Line Art Extractor Skill

从任意图片中提取线稿/轮廓，输出白底黑线的高清线稿图。

适用场景

方法概览

提供 4 种线稿提取方法，各有适用场景：

参数说明

Auto 模式自动选择逻辑

当 method="auto" 时，根据图片特征自动推荐最佳方法：

1. 图片整体对比度高 + 边缘清晰 → canny
2. 图片含大量肤色/柔和渐变（照片特征） → sketch
3. 色彩饱和度高/线条密集（插画特征） → blend
4. 图片有噪点/纹理复杂 → median_edge

如果自动检测不确定，默认使用 blend（适用面最广）。

核心代码实现

完整实现（单文件）

import cv2
import numpy as np
from PIL import Image, ImageFilter, ImageOps
import os
import glob


def analyze_image(img_path):
    """分析图片特征，自动推荐最佳方法"""
    img = cv2.imread(img_path)
    if img is None:
        raise ValueError(f"无法读取图片: {img_path}")
    
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 计算图像特征
    # 1. 对比度（标准差）
    contrast = np.std(gray)
    # 2. 边缘密度（Canny检测后的非零像素占比）
    edges = cv2.Canny(gray, 30, 100)
    edge_density = np.count_nonzero(edges) / edges.size
    # 3. 色彩饱和度（转换HSV后S通道均值）
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    saturation = np.mean(hsv[:, :, 1])
    # 4. 肤色区域占比（HSV空间检测）
    skin_mask = cv2.inRange(hsv, np.array([0, 30, 60]), np.array([25, 180, 255]))
    skin_ratio = np.count_nonzero(skin_mask) / skin_mask.size
    
    features = {
        'contrast': contrast,
        'edge_density': edge_density,
        'saturation': saturation,
        'skin_ratio': skin_ratio
    }
    
    # 决策逻辑
    if contrast > 60 and edge_density > 0.03:
        return 'canny', features
    elif skin_ratio > 0.15:
        return 'sketch', features
    elif saturation > 40 or edge_density > 0.05:
        return 'blend', features
    else:
        return 'median_edge', features


def extract_lineart_canny(img_path, threshold1=50, threshold2=150):
    """Canny 边缘检测法 — 精准锐利"""
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 高斯模糊降噪
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # Canny 边缘检测
    edges = cv2.Canny(blurred, threshold1, threshold2)
    
    # 白底黑线：反转 Canny 输出
    result = cv2.bitwise_not(edges)
    return result


def extract_lineart_sketch(img_path):
    """素描效果法 — 铅笔素描感"""
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 反转灰度图
    inverted = 255 - gray
    
    # 高斯模糊反转图
    blurred = cv2.GaussianBlur(inverted, (21, 21), 0)
    
    # 颜色减淡混合（模拟铅笔素描）
    sketch = cv2.divide(gray, 255 - blurred, scale=256)
    
    # 二值化让线条更清晰
    _, result = cv2.threshold(sketch, 200, 255, cv2.THRESH_BINARY)
    return result


def extract_lineart_blend(img_path, blur_strength=21):
    """灰度反色模糊混合法 — 保留丰富细节"""
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 反转灰度图
    inverted = 255 - gray
    
    # 对反转图做模糊
    blurred = cv2.GaussianBlur(inverted, (blur_strength, blur_strength), 0)
    
    # 与原图灰度做颜色减淡混合
    blended = cv2.divide(gray, 255 - blurred, scale=256)
    
    # 增强对比度让线条更突出
    result = cv2.convertScaleAbs(blended, alpha=1.5, beta=-30)
    
    # 可选：轻度二值化清理
    _, result = cv2.threshold(result, 180, 255, cv2.THRESH_BINARY)
    return result


def extract_lineart_median_edge(img_path, threshold1=30, threshold2=80):
    """中值滤波+边缘检测法 — 抗噪性强"""
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 中值滤波去除噪点
    denoised = cv2.medianBlur(gray, 5)
    
    # Canny 边缘检测（用较低阈值保留更多细节）
    edges = cv2.Canny(denoised, threshold1, threshold2)
    
    # 膨胀操作让线条更连贯
    kernel = np.ones((2, 2), np.uint8)
    edges = cv2.dilate(edges, kernel, iterations=1)
    
    # 白底黑线
    result = cv2.bitwise_not(edges)
    return result


def extract_lineart(img_path, method='auto', **kwargs):
    """
    主入口：从图片提取线稿
    
    Args:
        img_path: 输入图片路径
        method: 提取方法 (canny/sketch/blend/median_edge/auto)
        **kwargs: 各方法参数
    
