描述 #

图像裁剪处理器，支持多种裁剪方式和多种输入输出。

核心功能 #

• 输入格式：
  • URL 地址（image_url）
  • Base64 编码（image_base64）
  • 二进制流（image_binary）
• 裁剪方式（支持多种算法/模式）：
  • 坐标裁剪：指定左上角/右下角坐标精准裁剪
  • 比例裁剪：按宽高比例裁剪（0-1）
  • 中心裁剪：按指定尺寸从图像中心裁剪
• 插值算法：nearest / bilinear / bicubic / lanczos（裁剪后尺寸适配时使用）
• 输出模式：
  • 返回裁剪后图片的 Base64 字符串
  • 可选将图片保存到 TOS
  • 可选将图片保存到本地目录
• 格式适配：
  • JPEG：RGBA 转 RGB + 质量压缩
  • PNG：保留透明通道 + 无损压缩
  • WebP：支持透明通道 + 质量/无损压缩

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 运行算子对图像做裁剪。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.image.image_crop import ImageCrop
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_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/cat.png"],
        "image_name": ["cat_crop_test"],
    }

    image_suffix = ".jpg"
    image_src_type = "image_url"
    crop_type = "center"
    crop_size = [500, 500]
    crop_ratio = [0.8, 0.8]
    crop_coords = [100, 100, 800, 800]
    quality = 85
    method = "lanczos"
    local_dir = ""

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "image_crop",
        las_udf(
            ImageCrop,
            construct_args={
                "image_suffix": image_suffix,
                "output_dir": output_tos_dir,
                "image_src_type": image_src_type,
                "crop_type": crop_type,
                "crop_size": crop_size,
                "quality": quality,
                "method": method,
            },
            batch_size=1,
        )(col("image"), col("image_name")),
    )
    ds.show()
# ╭────────────────────────────────┬───────────────┬────────────────────────────────────────────╮
# │ image                          ┆ image_name    ┆ image_crop                                 │
# │ ---                            ┆ ---           ┆ ---                                        │
# │ String                         ┆ String        ┆ Struct[base64: String, image_path: String] │
# ╞════════════════════════════════╪═══════════════╪════════════════════════════════════════════╡
# │ https://las-ai-qa-online.tos-… ┆ cat_crop_test ┆ {base64: /9j/4AAQSkZJRgABAQAA…             │
# ╰────────────────────────────────┴───────────────┴────────────────────────────────────────────╯