在图形化编程中进行抠图，可以采用以下几种方法：
颜色阈值法
利用像素点的颜色信息来进行图像分割。通过设定颜色阈值，将颜色与阈值相近的像素点提取出来，从而实现抠图效果。这种方法适用于背景与前景颜色差异较大的图像。
边缘检测法
利用图像中物体边缘的特点进行抠图。常用的边缘检测算法有Sobel算子、Canny算子等。通过对图像进行边缘检测，可以得到物体的边缘信息，从而实现抠图效果。
基于深度学习的方法
利用深度学习模型进行图像分割。常用的深度学习模型有U-Net、Mask R-CNN等。这些模型可以通过对大量标注好的图像进行训练，学习到图像中物体与背景的区分特征，从而实现准确的图像分割。
基于图论的方法
通过将图像转化为图像的超像素（superpixel），然后利用图论算法对超像素进行优化，最终得到准确的图像分割结果。
基于边界检测的方法
使用边界检测算法，如Canny边缘检测、Sobel算子等，来提取图像中的边缘信息，然后根据边缘信息进行图像抠图。
遮罩方法
通过创建一个与原始图像大小相同的遮罩图像，将需要保留的区域设置为白色，需要抠掉的区域设置为黑色。然后将遮罩图像与原始图像进行逐像素的AND运算，即可得到抠图后的图像。
GrabCut算法
这是一种基于图割的图像分割算法。它通过迭代的方式，将图像分为前景和背景，并根据用户提供的初始标记进行优化。该方法需要用户提供一些标记信息，如前景区域和背景区域的大致位置，从而得到准确的抠图结果。
OpenCV库
OpenCV是一款广泛应用于计算机视觉领域的开源库，提供了丰富的图像处理函数和算法，包括图像分割和抠图。使用OpenCV，可以根据像素颜色、边缘和纹理等特征，自动分离图像中的对象。
MATLAB
MATLAB是一款专业的数学计算和图像处理软件，提供了丰富的图像处理函数和工具箱。可以使用MATLAB的图像分割算法，如阈值分割和边缘检测，实现图像的抠图操作。
深度学习框架
如TensorFlow和PyTorch等深度学习框架，提供了强大的图像分割模型，例如U-Net和Mask R-CNN等。通过训练这些模型，可以实现高质量的自动抠图，适用于复杂的图像场景。
根据具体的需求和图像特点，可以选择适合的图像抠图方法。同时，对于复杂的图像抠图任务，结合不同的方法进行多次迭代，可以提高抠图的准确性和效果。