wechat-screenshot-vision-algorithm 0.2.2

WeChat screenshot computer-vision algorithms: card bbox, speaker bands, avatar detection, OCR helpers

wechat_screenshot_vision_algorithm

微信截图计算机视觉算法库 —— 简历卡片检测、发言人气泡分割、头像检测、OCR 辅助等。

安装

pip install wechat_screenshot_vision_algorithm

# 可选依赖
pip install wechat_screenshot_vision_algorithm[ocr]    # PaddleOCR >=3.0
pip install wechat_screenshot_vision_algorithm[png]    # Pillow PNG 压缩上传
pip install wechat_screenshot_vision_algorithm[merge]  # python-Levenshtein 多页文本合并

包结构

src/wechat_screenshot_vision_algorithm/
├── _config.py        # Platform/Profile 解析与参数查表
├── png_utils.py      # extras=[png]: PNG 长边压缩
├── algorithms/       # 默认依赖 (numpy + opencv)
│   ├── card_bbox.py          # 简历卡片 bbox 检测
│   ├── template_matching.py  # 模板匹配原语 (收藏标签/未读分割线/标题栏等)
│   ├── speaker_band.py       # 发言人气泡纵向分桶
│   ├── avatar_column.py      # 左侧头像列布局检测
│   ├── phash_utils.py        # dHash 感知哈希 (滚动到底检测 / 去重)
│   ├── badge_detection.py    # 未读红点 HSV 检测
│   └── title_ocr.py          # 群聊标题 OCR
├── ocr/              # extras=[ocr]: PaddleOCR ≥3.0
│   ├── text_ocr_adapter.py   # PaddleOCR 引擎封装 (UVDoc 已禁用)
│   ├── nickname_binding.py   # 昵称归属 (卡片/聊天气泡绑定)
│   ├── avatar_guard.py       # 昵称 vs 头像距离守门
│   └── badge_ocr.py          # 未读徽章数字 OCR
├── merge/            # extras=[merge]: python-Levenshtein
│   └── multipage.py          # N-gram + Levenshtein 多页拼接
├── profiles/         # 平台参数配置
│   ├── android_wechat.py     # 安卓微信 (头像左侧, 全部阈值)
│   ├── ios_wechat.py         # iOS 微信 (头像右侧, 占位)
│   └── harmony_wechat.py     # 鸿蒙微信 (占位)
└── templates/        # package_data (pip install 分发)
    └── wechat/{platform}/{version}/

核心概念

Platform / WeChatVersion / Profile

不同平台 (Android / iOS / 鸿蒙) 和微信版本的截图布局不同（头像列位置、颜色阈值、间距等），通过 Profile 统一参数化：

from wechat_screenshot_vision_algorithm import Platform, WeChatVersion, Profile

# 安卓微信 8.0.69
profile = Profile(platform=Platform.ANDROID, wechat_version=WeChatVersion.V8_0_69)

profile.AVATAR_SIDE         # "left" — Android 发言人头像在左侧
profile.CORE_THRESHOLD      # 0.80 — 模板匹配阈值
profile.VLINE_MIN_SEG_RATIO # 0.08 — 竖线候选列最低方差段占比
profile.templates_dir       # Path — 内嵌模板 PNG 目录

所有设计常量基于 1080px 屏幕宽度锚定；运行时按 device_screen_width / 1080 缩放。

---

模块详解

_config — 配置与 Profile 解析

名称	类型	说明
Platform	Enum	ANDROID, IOS, HARMONY 三平台枚举
WeChatVersion	Enum	V8_0_69 微信版本枚举
Profile	Class	参数束：按 (platform, version) 查表返回阈值常量与模板路径
BASELINE_WIDTH	int	设计基准宽度 1080px

Profile 实例的属性委托到对应平台模块（如 profiles/android_wechat.py），包含以下参数类：

卡片 bbox 检测参数： TOP_BAR_BOT_RATIO, BOT_BAR_TOP_RATIO, AVATAR_COLUMN_WIDTH_BASELINE, MIN_CARD_X_GAP_BASELINE, VLINE_MIN_SEG_RATIO, CARD_HSPAN_MIN_RATIO, HLINE_NEAR_VLINE_LIMIT_BASELINE, ZONE_MIN_HEIGHT, ZONE_MIN_SEG, LABEL_INTERSECT_MARGIN, GAP_MERGE_MAX_DIST

