对图片进行视觉问答。传入图片和问题，返回基于图片内容的文字回答。

适用于检查Web页面、PPT页面等是否符合特定要求或样式。

参数：

• images: 图片路径或URL列表

• question: 要提问的问题

• max_dimension: 发送给VLM前自动缩放的最大边长（默认2048，设为0禁用）

返回：基于图片内容的文字回答

详细、真实地解读图片中的内容。忠实描述图片中可见的所有内容，不推测或脑补。

参数：

• images: 图片路径或URL列表

• detail_level: 描述详细程度（brief/normal/detailed），默认normal

• max_dimension: 发送给VLM前自动缩放的最大边长（默认2048，设为0禁用）

返回：图片内容的详细文字描述

在图片中检测指定目标，返回结构化的位置信息（0-1归一化包围盒）。

传入图片和要检测的目标描述，返回所有检测到的目标的位置信息。

参数：

• images: 图片路径或URL列表

• target: 要检测的目标描述（如"按钮"、"标题"、"红色文字"等）

• max_dimension: 发送给VLM前自动缩放的最大边长（默认2048，设为0禁用）

返回：JSON格式的检测结果，包含每个目标的标签、归一化包围盒和置信度。 { "detections": [ { "label": "对象描述", "bbox": { "x_min": 0.1, "y_min": 0.2, "x_max": 0.3, "y_max": 0.4 }, "confidence": 0.95 } ] } 包围盒坐标为0-1归一化值，x_min/y_min为左上角，x_max/y_max为右下角。

提取图片中的所有文字信息。

返回图片中所有可见的文字内容，包括标题、正文、标签、按钮文字等。

参数：

• images: 图片路径或URL列表

• max_dimension: 发送给VLM前自动缩放的最大边长（默认2048，设为0禁用）

返回：JSON格式的OCR结果，包含文字块列表和完整文字。 { "text_blocks": [ { "text": "文字内容", "bbox": { "x_min": 0.1, "y_min": 0.2, "x_max": 0.3, "y_max": 0.4 } } ], "full_text": "所有文字的完整拼接" }

获取图片的重要属性和元信息。

返回图片的宽度、高度、格式、通道数、色彩空间、DPI、是否有Alpha通道、EXIF方向等。

参数：

• image: 图片路径或URL

缩放图片到指定尺寸。

支持三种模式：

1. 指定width和/或height（保持宽高比，fit模式可选）

2. 指定scale（按比例缩放，如0.5为缩小一半，2.0为放大一倍）

参数：

• image: 图片路径或URL

• width: 目标宽度（像素）

• height: 目标高度（像素）

• scale: 缩放比例（0.01-10.0）

• fit: 缩放模式（cover/contain/fill/inside/outside），默认inside

• output_path: 可选，保存到文件路径

返回：缩放后的图片（base64 PNG）和元信息

裁剪图片的指定区域，返回裁剪后的子图。

参数：

• image: 图片路径或URL

• left: 裁剪区域左上角x坐标

• top: 裁剪区域左上角y坐标

• width: 裁剪区域宽度

• height: 裁剪区域高度

• normalized: 坐标是否为0-1归一化值（默认false，像素坐标）

• output_path: 可选，保存到文件路径

返回：裁剪后的图片（base64 PNG）和元信息

旋转图片指定角度。

参数：

• image: 图片路径或URL

• angle: 旋转角度（正数为顺时针，如90/180/270/45等）

• output_path: 可选，保存到文件路径

返回：旋转后的图片（base64 PNG）和元信息

对图片进行水平或垂直镜像翻转。

参数：

• image: 图片路径或URL

• direction: 翻转方向（horizontal=水平镜像/左右翻转，vertical=垂直镜像/上下翻转）

• output_path: 可选，保存到文件路径

返回：翻转后的图片（base64 PNG）和元信息

将多张图片拼接为一张。

支持三种布局：

• horizontal: 横向拼接（左右排列）

• vertical: 纵向拼接（上下排列）

• grid: 网格拼接（按行列排列，需指定cols）

参数：

• images: 图片路径或URL列表

• layout: 拼接布局（horizontal/vertical/grid）

• cols: grid布局的列数（仅grid布局有效）

• gap: 图片间距（像素，默认0）

• background: 背景色（默认#FFFFFF）

• output_path: 可选，保存到文件路径

返回：拼接后的图片（base64 PNG）和元信息

在图片上绘制方框标记，可添加文字标签。

适用于标注检测结果、标记图片中的特定区域等。

参数：

• image: 图片路径或URL

• boxes: 方框列表，每个方框包含x/y/w/h（位置和尺寸）、color（颜色）、label（标签）、line_width（线宽）

• normalized: 坐标是否为0-1归一化值（默认false，像素坐标）

• output_path: 可选，保存到文件路径

返回：标注后的图片（base64 PNG）和元信息

在图片上绘制文字，支持中文。

适用于在图片上添加注释、说明文字等。 中文字体支持：优先使用VISION_MCP_FONT_PATH指定的字体文件，其次尝试系统CJK字体。

参数：

• image: 图片路径或URL

• texts: 文字列表，每个包含x/y（位置）、text（内容）、font_size（字号）、color（颜色）、background_color（背景色）

• normalized: 坐标是否为0-1归一化值（默认false，像素坐标）

• output_path: 可选，保存到文件路径

返回：标注后的图片（base64 PNG）和元信息