AI Dev Lab
VecTrace

VecTrace ができるまで — 画像を SVG ベクターに変換する

画像のベクター化ツールの開発ログ。 imagetracerjs で色の量子化から境界追跡・ベジェ近似までを行い、 拡大しても劣化しない SVG パスに変換する実装と、 他の画像ツールとの使い分けを記録しています。

ロゴをもらったら PNG だった。名刺に大きく刷りたいのに、拡大するとぼやける。

この「PNG しかない」問題は地味に多くて、そのたびに Illustrator を開いて手でトレースするか、有料の変換サービスに画像をアップロードするかの二択でした。前者は面倒、後者は他人のサーバーにロゴを渡すのが気持ち悪い。

VecTrace は、画像をブラウザの中だけで SVG(ベクター画像)に変換するツールです。何もインストールせず、画像も外に出さず、拡大しても劣化しない SVG を作ります。


#🎯 ラスターとベクターの違い

まず用語を整理します。

ラスター (PNG/JPG)ベクター (SVG)
中身色のついた点の集まり線・曲線・塗りの数式
拡大ぼやける・ギザギザ何倍でもくっきり
向くもの写真ロゴ・アイコン・図形

ロゴやアイコンは本来ベクターであるべきものです。ところが実際に手元にあるのは PNG だけ、というケースが多い。VecTrace がやるのは、点の集まりを見て、そこにある線や面を推測し、数式で描き直すことです。これを「トレース」と呼びます。


#🏗️ 技術選定:imagetracerjs

トレースはゼロから書くと大仕事です。色の量子化、エッジの追跡、曲線の近似——どれも一つの研究テーマになるくらいの内容があります。

そこで、この分野で枯れている imagetracerjs を使いました。andras jankovics 氏によるライブラリで、大きく 3 段階の処理をやってくれます。

  1. 色量子化 — 画像の色を指定数のパレットに減らす(例: 数万色 → 8 色)
  2. エッジ追跡 — 同じ色の領域の境界線を辿る
  3. ベジェ近似 — 辿った境界を滑らかな曲線(ベジェ曲線)で近似する

有名な potrace(白黒特化)と違い、imagetracerjs はカラー画像をそのまま多色 SVG にできるのが選定理由でした。

これも他のサービス(pitch-flip、py-pad)と同じく、CDN からスクリプトタグで読み込む方式です。

ts
const TRACER_CDN = "https://cdn.jsdelivr.net/npm/imagetracerjs@1.2.6/imagetracer_v1.2.6.js"

function loadTracer: Promise<ImageTracerLike> {
 if (typeof window !== "undefined" && window.ImageTracer) {
 return Promise.resolve(window.ImageTracer)
 }
 if (!loadPromise) {
 loadPromise = new Promise<ImageTracerLike>((resolve, reject) => {
 const s = document.createElement("script")
 s.src = TRACER_CDN
 s.async = true
 s.dataset.imagetracer = "1"
 s.onload = => {
 if (window.ImageTracer) resolve(window.ImageTracer)
 else reject(new Error("ImageTracer unavailable after load"))
 }
 s.onerror = => reject(new Error("Failed to load imagetracerjs"))
 document.head.appendChild(s)
 })
 }
 return loadPromise
}

loadPromise を保持して、初回だけ読み込む形。バンドルには含めていません。


#🎚️ プリセットが本体

imagetracerjs は調整パラメータが多く、生で触ると難しいライブラリです。numberofcolors(色数)、pathomit(小さすぎるパスを捨てる閾値)、ltres / qtres(直線・曲線の許容誤差)、blurradius(前処理のぼかし)……。

