Doc-Clean: Оптимизация сканированных документов

Doc-Clean — это высокоэффективный инструмент для обработки сканированных документов, основанный на алгоритме из проекта noteshrink. Приложение преобразует изображения документов в компактные PDF-файлы или PNG-изображения с удалением фонового шума, артефактов сканирования и оптимизацией цветовой палитры.

Ключевые возможности

• 🖼️ Преобразование сканов в чистые, читаемые документы
• 📄 Уменьшение размера файлов до 90%
• 🎨 Автоматическая коррекция цветов и удаление фона
• ⚡️ Быстрая обработка через REST API
• 🐳 Готовая Docker-сборка для простого развертывания
• 📦 Поддержка пакетной обработки множества изображений

Технологическая основа

Проект основан на алгоритме noteshrink (автор Matt Zucker), который использует:

• Кластеризацию цветов методом k-средних
• Анализ насыщенности и яркости пикселей
• Адаптивное пороговое выделение текста
• Оптимизацию палитры изображения

Быстрый старт

Требования

• Docker (рекомендуется)
• Python 3.9+
• Пакеты: fastapi, uvicorn, numpy, pillow, scipy, img2pdf

Запуск через Docker

docker run -d --name doc-clean -p 8000:8000 git.ymnuktech.ru/ymnuk/doc-clean

Локальная установка

1. Клонируйте репозиторий:

git clone https://git.ymnuktech.ru/ymnuk/doc-clean.git
cd doc-clean

2. Установите зависимости:

pip install -r requirements.txt

3. Запустите приложение:

uvicorn main:app --host 0.0.0.0 --port 8000

Использование API

Параметры запроса

Параметр	Тип	По умолчанию	Описание
files	File[]	-	Изображения для обработки
value_threshold	float	0.25	Порог различия по яркости (0-1)
sat_threshold	float	0.20	Порог различия по насыщенности (0-1)
num_colors	int	8	Количество цветов в палитре
sample_fraction	float	0.05	Доля пикселей для анализа (0-1)
white_bg	bool	False	Замена фона на белый
global_palette	bool	False	Единая палитра для всех изображений
saturate	bool	True	Усиление цветов
sort_numerically	bool	True	Сортировка файлов по номерам
use_img2pdf	bool	True	Использовать img2pdf для конвертации
pdf_cmd	string	"convert %i %o"	Команда для создания PDF

Примеры запросов

Обработка одного изображения (возвращает PNG):

curl -X POST "http://localhost:8000/convert" \
  -F "files=@document.jpg" \
  -F "white_bg=true" \
  -o cleaned.png

Обработка нескольких изображений (возвращает PDF):

curl -X POST "http://localhost:8000/convert" \
  -F "files=@page1.jpg" \
  -F "files=@page2.png" \
  -F "global_palette=true" \
  -F "num_colors=6" \
  -o document.pdf

Продвинутая обработка:

curl -X POST "http://localhost:8000/convert" \
  -F "files=@scan1.tiff" \
  -F "files=@scan2.tiff" \
  -F "value_threshold=0.3" \
  -F "sat_threshold=0.15" \
  -F "num_colors=4" \
  -F "sample_fraction=0.1" \
  -F "white_bg=true" \
  -F "global_palette=true" \
  -o optimized.pdf

Docker-сборка

Для сборки собственного Docker-образа:

docker build -t doc-clean .
docker run -d --name doc-clean -p 8000:8000 doc-clean