MCP Polygon Renderer

Servidor MCP que permite a agentes de IA poligonizar imágenes con OpenCV, usando grillas de referencia o coordenadas directas en píxeles.

Por qué existe

Los modelos de lenguaje no pueden dibujar sobre imágenes. Esta herramienta les da esa capacidad: el agente razonifica sobre una imagen con grilla, define regiones usando celdas (ej: "B3", "C3", "D3"), y el servidor las renderiza con precisión de píxeles.

Related MCP server: OpenCV MCP Server

Instalación

pip install mcp-polygon-renderer

O desde fuente:

git clone https://github.com/bentlyy/mcp-polygon-renderer.git
cd mcp-polygon-renderer
pip install -e .

Configuración

El servidor solo lee imágenes dentro de un directorio de trabajo y escribe los resultados en la subcarpeta salida/ de ese mismo directorio. Define MCP_POLYGON_ROOT apuntando a la carpeta donde tienes tus imágenes:

# Linux / macOS
export MCP_POLYGON_ROOT="/ruta/a/mis/imagenes"

# Windows PowerShell
$env:MCP_POLYGON_ROOT = "C:\ruta\a\mis\imagenes"

Si no la defines, usa el directorio desde donde se lanza el servidor.

Después, registra el servidor en tu cliente MCP:

Claude Desktop

{
  "mcpServers": {
    "polygon-renderer": {
      "command": "python",
      "args": ["-m", "mcp_polygon_renderer"],
      "env": {
        "MCP_POLYGON_ROOT": "/ruta/a/mis/imagenes"
      }
    }
  }
}

opencode

{
  "mcp": {
    "polygon-renderer": {
      "command": "python",
      "args": ["-m", "mcp_polygon_renderer"],
      "environment": {
        "MCP_POLYGON_ROOT": "/ruta/a/mis/imagenes"
      }
    }
  }
}

Herramientas

Seguridad

Un servidor MCP se ejecuta con tus permisos dentro de tu máquina, y sus resultados se envían al modelo. Por eso el alcance está acotado a propósito:

ver_imagen es la herramienta sensible: sin el confinamiento, un agente (o un prompt injection en un archivo que procesa) podría leer ~/.ssh/id_rsa, un .env o cualquier otro archivo del disco y recibir su contenido en base64 como respuesta. Por eso toda ruta se canonicaliza con Path.resolve() y se verifica contra la raíz con os.path.commonpath antes de abrir nada.

Los límites de entrada no son cosméticos: filas=2000 generaba 4.000.000 de celdas y colgaba el proceso.

Flujo de trabajo

Modo grilla (recomendado para imágenes complejas)

1. Agente llama: preparar_imagen("vaca.png", filas=10, columnas=10)
   → Recibe: imagen con grilla + mapa de celdas en píxeles

2. Agente analiza la imagen con grilla y define regiones:
   {"poligonos_grid": [{"id": "Lomo", "celdas": ["F2", "G2", "G3", "H2"]}]}

3. Agente llama: renderizar_desde_grid("vaca.png", json_ia, mapa_celdas)
   → Recibe: ruta de la imagen con polígonos renderizados

4. Agente llama: ver_imagen(ruta_final)
   → Ve el resultado y continúa trabajando

Modo directo (para formas geométricas)

1. Agente define polígonos con coordenadas en píxeles:
   [{"id": "Triangulo", "puntos": [[100,100], [200,50], [300,100]]}]

2. Agente llama: renderizar_poligonos("imagen.png", poligonos)
   → Recibe: ruta de la imagen con polígonos renderizados

Detección automática

1. Agente llama: detectar_regiones("vaca.png")
   → Recibe: imagen coloreada + número de regiones detectadas

Ejemplos

Cortes de carne (35 regiones detectadas)

# El agente analiza la vaca con grilla y define los cortes
poligonos = {
    "poligonos_grid": [
        {"id": "Cabeza", "celdas": ["A2", "A3", "B2", "B3"]},
        {"id": "Cuello", "celdas": ["B4", "C3", "C4"]},
        {"id": "Paleta", "celdas": ["B5", "C5", "D4", "D5"]},
        {"id": "Costilla", "celdas": ["D3", "E3", "E4", "F4", "F5"]},
        {"id": "Lomo", "celdas": ["F2", "G2", "G3", "H2", "H3"]},
        {"id": "Cuadril", "celdas": ["H4", "I3", "I4", "J3", "J4"]},
    ]
}

Polígonos con curvas

# Círculo con 36 puntos para simular curva suave
import math
puntos_circulo = [
    [int(200 + 80 * math.cos(2 * math.pi * i / 36)),
     int(150 + 80 * math.sin(2 * math.pi * i / 36))]
    for i in range(36)
]
poligonos = [{"id": "Circulo", "puntos": puntos_circulo}]

Los tres ejemplos ejecutables están en examples/.

Pruebas visuales

6 formas geométricas detectadas y coloreadas

16 regiones de mapa detectadas y coloreadas

Características

• Optimizado para agentes: sin ventanas emergentes, todo se guarda en disco

• Confinado a un directorio: no puede leer ni escribir fuera de MCP_POLYGON_ROOT

• Eficiente en RAM: carga reducida de imágenes grandes automáticamente

• Colores vivos: paleta de 40 colores distintos para diferenciar regiones

• Curvas por densidad: más puntos = más suavidad en bordes curvos

• Detección automática: identifica regiones delimitadas por líneas de color

Desarrollo

pip install -e ".[dev]"
pytest tests/ -v

Licencia

MIT — ver LICENSE.

Las imágenes de ejemplo (vaca.png, figuras.png, mapa.png) son obra propia del autor y se distribuyen bajo la misma licencia.

Proyecto no afiliado a Anthropic ni al proyecto OpenCV.