これを全部ユーザーに委ねると、たいていの人は最初の 1 枚で挫折します。そこで、用途別に効くパラメータの組を「プリセット」として固めました

ts
export const PRESETS: TracePreset[] = [
 {
 id: "logo", jp: "ロゴ / アイコン",
 oneLine: "少色 で くっきり。 ロゴ や アイコン の SVG 化 に 最適",
 options: { numberofcolors: 8, pathomit: 8, ltres: 1, qtres: 1, blurradius: 0, ... },
 },
 {
 id: "photo", jp: "写真",
 oneLine: "多色 + 軽い ぼかし。 写真 を ポスター 風 ベクター に",
 options: { numberofcolors: 32, pathomit: 4, ltres: 1, qtres: 1, blurradius: 2, ... },
 },
 {
 id: "poster", jp: "ポスター化",
 oneLine: "色 を 大胆 に 削った シルクスクリーン 風 の 面 構成",
 options: { numberofcolors: 6, pathomit: 12, ltres: 1.5, qtres: 1.5, blurradius: 3, ... },
 },
 {
 id: "sketch", jp: "線画 (白黒)",
 oneLine: "白黒 2 値 で 輪郭 を 抽出。 塗り絵 や ステンシル に",
 options: { numberofcolors: 2, pathomit: 6, ... },
 },
]

プリセットの設計思想はシンプルで、色数 (numberofcolors) がすべての起点です。

  • ロゴは色が少なく境界がはっきりしているので 8 色、ぼかしなし
  • 写真は階調が豊かなので 32 色、軽くぼかして色の境界を整理
  • ポスター化はあえて 6 色まで削り、面を大胆にまとめる
  • 線画は 2 色(白黒)にして輪郭だけを取り出す

色数を減らすほど「面」がまとまり、SVG のパスも減って軽くなる。増やすほど元画像に近づくが、パスが増えてファイルも重くなる。このトレードオフを、ユーザーが数値ではなく「ロゴ」「写真」という言葉で選べるようにしたのがプリセットです。


#🔄 変換そのものは短い

パラメータさえ決まれば、変換は一発です。

ts
export async function traceToSvg(imgd: ImageData, opts: TraceOptions): Promise<TraceResult> {
 const tracer = await loadTracer
 const t0 = performance.now
 const svg = tracer.imagedataToSVG(imgd, {
 numberofcolors: opts.numberofcolors,
 pathomit: opts.pathomit,
 ltres: opts.ltres,
 qtres: opts.qtres,
 blurradius: opts.blurradius,
 strokewidth: opts.strokewidth,
 scale: opts.scale,
 roundcoords: 1,
 viewbox: true,
 desc: false,
 })
 return { svg, ms: Math.round(performance.now - t0), bytes: new Blob([svg]).size }
}

Canvas から取った ImageData を渡すと、SVG 文字列が返ってきます。viewbox: true にしているのは、SVG に viewBox 属性を持たせて拡大縮小を効かせるため。roundcoords: 1 で座標を丸めて、無駄に長い小数を削りファイルを軽くしています。desc: false はライブラリが埋める説明コメントを消す指定です。

処理時間とバイト数を返しているのは、「何色にすると何 KB になるか」がその場で分かるようにするため。ベクター化は色数とファイルサイズが直結するので、この数字が見えると調整しやすくなります。


#😓 苦労したところ

#写真は「そのまま」だと破綻する

写真をトレースすると、階調のグラデーション部分が細かい斑(まだら)だらけの SVG になり、かえって元より汚くなります。しかもパスが数万本に膨れてファイルが重い。

対策が blurradius(前処理のぼかし)です。トレース前に軽くぼかすと、細かいノイズが均されて色の面がまとまり、パスが激減します。写真プリセットで blurradius: 2、ポスター化で 3 を入れているのはこのため。ベクター化の質は、実はトレースそのものより前処理で決まるというのが、作ってみて一番の発見でした。

写真を写真らしく残したいなら、そもそもベクター化は向いていません。VecTrace の写真プリセットは「ポスター風にする」ものだと割り切って、UI でもそう案内しています。

#色数を上げれば良い、わけではない

直感的には「色を増やせば元画像に近づいて良い」と思いがちですが、実際は色数を上げるとパスが爆発的に増え、SVG が PNG より重くなることすらあります。ベクターにする意味は「軽くて拡大に強い」ことなので、重くなったら本末転倒です。

なので各プリセットの色数は「用途として十分な最小値」に寄せています。ロゴが 8 色なのは、ほとんどのロゴが実際には数色で描かれているからで、それ以上は誤差を拾うだけです。

#白黒線画の閾値

線画プリセット(2 色)は塗り絵やステンシル用途を想定していますが、元画像のコントラストが低いと、線がかすれたり潰れたりします。ここは前処理だけでは吸収しきれず、「元画像のコントラストが高いほどきれいに出る」ことを案内に添えるにとどめました。何でも自動で完璧にはならない、という正直さは残すことにしています。


