Image Quality Improver MCP Server

MCP设计创作

提供方 Anique-1

设计创作 未标注 无需鉴权 社区 / 第三方

提供图像调整、裁剪、格式转换和质量分析的MCP服务器工具集。

一句话选型结论

按资料字段整理

Image Quality Improver MCP Server 属于设计创作类 MCP 服务器,传输方式未标注,无需鉴权,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类设计创作 传输方式未标注 鉴权无需鉴权 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 7 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

设计创作
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量7暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

图像处理Python本地部署质量分析批量处理格式转换智能裁剪

安装与配置

未标注 无需鉴权
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 7 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
出图与素材

生成配图、图标与素材。

设计稿处理

读取设计稿、批量改尺寸或导出。

内容生成

按主题生成文案与视觉草稿。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 7 个工具,职责相对集中,接入后不容易误操作。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在设计创作场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Image Quality Improver MCP Server当前 7 未标注 未标注 无 2026-05-17
Cursor Talk To Figma MCP Da1c7911 40 未标注 未标注 无 2026-05-17
Blender MCP 17 stdio · 本地进程 本地部署 有 2026-05-18
Nova Canvas MCP Server 2 stdio · 本地进程 本地部署 有 2026-05-17
Figma Context MCP 3aaa8d28 未标注 未标注 支持远程部署 无 2026-05-17
kreuzberg 未标注 stdio · 本地进程 本地部署 有 2026-04-12

服务器档案

设计创作
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Anique-1上游标注的维护方 Anique-1
分类设计创作本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型未标注上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

3.3 KB
来自项目仓库与上游目录的原文,未做删改

图像质量改善MCP服务器

该项目提供了一套用于图像大小调整、裁剪、格式转换和质量分析的工具,作为MCP(模型上下文协议)服务器构建。

以下是中所有功能的列表 main.py,并对每一项进行简要说明。


工具函数

validate_image_path(路径:str)->bool

验证给定路径是否指向具有支持扩展名的现有图像文件。

get_image_format_from_extension(扩展名:str)->str

返回给定文件扩展名的PIL图像格式字符串(例如“JPEG”、“PNG”)。

calculate_blur_metric(图像数组:np.ndarray)->浮点

使用拉普拉斯方差计算图像的模糊度量(值越高,图像越清晰)。

calculate_noise_metric(图像数组:np.ndarray)->浮点

使用高斯模糊后的局部标准偏差估计图像中的噪声水平。

calculate_brightness_contrast(图像:image.image)->元组[float,float]

计算图像的亮度和对比度。对于彩色图像,使用亮度和加权标准偏差。

analyze_image_quality(image_path:str)->Dict[str,Any]

对图像质量进行全面分析,包括锐度、噪声、亮度和对比度,并返回质量评估。


MCP工具功能

这些函数作为MCP工具公开,可以通过MCP服务器调用。

resize_image(image_path:str,width:int,height:int,output_path:Optional[str]=None,maintain_aspect_ratio:bool=True,resample_method:str=“LANCZOS”)->Dict[str,Any>

将单个图像调整为指定尺寸,可选择保持纵横比并选择重采样方法。

batch_resize_images(输入目录:str,宽度:int,高度:int,输出目录:可选[str]=无,maintain_aspect_ratio:bool=真,重采样方法:str=“LANCZOS”,file_pattern:str=“*”)->Dict[str,Any>

使用输出目录、纵横比和文件模式选项,将目录中的所有图像批量调整为指定尺寸。

crop_image(image_path:str,x:int,y:int,width:int,height:int,output_path:Optional[str]=None)->Dict[str,Any>

将图像裁剪到由(x,y,宽度,高度)定义的指定矩形区域。

convert_image_format(image_path:str,target_format:str,output_path:Optional[str]=None,quality:int=95)->Dict[str,Any>

使用可选的输出路径和质量设置将图像转换为其他格式(例如JPEG、PNG、WEBP)。

analyze_single_image_quality(image_path:str)->Dict[str,Any>

分析单个图像的质量,返回指标和质量评估。

batch_analyze_image_quality(目录路径:str,文件模式:str=“*”,保存报告:bool=False,报告路径:可选[str]=无)->字典[str,任意>

分析目录中所有图像的质量,返回摘要和详细结果。可选地将报告保存为JSON。

smart_crop_image(image_path:str,target_width:int,target_height:int,output_path:可选[str]=无,focus_point:可选[Tuple[int,int]]=无)->Dict[str,Any>

执行智能裁剪,将图像调整到目标尺寸,可选择聚焦于特定点以保留重要内容。


入口点

如果作为主模块执行,该脚本将运行MCP服务器。

常见问题

5 问
答案由本站依据条目字段整理,不引用上游原文
Image Quality Improver MCP Server 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

Image Quality Improver MCP Server 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Image Quality Improver MCP Server 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Image Quality Improver MCP Server 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Image Quality Improver MCP Server 能提供哪些能力?

资料显示约 7 个工具;能力标签包括 图像处理、格式转换、Python、批量处理。具体工具清单以官方文档为准。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。