارهای مو به‌جای پایان در یک خط سخت، به‌تدریج به شفافیت محو می‌شوند. رفع آلودگی رنگ معادله ترکیب را معکوس می‌کند — پیش‌زمینه = (ترکیب‌شده - (۱-آلفا) × پس‌زمینه) / آلفا — تا رنگ واقعی پیش‌زمینه در پیکسل‌های لبه بازیابی شود و رنگ سبز (یا آبی یا خاکستری) که از پس‌زمینه نشت کرده حذف شود.

خط لوله

یک ابزار حذف پس‌زمینه در سطح تولید هر سه روش را به‌ترتیب اجرا می‌کند:

۱. تقسیم‌بندی رنگ — پاس اول سریع، پیکسل‌های آشکار پس‌زمینه را علامت‌گذاری می‌کند. ۲. پر کردن سیلابی + ماتینگ آلفا — لبه را اصلاح می‌کند، مقادیر آلفای نرم محاسبه می‌کند. ۳. رفع آلودگی رنگ — هاله را از پیکسل‌های لبه نیمه‌شفاف حذف می‌کند. ۴. تحلیل مؤلفه متصل — فقط بزرگ‌ترین منطقه سوژه را نگه می‌دارد، جزایر نویز شناور را حذف می‌کند.

برای عکس‌های دارای افراد، مرحله ۰ تقسیم‌بندی سلفی هوش مصنوعی است — به ماسک یک سرآغاز می‌دهد، پس پاس‌های رنگ و پر کردن سیلابی کار کمتری برای انجام دارند.

وقتی شکست می‌خورد

حذف پس‌زمینه در موارد زیر شکست می‌خورد:

  • سوژه از نظر رنگی شبیه پس‌زمینه است. پیراهن سفید روی دیوار سفید، مارمولک سبز روی برگ سبز. الگوریتم نمی‌تواند لبه پیدا کند چون از نظر ادراکی لبه‌ای وجود ندارد.
  • پس‌زمینه پیچیده و شلوغ است. درختان، جمعیت‌ها، حصارهای زنجیری — رنگ‌های بیش از حد برای پر کردن سیلابی.
  • سوژه شفاف یا بازتابنده است. شیشه، آب، پلاستیک — «پیش‌زمینه» تا حدودی پس‌زمینه است.
  • تصویر وضوح پایینی دارد. در ۲۰۰×۲۰۰، یک تار مو ۰.۵ پیکسل است — کمتر از حد نمونه‌برداری.

چگونه بهترین نتایج را بگیرید

  • در برابر پس‌زمینه یکنواخت فیلم‌برداری کنید. سفید، خاکستری یا آبی بهترین کار را می‌کنند. هرچه رنگ پس‌زمینه از سوژه دورتر باشد، برش تمیزتر است.
  • از منبع با وضوح بالا استفاده کنید. ۲۰۰۰×۲۰۰۰ یا بزرگ‌تر. الگوریتم در لبه به پیکسل‌هایی نیاز دارد تا با آن‌ها کار کند.
  • از تاری حرکت پرهیز کنید. لبه تار، منطقه «نامشخص» وسیعی است که الگوریتم باید حدس بزند.
  • برای مو، از پس‌زمینه ساده استفاده کنید. پس‌زمینه‌های طرح‌دار به مو نشت می‌کنند و هاله‌هایی می‌سازند که حذف آن‌ها سخت است.

حریم خصوصی

حذف پس‌زمینه می‌تواند کاملاً در مرورگر اجرا شود. هیچ تصویری بارگذاری نمی‌شود، هیچ سروری عکس را نمی‌بیند. الگوریتم — تقسیم‌بندی رنگ، پر کردن سیلابی، حتی مدل هوش مصنوعی — روی CPU یا GPU دستگاه اجرا می‌شود. این برای عکس‌های خصوصی، پرتره‌های خانوادگی، عکس‌های شناسایی و هر تصویر حساسی امن است.

آینده

مرز بعدی حذف پس‌زمینه بلادرنگ روی ویدیو است — Zoom و Meet و OBS قبلاً این کار را با کیفیت متغیر انجام می‌دهند. الگوریتم‌ها یکسان‌اند؛ چالش اجرای آن‌ها در ۳۰-۶۰ فریم بر ثانیه است. ابزارهای مبتنی بر مرورگر در حال پیشی گرفتن‌اند: با WebGPU، حذف پس‌زمینه ۴K بلادرنگ در یک زبانه مرورگر در حال امکان‌پذیر شدن است.

برای عکس‌ها، مسئله اساساً حل شده است. الگوریتم‌ها به اندازه کافی خوب، سریع و رایگان‌اند که «حذف پس‌زمینه» یک عملیات تک‌کلیکی است. کار باقی‌مانده در لبه‌ها است — به معنای واقعی کلمه: مو، خز و مواد نیمه‌شفاف همچنان هر الگوریتمی را به چالش می‌کشند و احتمالاً همیشه خواهند کشید.