处理结果结构 - 每个模块处理完成后返回的标准格式

处理上下文 - 在整个处理流程中共享的数据 每个模块可以从context中读取需要的数据，也可以往里写入处理结果。 这样不同模块之间可以通过context传递数据。

XML片段结构 - 用于XMLMerger合并 每个子模块处理完成后，应该生成XMLFragment对象

边界框

元素信息结构 - 所有模块之间传递元素的标准格式 SAM3提取后会填充: id, element_type, bbox, polygon, score, mask 各子模块处理后填充: xml_fragment, layer_level

Extract diagram elements via SAM3; prompt groups and thresholds from config.

本地 Tesseract OCR 客户端（默认文字识别引擎）

合并后的文本块

质量评估模块 评估SAM3+其他检测器的覆盖效果，识别漏检区域。 核心功能： 1. 计算内容覆盖率（检测到的内容占总内容的比例）= 评分 2. 识别问题区域（有内容但未被检测覆盖） 3. 输出总体评分和问题

Runs segmentation, text extraction, and XML merge (see README pipeline).

二次处理模块（Fallback补救） 对MetricEvaluator识别出的问题区域进行二次处理。 核心策略（保守）： - 直接裁剪问题区域作为picture - 转成base64嵌入XML - 保证"所

文本块数据结构

Coordinates OCR, processors, and XML output for text restoration. Default: Tesseract OCR + optional Pix2Text for formulas.

XML合并模块 职责： 1. 收集各模块生成的XML片段 2. 按层级排序（layer_level升序，小的在底层） 3. 同层级内按面积降序排列（大的在下，避免遮挡） 4. 重新分配mxCell的id，避免

基本图形处理模块 处理流程： 1. 从context.elements中筛选基本图形 2. 对每个图形提取填充色和描边色 3. 生成XML片段 4. 可选：运行CV补充检测遗漏的矩形

Convert source image coordinates to canvas geometry with optional scaling.

字体处理器 处理流程： 1. extract_from_ocr: 从 OCR 结果提取字体 2. standardize: 标准化字体名称 3. infer_from_text: 根据文本内容推测字体 4. unify_by_cluster

Compute font size from block height; optional clustering to unify nearby blocks.

公式处理器 处理流程： 1. 从 Pix2Text 结果提取有效公式 2. 计算公式与 layout OCR 文字块的重叠 3. 用公式替换被覆盖的文字块 4. 保留未被覆盖的 layout OCR 文字块

Process icon/picture elements: filter, crop, optional RMBG, base64, XML fragments.

mxGraph XML 生成器 使用示例： generator = MxGraphXMLGenerator() cell = generator.create_text_cell("Hello", 100, 200, 80, 20, 12)

Normalized geometry: x, y, width, height, baseline_y, rotation (degrees).

OCR 识别结果

样式处理器 处理的样式属性： - font_weight: normal / bold - font_style: normal / italic - font_color: 十六进制颜色（如 #1d1d1d） - background_c

OCR engine using PaddleOCR; often better for mixed Chinese/English than Tesseract. Requires: paddleocr, paddlepaddle (or paddlepaddle-gpu).

Pix2Text 识别块 Attributes: text: 文字/公式内容 polygon: 四边形坐标 block_type: 类型（text/formula/isolated/embedding） fo

Pix2Text OCR 客户端 专门用于识别数学公式，返回 LaTeX 格式。 使用示例： ocr = Pix2TextOCR() result = ocr.analyze_image("input.png")

Pix2Text 识别结果

处理配置

提示词组配置

RMBG-2.0 background-removal model (ONNX Runtime, CUDA if available). Example: model = RMBGModel(model_path) model.load()

SAM3模型封装

文本单元格数据 存储单个文本框的所有信息。

处理模块基类 所有处理模块都应该继承此类并实现 process() 方法。 子模块职责： 1. 处理自己负责的元素类型 2. 生成对应的mxCell XML代码 3. 设置 element.xml_frag

从config.yaml加载词组配置

DrawIO shape library (placeholder for extension).

元素类型枚举

层级定义（从底到顶） 数值越小越在底层，越大越在顶层

模型封装基类 为了让"调用模型时应该就是一句话"，我们将模型封装成简单的接口。 使用示例: model = SAM3Model() result = model.predict(image, prompts) # 一行调

提示词分组