Ruby-Vips 技术文档
2024-12-26 03:20:01作者:盛欣凯Ernestine
1. 安装指南
1.1 Linux 和 macOS 安装
在 Linux 和 macOS 系统上,首先需要通过包管理器安装 libvips 二进制文件。例如,在 Ubuntu 上可以使用以下命令:
sudo apt install libvips42
在 macOS 上可以使用 Homebrew 安装:
brew install vips
安装完成后,可以通过以下命令安装 ruby-vips gem:
gem install ruby-vips
或者在你的 Gemfile 中添加以下内容:
gem "ruby-vips"
1.2 Windows 安装
在 Windows 系统上,ruby-vips gem 会自动拉取并安装 msys libvips,因此只需执行以下命令:
gem install ruby-vips
或者在你的 Gemfile 中添加以下内容:
gem "ruby-vips"
2. 项目的使用说明
ruby-vips 是一个用于图像处理的 Ruby 库,它基于 libvips 图像处理库。以下是一个简单的使用示例:
require "vips"
# 从文件加载图像
im = Vips::Image.new_from_file filename
# 将图像嵌入到一个 3000 x 3000 像素的图像中,位置为 (100, 100),并使用镜像扩展
im = im.embed 100, 100, 3000, 3000, extend: :mirror
# 将绿色通道(中间通道)乘以 2,其他通道保持不变
im *= [1, 2, 1]
# 创建一个卷积核,并进行卷积操作
mask = Vips::Image.new_from_array [
[-1, -1, -1],
[-1, 16, -1],
[-1, -1, -1]], 8
im = im.conv mask, precision: :integer
# 将处理后的图像保存到文件
im.write_to_file output_filename
3. 项目 API 使用文档
ruby-vips 提供了丰富的 API 接口,以下是一些常用的 API 方法:
3.1 加载图像
im = Vips::Image.new_from_file filename
3.2 图像嵌入
im = im.embed x, y, width, height, extend: :mirror
3.3 图像通道操作
im *= [1, 2, 1] # 将绿色通道乘以 2
3.4 图像卷积
mask = Vips::Image.new_from_array [
[-1, -1, -1],
[-1, 16, -1],
[-1, -1, -1]], 8
im = im.conv mask, precision: :integer
3.5 保存图像
im.write_to_file output_filename
4. 项目安装方式
4.1 通过 gem 安装
在终端中执行以下命令即可安装 ruby-vips:
gem install ruby-vips
4.2 通过 Gemfile 安装
在你的 Gemfile 中添加以下内容:
gem "ruby-vips"
然后执行 bundle install 安装依赖。
4.3 依赖库安装
在 Linux 和 macOS 上,需要先安装 libvips 库。在 Windows 上,ruby-vips 会自动安装所需的依赖库。
通过以上步骤,你可以成功安装并使用 ruby-vips 进行图像处理。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
638
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
469
Ascend Extension for PyTorch
Python
148
175
暂无简介
Dart
604
135
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
226
81
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310