feat: 实现 DdddOcr 核心推理流水线与图像预处理

- 封装 `preprocess_image` 方法，实现 PNG 透明背景修复、灰度化、比例缩放及 NCHW 张量转换。
- 提取 `inference` 逻辑，支持通过 tract-onnx 执行模型推理。
- 实现 `extract_indices` 解析输出张量，支持 I64 索引直接读取与 F32 概率矩阵的 Argmax 处理。
- 完善 `decode_ctc` 解码算法，支持标准 CTC 贪婪搜索与字符集映射。
- 重构 `classification` 主入口，将预处理、推理、解析、解码逻辑解耦，提升代码可维护性。

.idea/.gitignore

@@ -0,0 +1,8 @@
+# 默认忽略的文件
+/shelf/
+/workspace.xml
+# 基于编辑器的 HTTP 客户端请求
+/httpRequests/
+# Datasource local storage ignored files
+/dataSources/
+/dataSources.local.xml

Cargo.toml

@@ -5,6 +5,7 @@ edition = "2024"
 license = "MIT OR Apache-2.0"
 
 [dependencies]
-tract-onnx = { version = "0.21.1" }
+tract-onnx = { version = "0.21.10" }
 anyhow = "1.0.102"
 image = "0.25.10"
+base64 = "0.22.1"

src/image_io.rs

@@ -0,0 +1,62 @@
+use anyhow::{Context, Result};
+use base64::{Engine as _, engine::general_purpose};
+use image::{DynamicImage, GenericImageView, ImageBuffer, Rgb, RgbImage};
+use std::path::{Path, PathBuf};
+use tract_onnx::prelude::tract_ndarray::Array3;
+
+/// 定义支持的输入类型枚举
+pub enum ImageInput {
+    Bytes(Vec<u8>),
+    Array(Array3<u8>),
+    Path(PathBuf),
+    Base64(String),
+    DynamicImage(DynamicImage),
+}
+
+/// 模拟 Python 的 load_image_from_input
+#[allow(dead_code)]
+pub fn load_image_from_input(input: ImageInput) -> Result<DynamicImage> {
+    match input {
+        ImageInput::DynamicImage(img) => Ok(img),
+        _ => todo!("后续补充"),
+    }
+}
+
+/// 对应 Python 的 png_rgba_black_preprocess
+/// 将带有透明通道的图片转换为白色背景的 RGB 图片
+#[allow(dead_code)]
+pub fn png_rgba_white_preprocess(img: &DynamicImage) -> DynamicImage {
+    // 1. 检查是否包含透明通道，如果没有，直接克隆并返回
+    if !img.color().has_alpha() {
+        return img.clone();
+    }
+
+    let (width, height) = img.dimensions();
+
+    // 2. 创建一个新的 RGB 图像缓冲，默认填充为白色 (255, 255, 255)
+    let mut background = ImageBuffer::from_pixel(width, height, Rgb([255u8, 255u8, 255u8]));
+
+    // 3. 获取原图的 RGBA 视图
+    let rgba_img = img.to_rgba8();
+
+    // 4. 遍历像素并手动进行 Alpha 混合
+    // 对应 Python 的 image.paste(img, ..., mask=img)
+    for (x, y, pixel) in rgba_img.enumerate_pixels() {
+        let alpha = pixel[3] as f32 / 255.0;
+
+        if alpha >= 1.0 {
+            // 完全不透明，直接覆盖
+            background.put_pixel(x, y, Rgb([pixel[0], pixel[1], pixel[2]]));
+        } else if alpha > 0.0 {
+            // 半透明，执行 Alpha 混合公式： (src * alpha) + (dst * (1 - alpha))
+            let bg_pixel = background.get_pixel(x, y);
+            let r = (pixel[0] as f32 * alpha + bg_pixel[0] as f32 * (1.0 - alpha)) as u8;
+            let g = (pixel[1] as f32 * alpha + bg_pixel[1] as f32 * (1.0 - alpha)) as u8;
+            let b = (pixel[2] as f32 * alpha + bg_pixel[2] as f32 * (1.0 - alpha)) as u8;
+            background.put_pixel(x, y, Rgb([r, g, b]));
+        }
+        // alpha == 0 的情况不需要处理，因为背景已经是白色了
+    }
+
+    DynamicImage::ImageRgb8(background)
+}

src/image_processor.rs

@@ -0,0 +1,27 @@
+use image::{DynamicImage, GrayImage, imageops::FilterType};
+use anyhow::Result;
+
+/// 对应 Python 的 convert_to_grayscale
+/// 将图像转换为灰度图 (L模式)
+pub fn convert_to_grayscale(image: &DynamicImage) -> GrayImage {
+    // Rust image 库的 to_luma8 会根据标准的亮度公式进行转换
+    image.to_luma8()
+}
+
+/// 对应 Python 的 resize_image
+/// 调整图像尺寸。当前版本仅实现 keep_aspect_ratio=false
+pub fn resize_image(
+    image: &GrayImage,
+    target_width: u32,
+    target_height: u32,
+    // resample 参数我们直接使用 FilterType，Lanczos3 是最接近 Python LANCZOS 的
+) -> GrayImage {
+    // 使用 resize 算法进行精确缩放
+    image::imageops::resize(
+        image,
+        target_width,
+        target_height,
+        FilterType::Lanczos3
+    )
+}
+

