筛选需要处理的基本图形

Filter elements to process (icons, arrows, etc.; arrows treated as icon crop).

获取或创建图像状态（LRU缓存）

获取下一个可用 ID

Encode PIL image to base64.

将PIL图像转换为base64

检测是否为学术文本

检测是否为代码风格文本

检查区域是否大部分为白色 用于过滤那些实际上没什么内容的"空白"区域

Whether refinement changed result meaningfully.

Whether two polygons are spatially close.

合并相邻的小问题区域 只对面积 < 3% 的小区域进行合并，大区域保持独立

Merge two polygons.

小框优先NMS：保留小框，抑制被小框高度覆盖的大框 逻辑： 1. 按面积从小到大排序 2. 依次处理每个框，保留最小的 3. 用保留的小框去抑制与之高度重叠的大框 这

Convert OCR result to list of dicts.

解析XML片段并更新ID Args: xml_content: mxCell的XML字符串 new_id: 新分配的ID Returns:

Parse PaddleOCR 2.x or 3.x result into list of TextBlock.

Extract alpha and resize to original. Returns alpha uint8.

Preprocess: scale, normalize, HWC->CHW. img: RGB numpy. Returns: (preprocessed_image, original_size)

格式化XML输出（移除版本声明，过滤空行）

Print stats.

处理单个元素：提取颜色并生成XML 优先使用SAM3提供的Mask进行精确取色 Args: elem: 元素信息 cv2_image: OpenCV格式的图像

Process one element. Returns True if RMBG was used.

处理单个问题区域 当前策略（保守）：直接裁剪原图区域，转成picture元素 Args: region: 问题区域信息（来自MetricEvaluator） orig

运行CV补充检测

Run OCR (Tesseract or PaddleOCR + optional Pix2Text for formulas).

保存评估结果到 JSON 文件 Args: metrics: 详细指标 bad_regions: 问题区域列表 needs_refinement: 是否需要二次处理

Save metadata.

保存问题区域可视化图 - 重点突出需要 fallback 补救的区域 显示： - 原图作为背景 - 红色半透明填充 + 粗红框标记问题区域（需要 fallback） - 问题区域的详细标注

缩放 XMLFragment 的坐标

判断两个文字块是否应该分到同一组

判断两个文字块是否应该合并

判断两个文字块是否应该合并（用于颜色统一） 使用更严格的条件：必须在同一行（垂直重叠）

排序XML片段 排序规则： 1. 首先按 layer_level 升序（小的在底层，先写入XML） 2. 同层级内按面积降序（大的在下，先写入） DrawIO的Z轴规

验证CV检测到的矩形是否有效 检查内容： 1. 内部颜色是否有足够变化（排除纯色背景误检） 2. 边框与内部是否有明显区别 :param cv2_image: BGR图像 :param bbox: [x1, y1, x2, y2]

添加提示词

Convert style dict to DrawIO style string.

Set font_size from block height (text: height - offset; formula: height * ratio).

Compute image complexity (for picture vs icon). Returns (laplacian_variance, std_deviation).

计算边框粗细 (Stroke Width) 逻辑：沿四边向内扫描，寻找颜色突变点，多个采样点综合取中位数。 优化： - 提高突变阈值（35），减少误检 - 限制最大宽度（8像素），避免过粗 - 大多数边框在 1-5 像素

使用SAM3提供的Mask进行精确取色 Args: image: BGR格式的OpenCV图像 bbox: [x1, y1, x2, y2] 边界框 mask: SAM3提供的二值掩码 (full size or cropp

从文字块和 OCR styles 中提取样式。 优先级：1. 文字块自身属性 2. OCR styles 的 spans 匹配

使用自定义提示词提取（不使用分组） Args: context: 处理上下文 prompts: 自定义提示词列表 score_threshold: 置信度阈值

合并 layout OCR 和 Pix2Text 结果（主入口） Args: ocr_result: 主 OCR 结果对象 pix2text_result: Pix2Text 结果对象 Return

合并图形XML和文字XML 这是最常用的合并场景：SAM3提取的图形 + OCR提取的文字 Args: shape_xml_path: 图形XML路径 text_xm

Background removal; fallback to CPU if GPU fails. Returns RGBA PIL.

打印当前词库配置

处理入口 - 分组提取图片中的所有元素 Args: context: 处理上下文，需要包含 image_path Returns: ProcessingRes

处理入口 Args: context: 处理上下文 Returns: ProcessingResult

Process icon/picture elements in context.

处理样式（主入口） Args: text_blocks: 文字块列表 ocr_styles: OCR 返回的全局 styles 列表（若有） unify: 是否执行聚类统一

处理字号（主入口） Args: text_blocks: 文字块列表 unify: 是否执行聚类统一 vertical_threshold_ratio: 垂直距离阈值比例

识别特定区域的公式 Args: image_path: 图片路径 polygon: [x1, y1, x2, y2...] or [(x,y), ...] R

Alias for predict.

移除提示词

Full pipeline: process image and write draw.io file.

保存元数据JSON

保存到文件 Args: cells: 文本单元格列表 output_path: 输出文件路径（自动添加 .drawio 后缀）

转换为字典（用于JSON序列化，不包含xml_fragment）

将 MergedBlock 列表转换为字典列表 供后续处理器使用

通过空间聚类统一样式 注意： - 加粗/斜体 **不做** 聚类统一，保留 OCR 原始值 - 只对颜色做聚类统一（同一区域的文字颜色通常一致） 原因： - 加粗/斜

Unify font sizes for spatially close blocks (union-find + median).

通过空间聚类统一字体 算法： 1. 并查集聚类：将空间相邻的文字块分组 2. 组内统一：使用多数投票选择字体

统一相似大小和类型的基本图形的边框厚度。 注意：参考 sam3_extractor.py 的简化逻辑，默认边框宽度为1， 这里主要用于确保同类元素风格一致。

初始化处理器 Args: config: 处理配置，如果为None则使用默认配置

Args: config: 处理配置 enable_cv_detection: 是否启用CV补充检测（检测SAM3遗漏的矩形）

Args: formula_engine: Formula engine ('pix2text', 'none'). ocr_engine: Layout/text OCR engine ('tesseract', 'paddleoc

初始化生成器 Args: diagram_name: 图表名称 page_width: 页面宽度 page_height: 页面高度

初始化 Pix2Text Args: device: 计算设备（cuda 使用 GPU3） languages: 文字语言（影响非公式部分的识别）

初始化公式处理器 Args: overlap_threshold: 覆盖率阈值 text_similarity_threshold: 文本相似度阈值

初始化字体处理器 Args: default_font: 默认字体