算子ID：daft.las.functions.image.image_blackborder_crop.ImageBlackBorderCrop

描述 #

图像黑边检测裁剪处理器，支持多种检测算法和输出格式。

核心功能 #

• 4种专业级黑边检测算法：
  • 阈值检测（threshold） - 速度最快，适合纯黑边/纯色边
  • 边缘检测（edge） - 基于Canny边缘，适合模糊/渐变黑边
  • 直方图检测（histogram） - 基于像素分布，适合低对比度黑边
  • 自动检测（auto） - 智能选择最优算法（推荐）
• 多格式输入支持：
  • URL地址（image_url）
  • Base64编码（image_base64）
  • 二进制流（image_binary）
• 多格式输出支持：
  • JPEG/JPG：自动转换RGBA→RGB，保留DPI
  • PNG：保留透明通道，无损保存
  • WebP：支持透明通道，灵活保存
• 双输出模式：
  • Base64编码直出
  • TOS/本地持久化存储
• 鲁棒性保障：
  • 最小黑边尺寸过滤（避免过度裁剪）
  • 边界校验（防止裁剪超出图像范围）
  • 检测失败自动降级为原图返回

算子参数 #

输入 #

输出 #

包含处理结果的字典数组，每个元素包含：

• base64: 裁剪后图像的base64编码；
• image_path: 本地/TOS存储路径（当配置输出目录时有效）

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 daft 运行算子对图像做黑边裁剪。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.image.image_blackborder_crop import ImageBlackBorderCrop
from daft.las.functions.udf import las_udf

if __name__ == "__main__":
    # 内容会保存到指定的TOS路径下，因此，需要设置好环境变量以保证有权限写入TOS，包括：ACCESS_KEY,SECRET_KEY,TOS_ENDPOINT,TOS_REGION,TOS_TEST_DIR
    TOS_DIR = os.getenv("TOS_TEST_DIR", "tos_bucket")
    output_tos_dir = f"tos://{TOS_DIR}/image/image_blackborder_crop"

    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.set_runner_ray()

    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    tos_dir_url = os.getenv("TOS_DIR_URL", "las-cn-beijing-public-online.tos-cn-beijing.volces.com")
    samples = {
        "image": [f"https://{tos_dir_url}/public/shared_image_dataset/test_blackborder.png"],
        "image_name": ["cat_with_border_crop"],
    }

    image_suffix = ".jpg"
    image_src_type = "image_url"
    detect_algorithm = "auto"
    black_threshold = 10
    edge_sensitivity = 1.0
    min_border_size = 1
    target_dpi = [72, 72]
    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "image_blackborder_crop",
        las_udf(
            ImageBlackBorderCrop,
            construct_args={
                "image_suffix": image_suffix,
                "output_dir": output_tos_dir,
                "image_src_type": image_src_type,
                "detect_algorithm": detect_algorithm,
                "black_threshold": black_threshold,
                "edge_sensitivity": edge_sensitivity,
                "min_border_size": min_border_size,
                "target_dpi": target_dpi,
            },
            batch_size=1,
        )(col("image"), col("image_name")),
    )

    ds.show()
# ╭────────────────────────────────┬──────────────────────┬────────────────────────────────────────────╮
# │ image                          ┆ image_name           ┆ image_blackborder_crop                     │
# │ ---                            ┆ ---                  ┆ ---                                        │
# │ String                         ┆ String               ┆ Struct[base64: String, image_path: String] │
# ╞════════════════════════════════╪══════════════════════╪════════════════════════════════════════════╡
# │ https://las-ai-qa-online.tos-… ┆ cat_with_border_crop ┆ {base64: /9j/4AAQSkZJRgABAQEA…             │
# ╰────────────────────────────────┴──────────────────────┴────────────────────────────────────────────╯