模板匹配参数： CORE_THRESHOLD, AUX_THRESHOLD

发言人气泡参数： CHAT_FIRST_BAND_TOP_EXTEND_BASELINE, CHAT_COMPOSER_RESERVE_BOTTOM_BASELINE, 头像 Hough 圆参数等

头像检测参数： LIST_HOUGH_MIN_DIST_BASELINE, LIST_HOUGH_MIN_R_BASELINE, NICKNAME_AVATAR_BIND_MAX_DY_BASELINE 等

卡片点击参数： FAVORITE_LABEL_TEMPLATE_W_BASELINE, FAVORITE_TO_CARD_TOP_OFFSET_BASELINE, REFERENCE_RESUME_CARD_TOP_GAP_BASELINE 等

---

algorithms.card_bbox — 简历卡片边界框检测

微信聊天列表截图中检测「收藏标签」并推导简历卡片精确 bbox。核心入口 _compute_exact_card_bboxes 基于三区方差 + 竖线分段判断卡片左右边界。

数据结构：

名称	字段	说明
FavoriteLabelHit	x, y, w, h, score	收藏标签模板匹配命中 (y1, y2 属性)
ThumbnailCard	index, top, bottom, left, right, click_x, click_y, click_side, favorite_hit	一张简历卡片的导出矩形（像素坐标）
BubbleBbox	top, bottom, left, right	文本聊天气泡矩形 (卡片 zone 排除后的剩余 zone)
TrackedCard	height, clicked	高度序列去重追踪状态

函数：

函数	签名	说明
_compute_exact_card_bboxes	(ordered_hits, bgr_img, screen_w, screen_h) → list[ThumbnailCard]	核心算法：从收藏标签命中 + 截图推导卡片 bbox
derive_cards	(...) → list[ThumbnailCard]	高层入口：整合模板匹配 + 竖线检测，输出卡片列表
drop_top_clamped_false_positive_cards	(cards) → list[ThumbnailCard]	过滤顶部被截断的误检卡片
bbox_to_metadata_list	(card) → list[int]	卡片 bbox 转为 [left, top, right, bottom]
card_bounding_tuple	(card) → tuple	转为 (left, top, right, bottom) 元组
card_overlaps_processed	(card, processed_bboxes) → bool	判断卡片是否与已处理卡片重叠
click_context_for_tap_thumbnail	(card) → dict	生成 click_context (click_coords + click_side)
pick_first_unprocessed_card	(cards, processed_bboxes) → ThumbnailCard|None	返回第一个不重叠的未处理卡片 (旧版，建议用 pick_next_unclicked_card)
pick_next_unclicked_card	(cards, tracked_cards) → ThumbnailCard|None	基于高度序列匹配的卡片去重，返回下一个未点击卡片
y_interval_overlap_ratio	(top_a, bottom_a, top_b, bottom_b) → float	两区间的 Y 轴重叠率

---

algorithms.template_matching — 模板匹配原语

所有模板匹配函数 + 布局常量，跨 collector 运行时和回归测试工具共享。

常量：

常量	说明
BASELINE_WIDTH	基准屏幕宽度 1080
CORE_THRESHOLD	收藏标签/新消息提示的硬阈值 0.80
TEMPLATES_DIR	模板 PNG 目录 (可通过 set_templates_dir 覆盖)
TEMPLATE_FILE	模板名到文件名的映射 dict

函数：

函数	说明
load_template(name)	加载模板 PNG 返回 BGR numpy 数组
set_templates_dir(path)	覆盖模板目录（iOS / 鸿蒙使用）
is_wechat_main_conversation_list_chrome(...)	检测是否为微信主会话列表页面
find_favorite_labels(...)	在截图中匹配收藏标签
find_new_messages_hints(...)	匹配「新消息」分割线
find_unread_dividers(...)	匹配未读消息分割线
find_wechat_note_header(...)	匹配微信笔记标题栏
find_chat_back_chevron(...)	匹配聊天返回箭头
find_chat_title_more_dots(...)	匹配聊天标题栏更多按钮
find_chat_input_voice(...)	匹配语音输入按钮
find_chat_input_emoji_smile(...)	匹配表情按钮
find_chat_input_plus(...)	匹配加号按钮
split_conversation_rows(...)	按头像分割会话列表行

