70 lines
2.7 KiB
Markdown
70 lines
2.7 KiB
Markdown
# Documentation
|
|
- Class name: EsheepImageSplit
|
|
- Category: tests
|
|
- Output node: False
|
|
- Repo Ref: https://github.com/esheep/esheep_custom_nodes.git
|
|
|
|
该节点旨在根据指定的列和行将图像分割成网格状的瓦片，便于以更易于管理的方式处理大型图像。通过将图像分解成更小的部分，它增强了工作流程，允许进行更集中的分析和操作。
|
|
|
|
# Input types
|
|
## Required
|
|
- images
|
|
- 图像参数至关重要，因为它提供了节点操作的源数据。它是主要的输入，决定了后续的处理和输出瓦片的生成。
|
|
- Comfy dtype: IMAGE
|
|
- Python dtype: PIL.Image or torch.Tensor
|
|
- columns
|
|
- 列数决定了图像水平分割的方式，直接影响到生成的瓦片的排列和数量。它是控制图像分割粒度的一个重要参数。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
- lines
|
|
- 与列数类似，行数决定了图像的垂直分割，影响瓦片的形状和数量。它与列数参数共同定义了网格结构。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
|
|
# Output types
|
|
- output
|
|
- 输出是由输入图像分割生成的瓦片集合。它代表了节点操作的主要结果，以一种可以在下游任务中进一步利用的格式封装了处理后的数据。
|
|
- Comfy dtype: IMAGE
|
|
- Python dtype: torch.Tensor
|
|
|
|
# Usage tips
|
|
- Infra type: CPU
|
|
|
|
# Source code
|
|
```
|
|
class EsheepImageSplit:
|
|
|
|
def __init__(self):
|
|
pass
|
|
|
|
@classmethod
|
|
def INPUT_TYPES(s):
|
|
return {'required': {'images': ('IMAGE',), 'columns': ('INT', {'default': 2, 'min': 1, 'max': 100, 'step': 1, 'display': 'number'}), 'lines': ('INT', {'default': 3, 'min': 1, 'max': 100, 'step': 1, 'display': 'number'})}}
|
|
RETURN_TYPES = ('IMAGE',)
|
|
FUNCTION = 'execute'
|
|
CATEGORY = 'tests'
|
|
|
|
def execute(self, images, columns, lines):
|
|
image = images[0]
|
|
i = 255.0 * image.cpu().numpy()
|
|
pil_image = Image.fromarray(np.clip(i, 0, 255).astype(np.uint8))
|
|
imgwidth = pil_image.size[0]
|
|
imgheight = pil_image.size[1]
|
|
M = int(imgwidth / columns)
|
|
N = int(imgheight / lines)
|
|
tiles = []
|
|
for i in range(0, imgheight - imgheight % N, N):
|
|
for j in range(0, imgwidth - imgwidth % M, M):
|
|
box = (j, i, j + M, i + N)
|
|
tiles.append(pil_image.crop(box))
|
|
t_tiles = []
|
|
for tile in tiles:
|
|
t_tile = tile.convert('RGB')
|
|
t_tile = np.array(t_tile).astype(np.float32) / 255.0
|
|
t_tile = torch.from_numpy(t_tile)[None,]
|
|
t_tiles.append(t_tile)
|
|
s = t_tiles[0]
|
|
for i in range(1, len(t_tiles)):
|
|
s = torch.cat((s, t_tiles[i]), dim=0)
|
|
return (s,)
|
|
``` |