[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wellflat--imageprocessing-labs":3,"tool-wellflat--imageprocessing-labs":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",154349,2,"2026-04-13T23:32:16",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":100,"env_os":101,"env_gpu":102,"env_ram":101,"env_deps":103,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":118},7325,"wellflat\u002Fimageprocessing-labs","imageprocessing-labs","computer vision, image processing and machine learning on the web browser or node.","imageprocessing-labs 是一个专注于在网页浏览器或 Node.js 环境中运行计算机视觉、图像处理及机器学习算法的开源项目。它主要解决了传统重型图像分析工具依赖本地安装或后端服务器的痛点，让复杂的视觉计算能够直接在前端轻量级地执行，极大地降低了部署门槛。\n\n无论是希望快速验证算法原型的开发者、需要教学演示的研究人员，还是对前端图形技术感兴趣的设计师，都能从中受益。普通用户也可以通过其在线演示站点，直观体验各种先进的图像效果而无需编写代码。\n\n该项目的技术亮点在于其丰富的功能库：不仅涵盖了快速傅里叶变换（FFT）、立体匹配、泊松图像编辑等专业图像处理算法，还集成了决策树、K-Means++ 聚类、逻辑回归以及去噪自编码器等经典机器学习模型。更独特的是，它支持基于 WebGL 的 3D 形状绘制（如莫比乌斯环、克莱因瓶）和 t-SNE 数据降维可视化，并兼容 ONNX Runtime for Web，展现了强大的跨平台计算能力与前沿技术整合度。","## Image processing and Machine learning labs   [![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue.svg?style=flat-square)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n\ncomputer vision, image processing and machine learning on the web browser or node\n\n### note\n\n* Fast Fourier Transform (1D\u002F2D-FFT)\n* Stereo Matching\n* Poisson Image Editing\n* Line Segment Detector\n* Corner Detection\n* Fish-Eye Transform\n* Image Processing Filters\n* Image Histogram Calculation\n* Image Feature Extraction\n* Decision Tree Learning\n* K-Means++ Clustering\n* Logistic Regression\n* Adaptive Regularization of Weight Vectors (AROW)\n* Soft Confidence Weighted Learning (SCW)\n* Gradient Boosting Decision Tree (GBDT)\n* Neural Network (Denoising Autoencoders)\n* t-Distributed Stochastic Neighbor Embedding (t-SNE)\n* 3D Shape Drawing (Mobius Strip, Klein Bottle, Heart Surface ...)\n* WebGL Samples\n* ONNX Runtime for Web (ORT Web)\n* etc..\n\n### demo\n[Demo Site](https:\u002F\u002Frest-term.com\u002Flabs\u002Fhtml5\u002Findex.html) \n\n### license\n\nCopyright © 2017 wellflat Licensed under the [MIT License][MIT]\n\n[MIT]: http:\u002F\u002Fwww.opensource.org\u002Flicenses\u002Fmit-license.php\n","## 图像处理与机器学习实验室   [![许可证：MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue.svg?style=flat-square)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n\n在网页浏览器或 Node.js 环境中进行计算机视觉、图像处理和机器学习\n\n### 注意事项\n\n* 快速傅里叶变换（1D\u002F2D-FFT）\n* 立体匹配\n* 泊松图像编辑\n* 直线段检测器\n* 角点检测\n* 鱼眼变换\n* 图像处理滤波器\n* 图像直方图计算\n* 