8.6 KiB
8.6 KiB
name, description, thinking
| name | description | thinking |
|---|---|---|
| document-photo-to-pdf | 把手机拍摄的纸质文档照片拉正、去背景,按顺序合并为一个 PDF | true |
文档照片转 PDF
手机拍的纸质材料 → 一个版正字清的 PDF。适用于合同、票据、证照、手写稿等多页纸质材料,纸张尺寸不限。
怎么跑
本技能没有 run 入口,用 terminal 直接执行命令。脚本装在技能目录,而 terminal 的
cwd 是会话任务目录——两者不是同一个目录,所以脚本一律用绝对路径调用,图片和
out/ 用任务目录里的相对路径:
python3 /workspace/skills/document-photo-to-pdf/doc_deskew/pipeline.py <子命令> ...
铁律
以下 8 条为硬约束,违反任一条即视为任务失败:立即停手、向用户说明,不得"先改完再说"。
- 先说再做。 每次调脚本前用一句话说明这次干什么(要标注步骤编号)。
- 坐标只能靠眼睛读,禁止一切自建脚本。 不另造任何纸张处理的辅助的代码,一次性脚本也不行。确实无法达成目的需要新能力=先停下问用户,不许自己造。
- 不裁切、不放大、不逐角看。 四个角在同一张网格图上一次读全,直接报 4 组数字。不为了"读准一点"造局部图、加刻度、逐个角反复看。
- 每张图读 2 次,且每次都要有目的。 网格 1 次 + 角标 1 次,看完就交付。
- 读之前先说清这次要确认什么。 说不出目的就不读。"再看一眼确认一下"不算目的。
- 不为读而读。 允许重读,但必须是被动的、有明确对象的:图没送达/像素没收到、要核对某个具体数字或某条边。没有新对象就直接用手上已有的数字。
- 只读这两类图。 网格、角标。原图、局部放大图、成品图、自己另造的辅助图都不读。
- 没把握就按"宁可外扩"给保守值,交给角标图验证,不在读图阶段磨。
- 一次成件,禁止试错。 一条
build出件 + 检验。一轮里每页最多跑 1 次build;不调参、不重取角点、不换方法、不"先出一版看看"。不通过就报诊断,停下等确认。 - 只有用户明确说"再改"才允许修复。 完整一轮 =
prepare→set(每页一次)→build(一次)→ 看角标 → 交付。这一轮内发现的任何偏差(框偏了、裁到内容、比例不对),一律只报诊断和坐标建议,不自行改、不重跑、不补做。用户在本轮交付后明确说"再改/重做"时才能动手,且还是只跑一轮,改完重新过角标关。 - 指标 ≠ 成品。 校验只查"框内"像素,框漏掉的内容查不出来。角标图必须亲眼看。
- 违规即停。 一旦意识到自己正在写脚本、造辅助图、二次 build 或擅自修复,立即停手,向用户说明,不带病交付。
交付前自检(有一项为"是"就停手报告)
- 本轮是否新建/修改过任何脚本或辅助图?
- 本轮
build是否跑超过 1 次? - 是否在用户没说过"再改"时自行调整过角点或重出件?
- 每张图是否只读了网格、角标各 1 次?
- 校验未过的项是否只报告、没自行修?
流程
1 · 出网格图
python3 /workspace/skills/document-photo-to-pdf/doc_deskew/pipeline.py prepare 图1.jpg 图2.jpg
不传图片名 = 取当前目录所有图片。输出 out/N-网格-<名称>.png(100px 红色主线带坐标刻度、50px 蓝色辅助线,两者同宽)。
2 · 从网格图中读出角点,一张图一条命令
顺序固定:左上 → 右上 → 右下 → 左下(屏幕坐标,原点左上)。
要找的是纸张本身真实的四个角——纸面这个四边形的 4 个顶点,坐标的质量直接决定最终成品的质量!。
读数方法:
- 先找离目标点最近的红线(整百、带数字刻度)读基准值;
- 再识别目标点相对相邻蓝线(50px)的偏移;
- 把目的坐标复述成一句话,例如“右下:x 在 1000 红线右 52px,y 在 1700 红线下 22px → 1052,1722”。
读数要求:
- 读之前先定好这一张要报的 4 组数字,看完立刻
set落盘到out/corners.json。 - 角被遮挡:沿两条可见纸边延长交会出顶点。
- 角出画面:顺两条边的趋势延长,坐标可为负或超界(脚本接受)。
写入坐标:
python3 /workspace/skills/document-photo-to-pdf/doc_deskew/pipeline.py set 图1.jpg \
--quad "左上x,左上y;右上x,右上y;右下x,右下y;左下x,左下y"
- 一次只写一张图,脚本已强制拦截多图(防串页)。
- 落盘
out/corners.json,同名键覆盖并打印旧值对比;show可随时查看。 - 报给用户的只能是
--quad串或 4 组坐标数字,禁止"约 (140,390)、纸略倾斜"这类描述。
3 · 一条命令出件
python3 /workspace/skills/document-photo-to-pdf/doc_deskew/pipeline.py build \
--out 文档照片_校正.pdf --paper a4 --force
内部依次:回画角标 → 角点几何校验 → 透视校正+按纸比例拉正+提亮 → 合并 PDF → PDF 渲染检验 → 打印汇总。
参数:
--paper:标准纸必须传 ——a4(0.707)、letter(0.773)、16k(0.712)、b5(0.704),或数字比例。票据、异形纸不确定就省略,保留原始比例。--force:角点校验不过也出件(默认)。- 位置参数传图名:只出指定页,如
build 图2.jpg --out 结果.pdf(输出 PDF 只含这一页)。 --dpi:PDF 检验渲染 dpi,默认 100。
4 · 看角标图(强制,一次)
角标图是决定图像处理质量的唯一标准!
