Background Removal (BiRefNet)

Dieser Funktionsblock führt eine hochqualitative Vordergrund-/Hintergrund-Segmentierung mit dem BiRefNet-Modell durch. Er erzeugt eine binäre Maske und (optional) eine grüne Overlay-Visualisierung des erkannten Vordergrunds, damit Sie die Ergebnisse schnell überprüfen können.

📥 Eingänge (Sockets)

Image RGB- / BGR-Bild, das segmentiert werden soll.

📤 Ausgänge (Sockets)

Overlay Bild mit grünem Overlay, das die segmentierten Vordergrundbereiche anzeigt.

Mask Binäre Segmentierungsmaske (0 = Hintergrund, 255 = Vordergrund).

🕹️ Steuerungen

Overlay Umschalter zum Aktivieren oder Deaktivieren der Overlay-Visualisierungsausgabe (zeigt grünes Overlay über dem Input-Bild).

🎨 Funktionen

• Hochwertige Segmentierung, geeignet für Objekte mit komplexen Konturen und teilweiser Transparenz.

• Erzeugt sowohl eine binäre Maske als auch eine Visualisierungs-Overlay zur schnellen Überprüfung.

• Lädt Modell und wählt das Gerät automatisch (GPU, falls verfügbar).

• Entwickelt, um mit Bildern beliebiger Größe zu arbeiten (die Modellverarbeitung kann intern eine feste Größe für die Inferenz verwenden).

• Erfordert zusätzliche Pakete: transformers, torch, torchvision, pillow.

📝 Nutzungshinweise

1. Verbinden Sie eine Bildquelle mit dem Image-Eingang (z. B.: Camera USB, Camera IP (ONVIF), Load Image).

2. Schalten Sie Overlay ein, wenn Sie neben der binären Maske eine grüne Visualisierung erhalten möchten.

3. Prüfen Sie die Ausgaben: Verwenden Sie Overlay zur visuellen Vorschau und Mask für nachgelagerte Verarbeitungsschritte (Messungen, Zuschneiden, Zählen usw.).

4. Speichern oder protokollieren Sie die Ausgaben mit Image Write oder Image Logger, falls Sie die Ergebnisse ablegen möchten.

📊 Auswertung

Beim Ausführen liefert dieser Block eine binäre Maske, die Vordergrundpixel kennzeichnet, und optional ein Overlay-Bild, in dem Vordergrundbereiche grün eingefärbt sind. Verwenden Sie die Maske für weitere Bildoperationen oder Messungen.

💡 Tipps und Tricks

• Verwenden Sie Image Resizer oder Image Resize, um die Eingangsgröße zu begrenzen, wenn Ihre Quellbilder sehr groß sind. Das spart Speicher und beschleunigt die Verarbeitung.

• Entrauschen oder glätten Sie das Eingangssignal mit Denoising oder Blur, um zufällige Maskenartefakte zu reduzieren.

• Für stärkeren Kontrast zwischen Motiv und Hintergrund probieren Sie Auto Contrast oder Adjust Colors vor der Segmentierung.

• Um kleine Maskenlöcher oder Störpixel zu entfernen, führen Sie Morphological Transformations auf der Mask-Ausgabe aus und verwenden Sie anschließend Apply Mask, um eine bereinigte Ausschnittdarstellung zu erhalten.

• Möchten Sie einen anderen Ansatz mit weniger Abhängigkeiten testen, probieren Sie Background Removal (RMBG-1.4) zum Vergleich.

• Visualisieren Sie Ergebnisse interaktiv mit Show Image. Für automatische Aufzeichnungen nutzen Sie Image Logger oder Image Write.

• Verwenden Sie Image ROI / Image ROI Select vor der Segmentierung, wenn nur ein bestimmter Bereich segmentiert werden soll (spart Rechenleistung und verbessert oft das Ergebnis).

🛠️ Fehlersuche

• Meldet der Block fehlende Abhängigkeiten, installieren Sie die benötigten Pakete (transformers, torch, torchvision, pillow) und starten Sie die Umgebung neu.

• Wirken die Ergebnisse verrauscht oder unvollständig, probieren Sie Vorverarbeitung mit Image Resizer, Denoising oder Auto Contrast und Nachbearbeitung der Mask mit Morphological Transformations.

• Bei langsamer Verarbeitung großer Bilder reduzieren Sie die Eingangsgröße mit Image Resizer oder verwenden Sie kleinere Quellbilder vor diesem Block.

• Um Zwischenergebnisse zu prüfen, verbinden Sie die Ausgaben Overlay oder Mask mit Show Image oder speichern Sie sie mit Image Write.