📊RapidUndistort

English | 简体中文

最近更新

• 2024.11.15
  • 完成初版代码，转换 UVDoc 模型为onnx,完善前后处理
• 2024.12.15
  • 补充去模糊/去阴影/二值化的功能和模型，重新升级为 RapidUndistort

简介

本仓库用于进行文档扭曲的修正/文档去模糊/文档去阴影/文档二值化等问题 \ 提供多种模型和自由组合选择task，支持模型自动下载
原始pytorch模型来源参考 致谢
快速使用 使用建议 参数说明 模型地址

在线体验

modelscope huggingface

效果展示

安装

# 建议使用清华源安装 https://pypi.tuna.tsinghua.edu.cn/simple
pip install rapid-undistorted

快速使用

import cv2

from rapid_undistorted.inference import InferenceEngine
img_path = "img/demo.jpg"
engine = InferenceEngine()
# 扭曲修正->去阴影->去模糊 (指定去模糊模型)
output_img, elapse = engine(img_path, ["unwrap", "unshadow", ("unblur", "OpenCvBilateral")])
# 去阴影->去模糊 (指定去模糊模型)
#output_img, elapse = engine(img_path, ["unshadow", ("unblur", "OpenCvBilateral")])
# 默认选择yaml配置文件中第一个unblur模型
#output_img, elapse = engine(img_path, ["unshadow", "unblur"])
# 二值化替代去阴影方法
#output_img, elapse = engine(img_path, ["unwrap", "binarize", "unblur"])
print(f"doc unwrap elapse:{elapse}")
cv2.imwrite("result.png", output_img)

使用建议

• 去模糊 NAFDPM 模型和直接使用opencv方法都有适用的情况,最好还是在线实际测试为准
• 去阴影模型相对于二值化功能更丰富，效果更好，不建议直接使用二值化方法

参数说明

初始化参数

支持传入一个config配置文件，声明需要的task类型和对应的模型，以及model path

config_path = "configs/config.yaml"
engine = InferenceEngine(config_path)

tasks:
  unwrap:
    models:
      - type: "UVDoc"
        path:
        use_cuda: false
        
  unshadow:
    models:
      - type: "GCDnet"
        sub_models:
          - type: "GCDnet"
            path:
            use_cuda: false
            use_dml: false
          - type: "DRnet"
            path:
            use_cuda: false

  binarize:
    models:
      - type: "UnetCnn"
        path:
        use_cuda: false

  unblur:
    models:
      - type: "OpenCvBilateral"
        path:
      - type: "NAFDPM"
        path:
        use_cuda: false

执行参数

engine(img_path, task_list)
engine(img_path, ["unwrap", "unshadow", ("unblur", "OpenCvBilateral")])

致谢

unwrap: UVDoc unshadow: GCDnet unblur: NAFDPM binarize: UnetCnn

贡献指南

欢迎提交请求。对于重大更改，请先打开issue讨论您想要改变的内容。

有其他的好建议和集成场景，作者也会积极响应支持

开源许可证

该项目采用Apache 2.0 开源许可证。