截图小字放大 07210905/crop-zoom

dsh-crop-zoom

把图上的小字裁出来放大，让模型真的能认。

DeepSeek Harness（dsh）插件，注册一个 crop_zoom 工具；同一套引擎也提供独立命令行。
English →

- 纯本地图像处理 —— 不联网、不调用模型、不含 OCR 引擎。
- 只有一个依赖 sharp（libvips），并且延迟加载：原生模块坏了也只会让一次工具调用失败，不会让整个 harness 起不来。
- Node ≥ 22，MIT。

它解决什么问题

一张 1920×1080 的截图不是以 1920×1080 送到模型面前的。中途会被降采样，于是 10–11px 的道具名笔画已经粘在一起 —— 再看一遍原图也没用，那些像素已经没了。

同一个结算界面上的四处读数，全都以同样的方式读错：

| 实际印的 | 读出来的 | 为什么 |
| 03重型盔 | D3重型盔 | 11px 时 0 和 D 共用一条左竖 |
| BT6重型 | B16重型 | T 和前一个 B 粘成一个字 |
| 1000戰地包 | 100D戰地包 | 四位数字并成三位加一个字母 |
| 鎏影權鋒 | 盜影權杖 | 鎏 下面的「金」塌成了「皿」的样子 |

把这些区域先裁出来放大再看，字就清清楚楚。顺序不能颠倒，而且比把整张截图再送一遍便宜得多。

作为 dsh 插件安装

dsh plugin --profile <profile> add dsh-crop-zoom # 从 registry 装
dsh plugin --profile <profile> add ./dsh-crop-zoom # 从本地目录装

然后重启应用。模型就多了一个 crop_zoom 工具，而且它的 schema 会随每一次请求重新送到模型面前。

作为命令行安装

npm install -g dsh-crop-zoom
crop-zoom -i shot.png -r 1178,588,64,24 -s 16 -o label.png

工具怎么用

// 单个区域，自动放大到长边 1600px { "path": "C:\\shots\\raid.png", "regions": [{ "x": 1178, "y": 588, "width": 64, "height": 24 }] }

// 两个区域拼成一张带标注的图，后续只需读一次 { "path": "C:\\shots\\raid.png",
"regions": [{ "x": 80, "y": 430, "width": 540, "height": 300, "label": "rank board" },
{ "x": 875, "y": 155, "width": 450, "height": 660, "label": "gear" }],
"target": 2400 }

// 还是看不清？nearest 保留像素块，专门用来分辨等宽字形 { "path": "C:\\shots\\raid.png", "regions": [{ "x": 1444, "y": 373, "width": 96, "height": 42 }], "scale": 16, "mode": "nearest" }

工具写出 PNG 并返回路径，接着用 read_image 读它。返回的文本只有几何信息，故意如此 ——免得被当成答案：

1 file written from C:\shots\raid.png (1920x1080), kernel bicubic.

#1 source 1178,588 64x24 x12 -> 768x288
#2 source 1444,373 96x42 x12 -> 1152x504

Sheet (regions stacked top to bottom, in the order above): C:\...\raid-20261014181815.png

Now read that file with read_image. Do not answer from this geometry summary alone.

参数

| 名称 | 类型 | 默认 | 含义 |
| path | string | — | 源图绝对路径。必填。 |
| regions | array | — | 1–8 个区域，按拼图顺序。必填。每项 {x, y, width, height, label?}，坐标是源图像素。 |
| scale | integer | — | 整数放大倍数，1–16。不填则由 target 推导。 |
| target | integer | 1600 | 无 scale 时，把区域长边放大到这么多像素，上限 16×。 |
| mode | enum | bicubic | bicubic \| nearest \| lanczos \| mitchell。 |
| sheet | boolean | true | 把所有区域拼成一张带标注的 PNG；false 则每个区域各写一个文件。 |
| outPath | string | 临时目录 | 输出位置，必须以 .png 结尾。 |
| previewWidth | integer | — | 坐标是在降采样预览图上量的时填它：填预览图的像素宽度，所有坐标自动换算到原图。 |

bicubic 保留字形轮廓，是合适的默认值。nearest 复制整块像素，能把 0 和 D 分开 ——两者互补，某个字还是定不下来时，两种都看一眼。

命令行

crop-zoom -i <image> -r <x,y,w,h> [-r <x,y,w,h> ...] [options]

-i, --image <path> 源图（PNG / JPEG / WebP / AVIF / TIFF / GIF） -r, --region <x,y,w,h> 要放大的区域，最多重复 8 次 -s, --scale <n> 整数放大倍数，1..16 -t, --target <px> 自动放大目标（默认 1600） -m, --mode <kernel> bicubic（默认）| nearest | lanczos | mitchell -o, --out <file.png> 输出路径；每区域一个文件时作为文件名前缀 --preview-width <px> 坐标来自这个宽度的预览图 --no-sheet 每区域一个文件，不拼图 --json 额外打印原始结果对象 -h, --help 显示帮助

实现

1. 源图一次性解码进内存。区域边界按显示尺寸（EXIF 旋转之后）校验，所以竖拍照片按你看到的方向裁。
2. 逐区域 extract，再按整数倍用选定核 resize —— 整数放大不会在你正要读的笔画上引入重采样痕迹。
3. 需要时把各块合成一张图，每块上方标注几何信息，这样多区域核对只要再读一次。

限制

- 只处理本地文件。 不会去抓远程 URL，避免这个工具变成替模型发外部请求的通道。
- 输出固定为 PNG。
- 每次最多 8 个区域、16× 放大。
- 拼图上的标注是 ASCII；非拉丁标注能不能画出来取决于 fontconfig 给 librsvg 暴露了哪些字体，所以中文描述请写在区域 label 里，别指望它出现在图上。

开发

npm install
npm test # 核心几何测试 + 插件契约测试

test/run.mjs 自己合成测试图，断言精确的输出尺寸。
test/plugin.mjs 用桩 ctx 跑 apply()，并验证注册表抛错也不会逸出。

许可

MIT