SeamCarving-GUI: 基于内容感知图像缩放算法的实现与多能量函数比较

🚀 项目简介

这是一个使用 Python 和 Tkinter 实现的 Seam Carving 内容感知图像缩放工具。它允许用户智能地调整图像尺寸，在缩放过程中尽可能地保留图像中重要内容（如人物、主体物体）的结构和比例，而主要修改图像中不那么重要的区域（如背景、天空）。

项目不仅实现了 Seam Carving 的核心算法，还集成了多种能量函数（包括传统的梯度、熵、显著性，以及基于深度学习的 U2-Netp 显著性检测）进行效果对比，并提供了一个直观的图形用户界面（GUI）进行交互。

✨ 主要特性

• 内容感知缩放: 智能地移除或插入像素缝合线 (seam)，而非简单裁剪或拉伸。
• 多种能量函数:
  • Sobel / Laplacian: 基于图像梯度的边缘信息。
  • Entropy (熵): 基于像素邻域的信息复杂度。
  • Saliency (显著性): 基于谱残差的视觉显著性检测。
  • Deep (U2-Netp): 基于深度学习模型的语义显著性检测，效果通常更优。
• 交互式 GUI: 基于 Tkinter 构建的用户界面，操作简便。
• 动画演示: 可视化 Seam Carving 过程中的每一条 seam。
• 批量 Seam 插入: 加速图像放大过程。
• 多能量函数对比模式: 一次性展示不同能量函数处理后的结果，方便直观比较。
• 结果导出: 支持将处理后的图像保存为多种格式。
• 多线程处理: 后台执行耗时任务，确保 GUI 响应流畅。

⚙️ 安装与运行

环境要求

• Python 3.8+
• 推荐使用 pip 和 venv (或 conda) 进行环境管理。

依赖库

# 核心依赖
pip install numpy opencv-python Pillow

# 可选依赖 (用于高级功能)
pip install scikit-image
pip install torch torchvision

下载预训练模型 (U2-Netp)

为了使用“Deep”能量函数，您需要下载预训练的 U2-Netp 模型权重文件。

1. 访问 U2-Net 的 GitHub 仓库: https://github.com/xuebinqin/U-2-Net
2. 在 readme.md 的 "Download the pre-trained model" 后面可以找到 u2netp.pth 模型文件的下载链接。
3. 在项目根目录下创建一个名为 models 的文件夹。
4. 将下载的 u2netp.pth 文件放入 models 文件夹中。 （即文件路径应为 models/u2netp.pth）

运行程序

python main.py

📸 使用截图

💡 算法原理简述

本项目基于 Shai Avidan 和 Ariel Shamir 在 SIGGRAPH 2007 年会上提出的 Seam Carving 算法。该算法通过迭代地寻找并移除（或插入）图像中能量最低的“缝合线”（seam）来调整图像尺寸。能量函数用于衡量每个像素的重要性，通常边缘和主体区域的能量较高。动态规划用于高效地找到最优 seam。

本项目在传统的 Seam Carving 基础上，引入了多种能量函数，尤其是基于深度学习的显著性检测，以更好地感知图像的语义内容，从而在缩放时保持图像的视觉质量和内容完整性。

许可证

本项目采用 MIT 许可证。