图像特征提取\n* 决策树学习\n* K-Means++ 聚类\n* 逻辑回归\n* 自适应权重向量正则化（AROW）\n* 软置信加权学习（SCW）\n* 梯度提升决策树（GBDT）\n* 神经网络（去噪自编码器）\n* t 分布随机邻域嵌入（t-SNE）\n* 3D 形状绘制（莫比乌斯环、克莱因瓶、心形曲面等）\n* WebGL 示例\n* ONNX Runtime for Web（ORT Web）\n* 等等……\n\n### 演示\n\n[演示网站](https:\u002F\u002Frest-term.com\u002Flabs\u002Fhtml5\u002Findex.html)\n\n### 许可证\n\n版权 © 2017 wellflat 根据 [MIT 许可证][MIT] 授权\n\n[MIT]: http:\u002F\u002Fwww.opensource.org\u002Flicenses\u002Fmit-license.php","# imageprocessing-labs 快速上手指南\n\n`imageprocessing-labs` 是一个基于 Web 浏览器和 Node.js 的计算机视觉、图像处理及机器学习实验库。它无需复杂的后端环境，即可在前端实现 FFT、立体匹配、泊松图像编辑、特征提取及多种机器学习算法（如 K-Means、神经网络、t-SNE 等）。\n\n## 环境准备\n\n本项目主要运行于现代 Web 浏览器或 Node.js 环境中。\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux\n*   **浏览器要求**：支持 WebGL 的现代浏览器（推荐 Chrome 90+、Firefox 88+、Edge 90+）\n*   **Node.js 版本**：建议安装 LTS 版本 (v16.0.0 或更高)\n*   **前置依赖**：\n    *   若进行本地开发，需安装 `npm` 或 `yarn`\n    *   部分高级功能（如 ONNX Runtime）可能需要浏览器支持 WebAssembly\n\n## 安装步骤\n\n你可以通过克隆仓库获取源码，或通过 npm 安装核心模块（如果已发布为包）。以下是基于源码的运行方式：\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fwellflat\u002Fimageprocessing-labs.git\n    cd imageprocessing-labs\n    ```\n\n2.  **安装依赖**\n    ```bash\n    npm install\n    ```\n    > **国内加速提示**：如果下载依赖缓慢，建议使用淘宝镜像源：\n    > ```bash\n    > npm config set registry https:\u002F\u002Fregistry.npmmirror.com\n    > npm install\n    > ```\n\n3.  **启动本地服务**\n    由于涉及 WebGL 和本地资源加载，建议通过本地服务器运行：\n    ```bash\n    npm start\n    ```\n    或者使用简单的 HTTP 服务器：\n    ```bash\n    npx http-server .\n    ```\n\n## 基本使用\n\n该库主要通过 JavaScript API 在浏览器中调用。以下是一个最简单的使用示例，演示如何加载库并执行一个简单的图像处理操作（如计算直方图）。\n\n### 1. 在 HTML 中引入\n确保你的 HTML 文件位于服务器根目录下，并引入生成的脚本文件（具体文件名请参考 `dist` 目录或构建后的输出）：\n\n```html\n\u003C!DOCTYPE html>\n\u003Chtml lang=\"zh-CN\">\n\u003Chead>\n    \u003Cmeta charset=\"UTF-8\">\n    \u003Ctitle>Image Processing Labs Demo\u003C\u002Ftitle>\n\u003C\u002Fhead>\n\u003Cbody>\n    \u003Ccanvas id=\"canvas\">\u003C\u002Fcanvas>\n    \u003Cscript src=\".\u002Fdist\u002Fimageprocessing-labs.min.js\">\u003C\u002Fscript>\n    \u003Cscript>\n        \u002F\u002F 初始化代码见下方\n    \u003C\u002Fscript>\n\u003C\u002Fbody>\n\u003C\u002Fhtml>\n```\n\n### 2. JavaScript 调用示例\n假设库已全局加载为 `IPLabs` (具体命名空间请以实际构建输出为准)，以下示例展示如何进行图像直方图计算：\n\n```javascript\n\u002F\u002F 获取 Canvas 上下文\nconst canvas = document.getElementById('canvas');\nconst ctx = canvas.getContext('2d');\n\n\u002F\u002F 加载图片或绘制测试数据\nconst img = new Image();\nimg.src = 'test.jpg'; \u002F\u002F 替换为你的图片路径\nimg.onload = () => {\n    canvas.width = img.width;\n    canvas.height = img.height;\n    ctx.drawImage(img, 0, 0);\n\n    \u002F\u002F 获取图像数据\n    const imageData = ctx.getImageData(0, 0, canvas.width, canvas.height);\n    \n    \u002F\u002F 调用库中的直方图计算功能 (示例函数名，具体参考源码 API 文档)\n    \u002F\u002F 假设库提供了 IPLabs.Histogram.calculate 方法\n    if (typeof IPLabs !