---

algorithms.speaker_band — 发言人气泡纵向分桶

根据聊天截图中的发言人头像位置，划分发言人纵向区间（speaker bands）。

数据结构：

名称	说明
ChatVerticalBounds	聊天区域纵向边界 (top / bottom / title_bar_bottom / composer_top)
AvatarTimelineEntry	单条发言人头像时间线条目
PrdChatVerticalLayout	PRD 规定的聊天纵向布局 (bounds + speaker_bands)

函数：

函数	说明
compute_chat_content_vertical_bounds(...)	计算聊天内容的纵向边界
detect_chat_side_avatar_ytops(...)	检测聊天侧发言人头像 Y 坐标
merge_avatar_ytops_time_order(...)	按时间顺序合并头像 Y 坐标
build_prd_speaker_vertical_bands(...)	构建 PRD 规定的发言人纵向分桶

---

algorithms.avatar_column — 左侧头像列布局检测

检测微信会话列表中左侧头像列的布局（数量、Y 坐标等）。

数据结构：

名称	说明
AvatarCentroid	单个头像质心 (x, y, radius)
LeftAvatarColumnLayout	左侧头像列布局 (centroids, median_x, gaps 等)

函数：

函数	说明
detect_left_avatar_column_layout(...)	用 Hough 圆检测左侧头像列
find_avatar_anchor_for_nickname_bbox(...)	为昵称 bbox 找到对应的发言人头像锚点
nickname_bbox_in_avatar_column(...)	判断昵称 bbox 是否在头像列区域内
left_avatar_ytops(layout)	提取所有头像的 Y 坐标列表

---

algorithms.phash_utils — 感知哈希与去重

dHash 感知哈希，用于滚动到底检测与会话去重。

数据结构：

名称	说明
PHashResult	哈希结果 (value, roi_kind, bbox)
ScrollDuplicationTracker	滚动去重追踪器 (observe → is_stuck)

函数：

函数	说明
compute_dhash(bgr, roi_kind)	计算截图的 dHash
hamming_distance(a, b)	两个哈希的汉明距离
is_duplicate(ph1, ph2, threshold)	判断两帧是否重复
crop_roi(bgr, roi_kind)	根据 roi_kind 裁剪 ROI
manual_labeling_phash_matches(a, b)	判定手动标注阶段是否匹配

---

algorithms.badge_detection — 未读红点检测

HSV 颜色空间检测微信会话列表中白底红字的未读徽章。

函数：

函数	说明
count_badges_white_on_red(bgr, min_area_px)	检测全图白底红字徽章数量
count_badges_per_row_roi(bgr, avatar_ytops, ...)	按行 ROI 统计徽章数

---

algorithms.title_ocr — 群聊标题 OCR

函数：

函数	说明
try_ocr_group_chat_title_from_png(png_path, scale_w)	从 PNG 截图 OCR 群聊标题文本

---

ocr.text_ocr_adapter — PaddleOCR 引擎封装

依赖： pip install wechat_screenshot_vision_algorithm[ocr]

PaddleOCR 3.x 引擎封装，已显式禁用 UVDoc 矫正（防止坐标变形）。跨 collector 和 housekeeping 后端共享。

数据结构：

名称	说明
OcrPageResult	OCR 页面结果 (blocks, page_size, engine_info)
TextBlock	单个 OCR 文本块 (text, bbox_xyxy, confidence)

---

ocr.nickname_binding — 昵称归属

依赖： pip install wechat_screenshot_vision_algorithm[ocr]

将 OCR 识别出的文本块归因为「昵称」「正文」「丢弃」三类，并绑定到发言人或简历卡片。

数据结构：

名称	说明
NicknameOcrConfig	昵称 OCR 配置 (阈值、avatar_column_width 等)
NicknameExtraction	单条昵称提取结果
SpeakerBodySegment	发言人正文段落
ResumeThumbBinding	简历卡片绑定结果
ChatSpeakerAttribution	完整发言人归属结果

函数：

函数	说明
extract_nicknames(...)	主入口：从 OCR 页面结果提取昵称并归属
first_attrib_verbatim_display_line(...)	获取首次属性的原始显示行

---

ocr.avatar_guard — 头像距离守门

依赖： pip install wechat_screenshot_vision_algorithm[ocr]