#🔭 今後の拡張

  • 元画像のプレビュー比較 — トレース前後を並べて、色数スライダーでリアルタイムに変化を見る
  • パス数・サイズの内訳表示 — どの色がパスを増やしているかを見せる
  • 背景の自動透過 — 白背景を検出して透明にする(ロゴ用途で需要が大きい)
  • 単色化オプション — 抽出した形を任意の 1 色で塗り直す(アイコンのシルエット化)

#💡 このサービスから言えること

ライブラリの難しさは、プリセットで隠せる。 imagetracerjs は生で触ると調整項目が多くて挫折するライブラリですが、用途ごとに効く値を固めてしまえば、ユーザーは「ロゴ」「写真」と選ぶだけで済みます。パラメータを全部見せるのが親切とは限らない——むしろ、良い初期値を用意して選択肢を絞るほうが使われる、というのは他のサービスにも通じる学びでした。

もうひとつは前処理の効きです。トレードオフの核心(色数とファイルサイズ、ぼかしと質)がどこにあるかを掴むと、パラメータの意味が腑に落ちます。変換処理の質は、変換本体より前後の下ごしらえで決まることが多い。 画像を扱うサービスを作るたびに、この感覚は強くなっています。

そして、ロゴのような「その人にとって大事な画像」を扱う以上、ブラウザ内で完結して外に送らないという設計は、機能ではなく信頼の前提です。変換したい画像を他人のサーバーに渡さなくていい、というだけで選ぶ理由になる場面は確かにあります。

[ ./next_action ]

読んだら、 VecTrace を実際に動かす。

この開発ログは VecTrace をどう作ったかの記録です。 読み終わったらそのままサービス本体へ戻って、 実物で価値を確かめてください。

[ ./related_logs ]

関連する開発ログ

all logs →
ToonCast

ToonCast ができるまで — AnimeGANv2 をブラウザで動かす

AnimeGANv2 の小さな ONNX (約9MB) を onnxruntime-web (単一スレッド WASM=COOP/COEP不要、 color-revive で承認済みライブラリの再利用) で実行。 512x512・[-1,1] 正規化で推論し、 結果を元解像度に戻して表示する設計記録。 写真は端末内処理。

read log →
ColorRevive

ColorRevive ができるまで — onnxruntime-web で白黒写真をカラー化

DeOldify の量子化 ONNX を onnxruntime-web (CDN side-load・単一スレッド WASM=COOP/COEP不要) で実行。 256x256 でモデル推論し、 輝度は元写真・色だけ AI を YCbCr で再合成して輪郭を保つ設計記録。 写真は端末内処理。

read log →
PhotoTwin

PhotoTwin ができるまで — CLIP画像埋め込みで似た写真を見つける

CLIP (Xenova/clip-vit-base-patch32) の image-feature-extraction を transformers.js の CDN ESM で side-load し、 各写真を正規化ベクトル化。 cosine 類似度で重複・似た写真をブラウザ内で検出する設計記録 (新ライブラリ追加なし=what-cam と同じ CLIP の再利用)。

read log →
AkinFind

AkinFind ができるまで — ブラウザ内で完結する embeddings 意味検索

多言語の文章埋め込みモデル (Xenova/multilingual-e5-small) を transformers.js の CDN ESM で side-load し、 各文を正規化ベクトル化。 cosine 類似度で意味検索と似ている文ペア検出を全て端末内で行う設計記録。

read log →
WhatCam

WhatCam ができるまで — CLIP のゼロショット画像分類をブラウザで動かす

CLIP (Xenova/clip-vit-base-patch32) を transformers.js の CDN ESM で side-load し、 写真と候補ラベルの近さをブラウザ内で計算。 日本語ラベルを英語プロンプトに変換し、 図鑑と自由入力の両モードで「これ何?」を判定する設計記録。

read log →
DepthCast

DepthCast ができるまで — 1枚の写真をAIの深度推定で立体にする

Depth Anything (transformers.js) を CDN ESM で side-load し、 1枚の写真から深度マップを推定。 WebGL2 フラグメントシェーダで深度に比例した視差 (iterative backward parallax) を作り、 赤青アナグリフ / WebM 書き出しまで端末内で完結させた設計記録。

read log →