读 out/N-角标-*.png(原图 + 同一套网格 + 四角标注),四个角在同一张图上核对:
- 绿线是否压在纸边交界?
- 纸张上内容是否全在绿线框内?
- 4个角标是否都在纸张实际的角上!
只看不改: 发现问题只记进报告,记录修正前后角标坐标的表格、不重跑 build、不补造辅助图。
| 页码 | 实际使用的角点坐标 | 修正后的角点坐标 |
|---|---|---|
| 1 | x1,y1;x2,y2;x3,y3;x4,y4 | x1',y1';x2',y2';x3',y3';x4',y4' |
判定与报告
| 检查项 | 判据 | 不达标含义 |
|---|---|---|
| 页数 | 与源图数一致 | 合并出错 |
| 纸面短边 | ≥ 533px @100dpi | 角点错或分辨率过低 |
| 纸张比例 | 仅提示 | 传了 --paper 应≈1.00,偏差大说明角点有误 |
| 边缘背景残留 | 边带亮度 ≥ 纸面 80% | 角点落在背景上,内收 3~5px |
| 内容贴边 | 页边无成片文字级暗像素 | 内容被切,外扩 5px |
- 全部通过:给产物路径、大小、页数、指标,加一句角标图上确认的结果。
- "外侧纸面占比 100%"一律当角点错误,误差是几十到上百 px,回第 2 步重读,不是微调。
- 不达标:只报诊断+ 建议,不自行改、不重跑、不换方法。用户明确说"再改"后,才改动后重跑一轮,然后交用户决策。
- 用户没发话就交付:即使只差 1px、即使一眼看出能更好,也不许动。报告里可写建议,手不能动。
内容安全
禁止用生成式模型处理这类图片。 生成模型是重绘而非变换,会改写文档内容,且结果看起来完全正常。本流程只做纯几何变换 + 全局等比提亮,文字、金额、印章保持原始像素。
命令速查
下表省略公共前缀 python3 /workspace/skills/document-photo-to-pdf/doc_deskew/。
| 场景 | 命令 |
|---|---|
| 出网格图 | pipeline.py prepare 图1.jpg 图2.jpg |
| 写角点(一张一次) | pipeline.py set 图1.jpg --quad "x1,y1;x2,y2;x3,y3;x4,y4" |
| 查看已落盘 | pipeline.py show |
| 出件 | pipeline.py build --out 结果.pdf --paper a4 |
| 只出指定页(PDF 只含该页) | pipeline.py build 图2.jpg --out 结果.pdf |
| 复检已有 PDF(不重新出件) | pipeline.py check 结果.pdf --expect-pages 2 |
底层模块(与 pipeline.py 同目录,由它调用,日常不用直接执行):
| 模块 | 职责 |
|---|---|
grid.py |
画带坐标的网格图 |
preview_quad.py |
画角标图(叠网格) |
verify_quad.py |
角点几何校验 |
homography.py |
透视变换 + 提亮 |
run.py |
拉正 + 拼页(纯模块,无 CLI) |
make_pdf.py |
多页合成 PDF |
check.py |
成品 PDF 检验 |
已知边界
- 纸张出画面的部分无法还原,角点可外扩到画面外。
- 不为凑标准比例拉坐标;比例偏离通常是取点不准或纸张非该规格。
- 拍摄时四边各留 3%~5% 背景余量。