验证 OCR 识别出的昵称文本块与对应发言人头像的距离是否合理。通过拉普拉斯方差、颜色均值、边缘形状等多重信号判断。

函数：

函数	说明
nickname_row_passes_prd_avatar_guard(...)	PRD 规定的完整头像守门检查
nickname_row_passes_avatar_roi(...)	头像 ROI 区域通过性检查
avatar_roi_pass(...)	头像 ROI 多重信号判断
nickname_left_roi_passes_avatar_signal(...)	昵称左侧 ROI 的头像信号检测

---

ocr.badge_ocr — 未读数字 OCR

依赖： pip install wechat_screenshot_vision_algorithm[ocr]

对检测到的未读红点区域进行数字 OCR，返回未读计数。

函数：

函数	说明
ocr_unread_badge_digits(bgr, badge_hits)	对未读徽章区域进行数字 OCR，返回 {index: digit}

---

merge.multipage — 多页文本合并

依赖： pip install wechat_screenshot_vision_algorithm[merge]

将同一简历的多页 OCR 文本合并为完整简历文本。使用 N-gram 重叠检测 + Levenshtein 编辑距离相似度。

函数：

函数	说明
merge_multipage_ocr_texts(pages)	合并多页 OCR 文本，返回完整简历字符串
paragraph_content_bounds(merged, anchor)	在合并文本中查找锚点所在的段落边界

---

png_utils — PNG 压缩上传

依赖： pip install wechat_screenshot_vision_algorithm[png]

将截图 PNG 压缩到指定长边尺寸，用于上传前预处理。

函数：

函数	说明
resolved_collector_upload_long_edge_max(argparse_value)	解析上传 PNG 长边最大像素数（环境变量 COLLECTOR_UPLOAD_LONG_EDGE_MAX / 默认 1920）
maybe_resize_png_long_edge(png_bytes, long_edge_max)	如 PNG 长边超过限制则等比缩小

---

使用示例

from wechat_screenshot_vision_algorithm import Platform, WeChatVersion, Profile

# 1. 按平台选择 Profile
profile = Profile(platform=Platform.ANDROID, wechat_version=WeChatVersion.V8_0_69)

# 2. 模板匹配
from wechat_screenshot_vision_algorithm.algorithms.template_matching import (
    load_template, find_favorite_labels,
)
import cv2
screenshot = cv2.imread("chat_screenshot.png")
favorite_labels = find_favorite_labels(screenshot, scale_w=screenshot.shape[1] / profile.BASELINE_WIDTH)

# 3. 简历卡片检测
from wechat_screenshot_vision_algorithm.algorithms.card_bbox import (
    _compute_exact_card_bboxes, pick_next_unclicked_card,
)
cards = _compute_exact_card_bboxes(favorite_labels, screenshot,
                                    screen_w=screenshot.shape[1],
                                    screen_h=screenshot.shape[0])
print(f"检测到 {len(cards)} 张简历卡片")

# 4. 发言人分桶
from wechat_screenshot_vision_algorithm.algorithms.speaker_band import (
    compute_chat_content_vertical_bounds, build_prd_speaker_vertical_bands,
)
bounds = compute_chat_content_vertical_bounds(screenshot, scale_w=1.0)
layout = build_prd_speaker_vertical_bands(screenshot, bounds, scale_w=1.0)

# 5. OCR 昵称提取 (需 pip install wechat_screenshot_vision_algorithm[ocr])
from wechat_screenshot_vision_algorithm.ocr.text_ocr_adapter import OcrPageResult
from wechat_screenshot_vision_algorithm.ocr.nickname_binding import extract_nicknames, NicknameOcrConfig
# ... 初始化 PaddleOCR 并调用 extract_nicknames(ocr_result, config)

开发指南

添加新平台支持

1. 在 profiles/ 下创建新文件（如 ios_wechat.py），复制 android_wechat.py 并修改阈值
2. 将模板 PNG 放入 templates/wechat/{platform}/{version}/
3. 在 _config.py 的 _PROFILE_MODULES 中注册

本地开发安装

git clone https://github.com/yuyidream/wechat_screenshot_vision_algorithm.git
cd wechat_screenshot_vision_algorithm
pip install -e .            # 默认依赖
pip install -e ".[ocr,png,merge]"  # 全部可选依赖

运行测试

pytest tests/ -v