    Returns:
        result: 线稿图 (numpy array, 白底黑线)
        used_method: 实际使用的方法名
    """
    method_map = {
        'canny': extract_lineart_canny,
        'sketch': extract_lineart_sketch,
        'blend': extract_lineart_blend,
        'median_edge': extract_lineart_median_edge,
    }
    
    if method == 'auto':
        method, features = analyze_image(img_path)
    
    if method not in method_map:
        raise ValueError(f"未知方法: {method}，可选: {list(method_map.keys())}")
    
    func = method_map[method]
    
    # 根据方法传递对应参数
    param_map = {
        'canny': ['threshold1', 'threshold2'],
        'sketch': [],
        'blend': ['blur_strength'],
        'median_edge': ['threshold1', 'threshold2'],
    }
    method_kwargs = {k: kwargs[k] for k in param_map[method] if k in kwargs}
    
    result = func(img_path, **method_kwargs)
    
    # 处理反转
    if kwargs.get('invert', False):
        result = cv2.bitwise_not(result)
    
    return result, method


def save_lineart(result, output_path):
    """保存线稿为PNG"""
    os.makedirs(os.path.dirname(output_path) if os.path.dirname(output_path) else '.', exist_ok=True)
    cv2.imwrite(output_path, result)
    return output_path


def batch_extract(input_dir, output_dir, method='auto', **kwargs):
    """
    批量处理目录下的所有图片
    
    Args:
        input_dir: 输入目录
        output_dir: 输出目录
        method: 提取方法
        **kwargs: 各方法参数
    
    Returns:
        results: 处理结果列表 [{input, output, method, status}]
    """
    os.makedirs(output_dir, exist_ok=True)
    
    supported_ext = ('*.jpg', '*.jpeg', '*.png', '*.webp', '*.bmp', '*.tiff')
    files = []
    for ext in supported_ext:
        files.extend(glob.glob(os.path.join(input_dir, ext)))
        files.extend(glob.glob(os.path.join(input_dir, ext.upper())))
    
    if not files:
        print("未找到支持的图片文件")
        return []
    
    results = []
    for f in sorted(set(files)):
        basename = os.path.splitext(os.path.basename(f))[0]
        output_path = os.path.join(output_dir, f"{basename}_lineart.png")
        try:
            result, used_method = extract_lineart(f, method=method, **kwargs)
            save_lineart(result, output_path)
            results.append({
                'input': f,
                'output': output_path,
                'method': used_method,
                'status': 'success'
            })
            print(f"  [OK] {basename} → {used_method}")
        except Exception as e:
            results.append({
                'input': f,
                'output': output_path,
                'method': method,
                'status': f'error: {str(e)}'
            })
            print(f"  [FAIL] {basename}: {e}")
    
    return results

使用示例

单张图片提取（自动模式）

from line_art_extractor import extract_lineart, save_lineart

# 自动选择最佳方法
result, method = extract_lineart("photo.jpg", method='auto')
output_path = save_lineart(result, "photo_lineart.png")
print(f"使用方法: {method}，输出: {output_path}")

指定方法

# 真人照片 → 素描效果
result, _ = extract_lineart("portrait.jpg", method='sketch')
save_lineart(result, "portrait_sketch.png")

# 插画 → 灰度混合法
result, _ = extract_lineart("illustration.png", method='blend', blur_strength=25)
save_lineart(result, "illustration_lineart.png")

# 建筑效果图 → Canny
result, _ = extract_lineart("architecture.jpg", method='canny', threshold1=40, threshold2=120)
save_lineart(result, "architecture_lineart.png")

批量处理

from line_art_extractor import batch_extract

results = batch_extract(
    input_dir="./images",
    output_dir="./output_lineart",
    method='auto'
)
print(f"处理完成: {len([r for r in results if r['status']=='success'])}/{len(results)}")

反转输出（黑底白线）

result, _ = extract_lineart("photo.jpg", method='blend', invert=True)
save_lineart(result, "photo_lineart_inverted.png")

Agent 执行流程

1. 接收输入：用户上传图片或指定图片路径/目录
2. 自动检测：分析图片特征，推荐最佳提取方法
3. 告知用户：说明推荐的方案及理由，询问是否使用自动推荐或手动选择
4. 执行提取：调用对应方法生成线稿
5. 保存输出：输出高清 PNG 到工作区
6. 返回结果：向用户提供线稿文件链接

参数调优建议

注意事项

1. 所有方法均在 CPU 上运行，无需 GPU，处理速度取决于图片分辨率
2. 默认输出白底黑线（适合打印和二次上色），可用 invert=True 反转
3. 输入图片建议分辨率不超过 4000x4000，超大图片会自动缩放处理
4. 批量处理时会逐张分析并选择最佳方法
5. 如果自动推荐的效果不理想，建议手动尝试其他方法或调整阈值参数
6. 对于纯黑白漫画扫描件，直接使用 canny 方法效果最佳

依赖

所有依赖均已预装，无需额外安装。