src/lib.rs

@@ -0,0 +1,145 @@
+mod model;
+mod utils;
+
+mod charset;
+mod image_io;
+mod image_processor;
+
+use anyhow::{Context, Result};
+use image::{DynamicImage, imageops::FilterType};
+use tract_onnx::prelude::*;
+// 关键点：直接使用 tract 重导出的 ndarray
+use crate::image_io::png_rgba_white_preprocess;
+use crate::image_processor::{convert_to_grayscale, resize_image};
+use tract_onnx::prelude::tract_itertools::Itertools;
+
+pub struct DdddOcr {
+    session: RunnableModel<TypedFact, Box<dyn TypedOp>, Graph<TypedFact, Box<dyn TypedOp>>>,
+}
+
+impl DdddOcr {
+    pub fn new<P>(model_path: P) -> Result<Self>
+    where
+        P: AsRef<std::path::Path>,
+    {
+        let session = onnx()
+            .model_for_path(model_path)
+            .with_context(|| "加载 ONNX 模型失败，请检查路径是否正确")?
+            .into_optimized()?
+            .into_runnable()?;
+        Ok(Self { session })
+    }
+
+    pub fn classification(&self, img: &DynamicImage) -> Result<String> {
+        let tensor = self.preprocess_image(img, false)?;
+
+        // let result = self.session.run(tvec!(tensor.into()))?;
+        // 3. 解析结果
+        // let output = result[0].to_array_view::<i64>()?;
+        let output = self.inference(tensor)?;
+        let output2 = self.extract_indices(&output)?;
+        Ok(self.decode_ctc(&output2))
+    }
+    /// 对应 Python 的 _preprocess_image
+    /// 负责：透明背景修复 -> 灰度化 -> 按比例 Resize -> 归一化 -> 4维张量转换
+    fn preprocess_image(&self, img: &DynamicImage, png_fix: bool) -> Result<Tensor> {
+        // A. 修复 PNG 透明背景 (内部逻辑你之前已实现)
+        let processed_img = if png_fix && img.color().has_alpha() {
+            png_rgba_white_preprocess(img)
+        } else {
+            img.clone()
+        };
+
+        let h = 64u32;
+        let w = (img.width() as f32 * (h as f32 / img.height() as f32)) as u32;
+        let gray_img = convert_to_grayscale(img);
+        let resized = resize_image(&gray_img, w, h);
+        // 1. 预处理：转灰度 -> Resize -> 归一化
+        // let resized = img.resize_exact(w, h, FilterType::Lanczos3).to_luma8();
+
+        // 使用 tract_ndarray 构造，避免版本冲突
+        let array =
+            tract_ndarray::Array4::from_shape_fn((1, 1, h as usize, w as usize), |(_, _, y, x)| {
+                let pixel = resized.get_pixel(x as u32, y as u32)[0] as f32;
+                (pixel / 255.0 - 0.5) / 0.5
+            });
+
+        let tensor = Tensor::from(array);
+
+        Ok(tensor)
+    }
+    /// 对应 Python 的 _inference
+    fn inference(&self, tensor: Tensor) -> Result<Tensor> {
+        // tract 的 run 会返回一个 Vec<TValue>，我们通常只需要第一个输出
+        // let result = self.session.run(tvec!(tensor.into()))?;
+        let mut result = self
+            .session
+            .run(tvec!(tensor.into()))
+            .context("执行模型推理失败")?;
+
+        Ok(result.remove(0).into_tensor())
+    }
+    /// 核心解析逻辑：将模型输出的各种维度/类型的 Tensor 转为字符索引序列
+    fn extract_indices(&self, raw_tensor: &Tensor) -> Result<Vec<i64>> {
+        let shape = raw_tensor.shape();
+
+        match raw_tensor.datum_type() {
+            // 情况 1: huashi666 式模型，直接输出 i64 索引 (通常是模型内部做好了 Argmax)
+            DatumType::I64 => {
+                let view = raw_tensor.to_array_view::<i64>()?;
+                Ok(view.iter().cloned().collect())
+            }
+
+            // 情况 2: sml2h3 原版模型，输出 F32 概率矩阵
+            DatumType::F32 => {
+                let view = raw_tensor.to_array_view::<f32>()?;
+
+                // 处理典型的 CTC 输出形状 [TimeSteps, Batch:1, Classes]
+                if shape.len() == 3 {
+                    let steps = shape[0];
+                    let classes = shape[2];
+
+                    // 将一维视图重新整理为二维 [steps, classes]
+                    let array_2d = view.to_shape((steps, classes))?;
+
+                    // 对每一行执行 Argmax (寻找概率最大的字符索引)
+                    let indices = array_2d
+                        .outer_iter()
+                        .map(|row| {
+                            row.iter()
+                                .enumerate()
+                                .max_by(|(_, a), (_, b)| {
+                                    a.partial_cmp(b).unwrap_or(std::cmp::Ordering::Equal)
+                                })
+                                .map(|(idx, _)| idx as i64)
+                                .unwrap_or(0)
+                        })
+                        .collect();
+                    Ok(indices)
+                } else {
+                    Err(anyhow::anyhow!("不支持的 F32 输出形状: {:?}", shape))
+                }
+            }
+            _ => Err(anyhow::anyhow!(
+                "不支持的模型输出数据类型: {:?}",
+                raw_tensor.datum_type()
+            )),
+        }
+    }
+    fn decode_ctc(&self, indices: &[i64]) -> String {
+        use crate::charset::CHARSET_BETA;
+        let mut res = String::new();
+        let mut last_idx: i64 = -1;
+
+        for &idx in indices {
+            // ddddocr 的 blank 通常是 0
+            if idx != 0 && idx != last_idx {
+                if let Some(&char_str) = CHARSET_BETA.get(idx as usize) {
+                    res.push_str(char_str);
+                }
+            }
+            last_idx = idx;
+        }
+        res
+    }
+}

