扫描件 PDF 去水印（白点压缩方案）
纯本地图像处理，无需 API 密钥，支持 Windows / macOS / Linux。
适用场景
- 扫描版 PDF：每页是一张图片（页面无文字层，pypdf
pg.images非空），水印/二维码/推广文字烤进图像像素里 - 用户要求去掉水印后打印使用（关键：先问用途！打印用白点压缩；屏幕观感用 inpainting 但需管理预期——水印压文字处会生成假笔画）
- 典型水印形态：浅灰大号斜排文字（如"XX在线"，灰度 232~248）、第1页右上角二维码 + "扫码添加领取"推广文字
核心原理（为什么打印用白点压缩）
水印笔画是浅灰（232~248 灰阶），正文是深色（<200）。把 ≥TH(默认225) 的像素拉成纯白 255：
- 水印笔画整体变白消失；正文深色像素一个不动
- 无 AI 生成、无涂抹、无纹理痕迹——彻底绕开 inpainting 的"假字/花图"问题
- 附带：扫描纸面噪点（249~255）也统一成纯白，打印底色更干净
- 已知代价：正文抗锯齿过渡像素（225~240）变白 → 字边缘略细，打印无感
安装（一次性，任何机器通用）
# 1. 安装依赖（Python 3.9+）
pip install -r <技能目录>/requirements.txt
# Windows 可选 CPU 版 torch 加速（默认已含）
# pip install torch --index-url https://download.pytorch.org/whl/cpu
# 2. 下载 LaMa 权重（~205MB，用于第1页二维码修复；仅处理纯水印可跳过）
python <技能目录>/scripts/download_model.py
脚本会自动定位权重：环境变量 LAMA_MODEL → 技能目录/models/big-lama.pt → 找不到时提示下载。缺依赖时会输出友好安装指引。
工作流
第0步：先确认用途（必须问）
打印/存档/屏幕观感，决定方案：
- 打印 → 白点压缩（本技能主流程）
- 屏幕观感 → LaMa inpainting，并明确告知压字区会有假笔画风险，验收标准按"水印词消失+无花图"而非无损
第1步：判断水印类型（只读分析）
from pypdf import PdfReader
r = PdfReader(src)
for pg in r.pages: print(len(pg.images)) # >0 → 扫描件，走本流程
- 对象层水印（文字可选/可删）→ 用 Acrobat/WPS 删水印即可，不走本流程
第2步：白点压缩 + 第1页 LaMa 局部修复
主脚本 scripts/batch_whitepoint.py（批量，推荐）：
python scripts/batch_whitepoint.py "<源目录>" "<输出目录>"
- 所有页：
np.where(a >= 225, 255, a)白点压缩 - 第1页：二维码（QR 检测）+ 推广文字（rapidocr 定位右上角 x>50%,y<40%）→ LaMa 局部修复深色块
- 输出
{原名}_打印版.pdf
单份脚本scripts/whitepoint_batch.py（指定单文件 + 输出路径）
第3步：验证（三件套）
python scripts/verify_batch.py "<输出目录>" 8 # 抽检 OCR 水印词
精确验证（对单份）：
1. 水印笔画消除率：median 掩码 ∩ 原图 225~249 像素 → 处理后 ≥250 的比例，目标 100%
2. 带内正文保留率：median 掩码 ∩ 原图 <200 像素 → 处理后 == 原图的比例，目标 100%
3. OCR 水印词（梯方/在线/扫码/领取/金元宝 等）零命中
第4步：交付
- 副本输出到用户原目录（命名
{原名}_打印版.pdf），原文件一律不动 - 非工作区路径（如 W:/Z: 挂载盘）写入可能需要运行环境授权
- 汇报：份数、抽检结果、副本位置
脚本说明
| 脚本 | 用途 |
|---|---|
batch_whitepoint.py |
批量：目录下所有 PDF → _打印版.pdf |
whitepoint_batch.py |
单份：指定文件 → 指定输出 |
verify_batch.py |
抽检：OCR 水印词 |
download_model.py |
下载 LaMa 权重到 models/ |
_env.py |
公共：依赖检查 + 权重自动定位 |
踩坑记录（血泪，务必先读）
- rapidocr 返回的 boxes/txts 是 numpy 数组：
getattr(out,'boxes',None) or []会触发truth value ambiguous崩溃！必须[] if boxes is None else boxes - 部分环境（WorkBuddy 沙箱）Python 有"安全删除"钩子：脚本里
os.remove/os.rmdir可能报SAFE_DELETE_FAIL_CLOSED。处理：脚本内不删临时文件（PDF 在清理前已生成，不影响产物），tmp 目录用外部命令统一清 - torch C++ 层读不了中文路径：LaMa 权重（big-lama.pt）必须放在纯英文路径（技能目录 models/ 通常满足；若技能装在中文路径下，用环境变量
LAMA_MODEL指定英文路径的权重） - SimpleLama 返回 PIL Image（带 8px padding），需
.crop((0,0,W,H))裁回原尺寸 - 验证指标别用"均值差"——用"水印笔画消除率+带内正文保留率"这对（均值差好≠肉眼干净）
- 深色水印（<225 灰阶）白点压缩去不掉 → 只能 inpainting；水印压正文处白点压缩保留正文（最优），inpainting 会生成假笔画
已知边界
- 本技能专精"扫描件浅灰水印 + 打印用途"：批量快（40 份约 8 分钟）、正文零损伤、无涂抹痕迹
- 不适用：深色水印、矢量/对象层水印、短视频平台水印（那是另一类技能）
- 每份第1页需 OCR 定位推广文字 + LaMa 修复（约 10-20s/份）