== 'undefined' && IPLabs.Histogram) {\n        const histogram = IPLabs.Histogram.calculate(imageData.data);\n        console.log('Image Histogram:', histogram);\n        \n        \u002F\u002F 此处可添加绘图代码将直方图可视化\n    } else {\n        console.error('IPLabs library not loaded correctly.');\n    }\n};\n```\n\n### 3. 在线体验\n如果你希望先在不搭建环境的情况下体验功能，可以直接访问官方演示站点：\n[Demo Site](https:\u002F\u002Frest-term.com\u002Flabs\u002Fhtml5\u002Findex.html)\n\n在该站点中，你可以直接交互体验立体匹配、鱼眼变换、决策树学习等所有列出的功能。","一家初创电商团队希望在网页端直接实现用户上传图片的自动瑕疵检测与分类，以降低服务器成本并提升响应速度。\n\n### 没有 imageprocessing-labs 时\n- 必须搭建昂贵的后端 GPU 集群来处理图像特征提取和机器学习推理，导致基础设施成本高昂。\n- 用户上传图片后需经历“客户端 - 服务器 - 客户端”的往返传输，网络延迟让实时交互体验变得卡顿。\n- 实现鱼眼矫正、泊松图像编辑等高级视觉算法需要从零编写底层数学库，开发周期被大幅拉长。\n- 难以在浏览器端直接运行 t-SNE 降维或 K-Means++ 聚类等复杂模型，数据可视化功能被迫砍掉。\n\n### 使用 imageprocessing-labs 后\n- 利用其内置的 ONNX Runtime for Web 和神经网络模块，直接在浏览器端完成瑕疵检测推理，彻底省去了后端推理服务器。\n- 所有图像处理（如快速傅里叶变换、角点检测）均在本地即时完成，消除了网络传输延迟，实现了毫秒级响应。\n- 直接调用库中现成的鱼眼变换、线段检测及泊松编辑算法，无需重复造轮子，核心功能开发时间从数周缩短至几天。\n- 借助集成的 t-SNE 和 GBDT 等机器学习工具，能在前端页面动态展示高维数据聚类效果，丰富了产品的数据分析维度。\n\nimageprocessing-labs 通过将复杂的计算机视觉与机器学习能力下沉至浏览器端，让轻量级、低成本且实时的智能图像应用成为可能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwellflat_imageprocessing-labs_93ac5819.png","wellflat","ryohei tanaka","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwellflat_8c59f4d8.png","software engineer",null,"Tokyo, Japan","https:\u002F\u002Frest-term.com","https:\u002F\u002Fgithub.com\u002Fwellflat",[81,85,89,92],{"name":82,"color":83,"percentage":84},"JavaScript","#f1e05a",99.1,{"name":86,"color":87,"percentage":88},"HTML","#e34c26",0.4,{"name":90,"color":91,"percentage":88},"Vue","#41b883",{"name":93,"color":94,"percentage":95},"CSS","#663399",0,503,87,"2026-03-23T18:41:48","MIT",1,"未说明","未说明（支持 WebGL 和浏览器端运行，通常依赖客户端显卡，无特定服务器端 GPU 要求）",{"notes":104,"python":105,"dependencies":106},"该工具主要设计为在 Web 浏览器或 Node.js 环境中运行，无需安装传统的 Python 深度学习框架。功能涵盖计算机视觉、图像处理及多种机器学习算法（如 FFT、立体匹配、t-SNE、神经网络等）。用户可直接通过提供的演示网站使用，或在本地搭建 Node.js 环境运行。","未说明（主要基于 Web 浏览器或 Node.js 运行）",[107,108],"ONNX Runtime for Web (ORT Web)","WebGL",[14,15],[111,112,113,114],"javascript","machine-learning","computer-vision","image-processing","2026-03-27T02:49:30.150509","2026-04-14T12:34:19.983354",[],[]]