img2pic 文档
⚠️ 免责声明：本文档由 GLM4.7 自动生成，内容可能存在错误或不完整之处。请以人工书写的官方文档为准。
欢迎使用 img2pic 文档！这是一套专门处理 AI 生成的"像素风格"图像的工具，能够将伪像素风格转换为真正的像素艺术。
在线体验
网页版 (i2p.sirrus.cc) - 无需安装，直接在浏览器中使用
文档导航
📖 用户文档
如果你是用户，想要使用 img2pic 处理图像，请查看：
用户文档包含：
- 项目介绍
- 安装指南
- 工具使用说明
- 算法原理解析
- 工具对比
👨💻 开发者文档
如果你是开发者，想要了解工具的内部实现或参与开发，请查看：
开发者文档包含：
- 项目概述
- 代码架构
- API 参考
项目基本信息
| 属性 | 值 |
|---|---|
| 版本 | 0.1.0 |
| 许可证 | MPL-2.0 |
| 开发语言 | Python |
| 最低 Python 版本 | 3.14.2 |
技术栈
核心技术
- Python 3.14+ - 主要开发语言
- NumPy - 数值计算
- OpenCV - 图像处理
- Pillow - 图像 I/O
- SciPy - 信号处理
构建工具
- Pixi - 包管理和任务运行
核心功能概览
1. energ - 能量图网格检测
基于梯度能量图和滑动窗口峰值检测的高级网格识别系统
- 自动检测像素尺寸
- 滑动窗口机制检测局部能量尖峰
- 网格线插值补全
- 方向性能量增强
- 多种采样模式
- 智能颜色量化
2. edge_detect_pixelize.py - 边缘检测像素化
基于 Sobel 边缘检测的简化网格识别
- 简单快速的边缘检测
- 基于投影的网格线检测
- 颜色量化
- 调试模式可视化
3. grid_sampling_pixelize.py - 网格采样像素化
基于峰值检测的网格识别和采样
- 多尺度边缘增强
- 峰值检测网格识别
- 规律网格生成
- 相似颜色合并
工具对比
| 特性 | energ | edge_detect_pixelize.py | grid_sampling_pixelize.py |
|---|---|---|---|
| 检测精度 | 高 | 中 | 高 |
| 速度 | 中等 | 快 | 中等 |
| 自适应能力 | 强 | 弱 | 中 |
| 局部峰值检测 | ✅ | ❌ | ✅ |
| 网格插值 | ✅ | ❌ | ✅ |
| 方向性增强 | ✅ | ❌ | ❌ |
| 多种采样模式 | ✅ | ❌ | ❌ |
| 颜色量化 | ✅ | ✅ | ✅ |
适用场景
推荐使用 energ：
- 复杂的 AI 生成像素风格图像
- 需要高精度网格检测
- 图像中存在局部能量尖峰
- 需要自适应参数调整
- 要求高质量的像素艺术输出
推荐使用 edge_detect_pixelize.py：
- 简单的像素风格图像
- 需要快速处理
- 边缘清晰的图像
- 需要调试可视化
推荐使用 grid_sampling_pixelize.py：
- 需要多尺度边缘检测
- 需要峰值检测
- 需要颜色合并功能
官方链接
- GitHub: img2pic
- 网页版: i2p.sirrus.cc
许可证
MPL-2.0 License