src/main.rs

@@ -1,6 +1,6 @@
 mod charset;
 
-use anyhow::Result;
+use anyhow::{anyhow, Result};
 use charset::CHARSET_BETA;
 use image::{imageops::FilterType, open};
 use tract_onnx::prelude::*;
@@ -8,7 +8,7 @@ use tract_onnx::prelude::*;
 fn main() -> Result<()> {
     // 1. 加载并优化模型 (假设模型文件在根目录)
     let model = onnx()
-        .model_for_path("model/common.onnx")? // 这里替换成你提取的 ddddocr 模型名
+        .model_for_path("model/common_huashi666_i64.onnx")? // 这里替换成你提取的 ddddocr 模型名
         .into_optimized()?
         .into_runnable()?;
 
@@ -33,20 +33,60 @@ fn main() -> Result<()> {
     // 注意：这里需要根据 ddddocr 的要求将图片转为 Tensor
     // 简化逻辑：
     // let tensor: Tensor = tract_ndarray::Array4::<f32>::zeros((1, 1, 30, 64)).into();
-
+    let raw_tensor = &result[0];
     // 3. 运行推理
     // let result = model.run(tvec!(tensor.into()))?;
     println!("模型输出原始数据: {:?}", result);
-    let output = result[0].to_array_view::<i64>()?;
-    let indices: Vec<i64> = output.iter().cloned().collect();
+    let shape = result[0].shape();
+    println!("模型输出shape数据: {:?}", shape);
+    let datum_type = result[0].datum_type();
+    println!("模型输出datum_type数据: {:?}", datum_type);
+
+    let predicted_indices: Vec<i64> = match raw_tensor.datum_type() {
+        // 情况 1: huashi666 式模型，直接输出 i64 索引
+        DatumType::I64 => {
+            raw_tensor.to_array_view::<i64>()?.iter().cloned().collect()
+        }
+        // 情况 2: sml2h3 原版模型，输出 F32 概率
+        DatumType::F32 => {
+            let view = raw_tensor.to_array_view::<f32>()?;
+
+            // 模仿 Python 的维度判断逻辑
+            if shape.len() == 3 {
+                // 假设形状是 [21, 1, 8210]
+                let steps = shape[0];
+                let classes = shape[2];
+                let array_2d = view.to_shape((
+                    (steps, classes),
+                    tract_onnx::prelude::tract_ndarray::Order::RowMajor
+                ))?;
+
+                array_2d.outer_iter()
+                    .map(|row| {
+                        row.iter().enumerate()
+                            .max_by(|(_, a), (_, b)| a.partial_cmp(b).unwrap())
+                            .map(|(idx, _)| idx as i64).unwrap()
+                    })
+                    .collect()
+            } else {
+                // 其他形状处理...
+                vec![]
+            }
+        }
+        _ => return Err(anyhow!("不支持的输出类型")),
+    };
+
+    // let output = result[0].to_array_view::<i64>()?;
+    // println!("模型输出原始数据2: {:?}", output);
+    // let indices: Vec<i64> = output.iter().cloned().collect();
 
     // 2. 将视图转为切片并调用函数
-    let code = decode_ctc(&indices);
-    println!("indices模型输出原始数据: {:?}", indices);
+    let code = decode_ctc(&predicted_indices);
+    println!("indices模型输出原始数据: {:?}", predicted_indices);
     println!("最终识别出的验证码是: {}", code);
     Ok(())
 }
-
+// common_huashi666_i64
 fn decode_ctc(indices: &[i64]) -> String {
     let mut res = String::new();
     let mut last_idx: i64 = -1;